IV.6Научные исследования, математика и новые материалы

EEG-DINO Small — предварительно обученный энкодер для извлечения признаков из электроэнцефалограмм, разработанный в рамках проекта OpenEEG-Bench и основанный на архитектуре braindecode.models.EEGDINO. Модель обучена методом иерархической self-distillation по подходу DINO-v2 на корпусе Temple University Hospital EEG Corpus: более 9000 часов записей с 19 общими каналами системы 10–20, приведёнными к частоте 200 Гц. Модель предназначена для извлечения EEG-признаков и последующей адаптации к классификации, например для задач на наборах TUEV и TUAB. При загрузке классификационная голова инициализируется заново, поэтому перед классификацией требуется дообучение или применение линейного классификатора. Ожидаются 19 каналов и частота дискретизации 200 Гц; используются веса PyTorch в формате Safetensors. Лицензия репозитория — BSD-3-Clause. Результаты могут ухудшаться при отличии расположения каналов от обучающего монтажа или при другой частоте дискретизации; входные данные рекомендуется привести к стандартной раскладке каналов и 200 Гц. Для производных весов README также указывает на возможные ограничения лицензии исходного корпуса данных, поэтому условия коммерческого использования следует проверять по лицензии соответствующего обучающего датасета.

Это полноразмерный чекпойнт модели IFM/K2-Horizon-7B, дообученный автором sambal для ответов на вопросы по данным каротажа скважин в области петрофизики. Модель основана на плотной авторегрессионной архитектуре K2-Horizon и содержит около 8 млрд параметров; использует формат bf16 и сохраняет шаблон чата и удалённый код базовой модели. Метаданные указывают контекст до 524 288 токенов. Обучение выполнено методом полного дообучения на 8 055 обучающих и 81 валидационной парах предпочтений. Использованы length-normalized DPO и дополнительный RPO-компонент с отрицательным логарифмом правдоподобия выбранных ответов; на проверочной выборке на шаге 300 указана точность предпочтений 100%. Модель подходит для диалоговых ответов и вопросов по петрофизическим данным каротажа. Доступна по лицензии Apache-2.0; для запуска README указывает Transformers версии 5.13 или новее и загрузку remote code базовой модели.

Kimina-Prover-Distill-0.6B — компактная модель для автоматического доказательства теорем в Lean 4, разработанная командами Project Numina и Kimi. Это дистиллированная версия Kimina-Prover-72B на базе Qwen/Qwen3-0.6B с архитектурой Qwen3ForCausalLM и 507,9 млн параметров. Модель предназначена для решения задач в стиле математических соревнований и генерации текста доказательств Lean 4; в README сообщается точность 68,85% Pass@32 на MiniF2F-test. Модель принимает текстовые запросы и генерирует текст, включая доказательства на Lean 4. Метаданные указывают контекст до 40 960 токенов, поддержку диалогового режима и интерфейса вызова инструментов. Для запуска в README упомянут vLLM. Модель распространяется по лицензии Apache-2.0.

Карточка модели GraphWiz/LLaMA2-7B-RFT на Hugging Face совпадает с карточкой GraphWiz/LLaMA2-7B-DPO, поэтому описание составлено по ней. GraphWiz/LLaMA2-7B-DPO — инструктивная языковая модель проекта GraphWiz на архитектуре LLaMA, предназначенная для решения задач на графах. Модель преобразует текстовые описания графов и структур в явное рассуждение на естественном языке и ответ. В карточке указаны 6,6 млрд параметров, контекст до 4096 токенов и формат PyTorch. Модель обучалась в два этапа: смешанное обучение на нескольких типах задач и выравнивание предпочтений методом DPO. Она предназначена для задач о циклах, связности, двудольности, топологии, кратчайших путях, треугольниках, потоках, гамильтоновых циклах и подграфах. В качестве датасета указан GraphWiz/GraphInstruct-RFT-72K. Лицензия — Apache-2.0. Модель генерирует ответы на естественном языке, однако её результаты по задачам на графах могут быть ошибочными; README приводит сравнительные оценки, но доступный фрагмент не содержит полных результатов. Язык модели и результаты за пределами графовых задач в предоставленных данных не описаны.

MathForm-8B — специализированная языковая модель OpenBMB для автоформализации математики: она переводит математические утверждения на естественном языке в формальный код Lean 4. Модель основана на плотной архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров и принимает текст; родительская модель Qwen3-8B описана как многоязычная, а карточка MathForm указывает английский язык. Родной контекст составляет 40 960 токенов. Модель дообучена на FormalVerse: после supervised fine-tuning применялось обучение с подкреплением, использующее компиляцию Lean и обратную связь о семантической согласованности. Подход включает поиск знаний в Mathlib, проверку компиляцией и итеративное уточнение. Это делает модель подходящей для преобразования математических формулировок в Lean и подготовки формальных утверждений. Для проверки результатов в описанном оценочном процессе используется Lean 4.21.0 и работающий Kimina Lean Server; заявленные в README настройки генерации — температура 0,6, top_p 0,95 и до 16 384 новых токенов. Лицензия — Apache-2.0.

NASA-IBM Lunar Foundation Model (NASA-IBM LFM) — мультимодальная модель-основа для дистанционного зондирования Луны, разработанная NASA и IBM AI for Science. Это энкодер-декодер ViT-B, обученный с нуля на примерно двух миллионах зарегистрированных наборов лунных данных SomBench. Входы охватывают 11 модальностей и два масштаба съёмки LROC: NAC с разрешением около 1 м/пиксель и WAC около 100 м/пиксель. При обучении модель учитывает геометрию освещения и координатный контекст; FlexiViT позволяет адаптировать размер патча при дообучении. Основное назначение — извлечение представлений для последующей настройки под обнаружение объектов, сегментацию и плотную регрессию на изображениях LROC и совмещённых продуктах рельефа. Модель также поддерживает мультимодальную генерацию для качественного изучения связей между данными. Для работы с ней предусмотрена интеграция с TerraTorch; веса доступны в формате PyTorch. Модель предназначена для лунных данных и не проверена на других небесных телах или продуктах, отсутствующих в SomBench. Она не сохраняет абсолютную геодезическую привязку, а генерируемые поля не являются калиброванными научными предсказаниями. В частности, оценки перспективности наличия льда воспроизводят экспертную карту, а не измеряют лёд. Лицензия — Apache-2.0.

OPI-Galactica-6.7B — языковая модель, созданная дообучением GALACTICA 6.7B компанией BAAI на полном наборе инструкций OPI объёмом 1,61 млн примеров. Набор OPI предназначен для адаптации больших языковых моделей к задачам, связанным с белками; работа описана в статье, принятой на семинар NeurIPS 2024 по фундаментальным моделям для науки. Модель построена на архитектуре OPT и генерирует текст по текстовому запросу. Она предназначена для инструктивных задач о белках; авторы сообщают об оценке на девяти задачах, но доступный фрагмент карточки не содержит результатов или их описания. Контекст составляет 2048 токенов. В метаданных указан английский язык и лицензия Apache-2.0. Это специализированная исследовательская адаптация научной языковой модели, а не универсальная модель для любых предметных областей. Карточка не приводит подробностей об ограничениях, качестве по отдельным задачам или рекомендациях по развёртыванию.

Qwen3-1.7B-Longevity (L-Qwen3-1.7B) — компактная языковая модель, разработанная Insilico Medicine совместно с Liquid AI для анализа биологии старения. Это декодерный трансформер на 1,7 млрд параметров, полученный полнопараметрической донастройкой Qwen/Qwen3-1.7B на данных о старении, включая мультиомные и клинические данные. Модель ориентирована на диалог и выполнение инструкций; принимает текст и генерирует текст на английском языке. Длина контекста составляет 32 768 токенов, веса представлены в BF16. Модель предназначена для исследовательской интерпретации данных о старении и биологии старения, в том числе для работы с разнородными омными данными. Её ответы являются предсказаниями модели, а не медицинскими рекомендациями; результаты следует проверять экспериментально. Качество наиболее ожидаемо на данных, представленных в обучающем корпусе. Лицензия — CC-BY-ND-4.0.

SeongryongJung/Qwen3-8B-Materials-SDPO-TR — экспериментальный чекпойнт дообучения Qwen3-8B методом SDPO-TR для задачи Materials. В репозитории размещён лучший и одновременно финальный чекпойнт обучения на шаге 100; размер обучающего батча — 32. Для оценки на валидации указано mean@16 76,60%. Модель основана на плотной архитектуре Qwen3ForCausalLM и содержит 7,6 млрд параметров. Она принимает текст и генерирует текст; максимальная длина контекста — 40 960 токенов. Загружать её предлагается через Transformers как причинную языковую модель. Чекпойнт предназначен для экспериментов с применением SDPO-TR к задаче Materials и генерации ответов в этой области. README не раскрывает состав датасета и точное определение задачи Materials, поэтому результат валидации сам по себе не позволяет судить о качестве в иных сценариях. Базовая модель Qwen3-8B описана как многоязычная, однако языки именно этого дообучения не уточнены. Лицензия — Apache-2.0.

rope_vit_m14_swiglu_avg_eva-bio — визуальный энкодер семейства RoPE ViT, разработанный проектом Birder. Модель предварительно обучена на изображениях методом EVA-style Masked Image Modeling distillation с учителем BioCLIP v2.5 ViT h14. Она содержит 50,9 млн параметров и принимает изображения размером 224 × 224 пикселя. Модель предназначена для извлечения признаков и использования в качестве основы для последующих задач компьютерного зрения: классификации, обнаружения объектов и сегментации. В карточке описано обучение на разнообразном наборе примерно из 31 млн изображений, включая данные о живой природе и насекомых. Специализированного дообучения под отдельную задачу классификации не проводилось. Модель выдаёт визуальные признаки и карты признаков для обнаружения объектов. Для использования указана библиотека birder и формат PyTorch. Лицензия — Apache-2.0. Карточка не приводит результатов сравнительных оценок качества.

SongMAE-Large 32x1 — аудиокодировщик на архитектуре masked autoencoder, предназначенный для получения представлений пения птиц. Модель содержит около 98,6 млн параметров и создана на основе обучения SongMAE на подмножестве XCL из BirdSet: 528 422 записи Xeno-Canto общей длительностью 7 562 часа. Входное моноаудио приводится к 32 кГц, а спектрограмма разбивается на патчи размером 32 мел-частоты на один временной шаг; модель выдаёт эмбеддинги с шагом 5 мс. Чекпойнт предназначен для извлечения признаков и использования в качестве замороженного энкодера при поиске похожих записей, визуализации, кластеризации и обучении downstream-моделей. Для каждого временного шага возвращаются четыре вектора размерности 768; их объединение даёт 3072-мерный временной эмбеддинг, а усреднение по времени — общий эмбеддинг записи. Контекст ограничен отдельными окнами по 5 секунд, между которыми модель не передаёт информацию. Модель не классифицирует виды птиц и не генерирует аудио; на записях и таксонах, отличающихся от обучающей выборки, качество следует проверять отдельно. Лицензия — MIT.

TxGemma-2B-Predict — языковая модель Google для задач разработки терапевтических средств. Это вариант семейства TxGemma на базе Gemma 2 с архитектурой decoder-only Transformer, дообученный на инструкционных наборах Therapeutics Data Commons. Модель принимает текстовые запросы, оформленные в структуре TDC, и генерирует текстовые прогнозы свойств терапевтических средств и связанных биологических объектов. Модель предназначена для исследовательских сценариев поиска лекарств: прогнозирования свойств малых молекул, взаимодействий лекарство—мишень и других терапевтических показателей. В карточке указана проверка семейства TxGemma на 66 задачах TDC; размер этой версии — 2B параметров. Лицензия обозначена как other, а условия использования — Health AI Developer Foundations terms of use. Модель обучена на публичных данных TDC, поэтому её прогнозы требуют проверки на данных, подходящих для конкретного применения. Перед использованием в прикладных разработках необходимо оценить качество на репрезентативных данных и провести предметную валидацию.

BioMobileBERT — модель MobileBERT-uncased, дообученная командой nlpie в режиме continual learning на корпусе PubMed в течение 200 тысяч шагов с общим размером батча 192. Она предназначена для восстановления скрытых токенов в биомедицинских текстах: модель получает фрагмент текста с маской и предсказывает подходящее слово или токен. Архитектура — MobileBERT с 24 слоями; в карточке Hugging Face указано 59,7 млн параметров. Модель принимает текст с контекстом до 512 токенов и выдаёт оценки кандидатов для заполнения маски. Исходная модель MobileBERT использует компактные проекции для снижения вычислительных затрат; BioMobileBERT адаптирована к биомедицинской лексике PubMed. Репозиторий содержит веса PyTorch, лицензия — MIT. Модель подходит для анализа терминологии в биомедицинских публикациях и задач языкового моделирования с маскированными токенами. Карточка описывает обучение на PubMed, но не приводит оценок качества и не подтверждает поддержку конкретных языков, поэтому применимость за пределами биомедицинских текстов на английском следует проверять отдельно.

BioTinyBERT — компактная модель семейства BERT, разработанная командой NLPie путём дальнейшего обучения TinyBERT на наборе научных публикаций PubMed в режиме continual learning. Обучение длилось 200 тысяч шагов с общим размером пакета 192. Модель содержит 4 скрытых слоя, размерность скрытых представлений и эмбеддингов — 768, всего около 15,6 млн параметров; контекст ограничен 512 токенами. Модель предназначена для заполнения пропусков в тексте с помощью задачи fill-mask и подходит для экспериментов с биомедицинскими текстами, например для подстановки термина в предложение с маскированным словом. Это PyTorch-чекпойнт с лицензией MIT. Карточка не приводит оценок качества или специальных ограничений применения, поэтому результаты на конкретных биомедицинских задачах следует проверять отдельно.

CodeXomics-ToolAgent-4B-v1 — модель на 4,2 млрд параметров, разработанная для геномного рабочего пространства CodeXomics и дообученная методом QLoRA на базе Qwen/Qwen3.5-4B. Она генерирует текст и выполняет вызовы функций из реестра инструментов CodeXomics для загрузки файлов, навигации по геному, анализа последовательностей, аннотирования, работы с треками, экспорта, BLAST, подбора праймеров, поиска биологических данных и управления интерфейсом. Модель предназначена для диалогового управления анализом и визуализацией геномных данных, в том числе для многошаговых сценариев внутри CodeXomics. В README указан максимальный размер последовательности 3 072 токена. В тестах CodeXomics Benchmark модель выполнила 172 из 172 проверок; это результат на конкретном наборе тестов и настройках оценки, а не гарантия точности в других условиях. Данных о поддержке изображений самой моделью в этом сценарии нет. Модель опубликована под лицензией Apache-2.0. Она специализирована для рабочих процессов CodeXomics; обобщение на вызов инструментов в других областях не оценивалось.

CONFLUX — разработанная gevaertlab модель условной генерации трёхмерных медицинских изображений. Она создаёт полные томографические объёмы из структурированных клинических метаданных: VAE сжимает объём в латентное представление, однопоточный трансформер rectified flow генерирует латент, а этап Flow-GRPO повышает соответствие заданным меткам. В репозитории есть контрольная точка для КТ грудной клетки с разрешением 216 × 176 × 200; условия генерации включают 18 признаков, пол, возраст и реконструкционное ядро. Модель предназначена для исследовательской генерации синтетических медицинских объёмов, расширения обучающих данных и разработки методов. Для работы нужны веса трансформера и декодера VAE. Синтетические результаты не предназначены для клинического применения и не должны использоваться для принятия решений о пациентах. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства на условиях ShareAlike, но запрещает коммерческое использование.

ISRO-SpaceAI-7B-Instruct — специализированная текстовая модель Anoop Singh для научных вопросов в области гелиофизики, океанографии, астрофизики и дистанционного зондирования. Это дообученная на Qwen/Qwen2.5-7B-Instruct плотная авторегрессионная модель Qwen2 с 7,1 млрд параметров, доступная в формате Safetensors. Она предназначена для диалоговых ответов и генерации текста по темам миссий Aditya-L1, Oceansat-3, Sentinel-1 и Kepler; README также заявляет анализ научных телеметрических данных и спектральных наблюдений. Модель принимает текст и выдаёт текст, поддерживает английский и хинди и имеет контекст до 32 768 токенов. Для обучения README указывает QLoRA в NF4 с последующим объединением весов в FP16; лицензия — Apache-2.0. Приведённые в карточке метрики основаны на небольших выборках, в том числе по одному примеру для гелиофизики и астрофизики, поэтому они не подтверждают надёжность на широком круге научных задач; модель не следует считать заменой проверке исходных данных и выводов специалистом.

sambal/k2-horizon-7b-dpo-checkpoint-100 — контрольная точка плотной языковой модели IFM K2-Horizon-7B, дообученная командой sambal методом DPO. Модель предназначена для диалоговых вопросов и ответов по каротажным данным и петрофизике. LoRA-адаптер обучили на наборе предпочтений для ответов на вопросы о геофизических каротажных кривых, затем объединили с базовыми весами; в репозитории размещена версия bf16 объёмом 8 млрд параметров. Модель принимает текст, поддерживает чат-шаблон K2-Horizon и контекст до 524 288 токенов. README сообщает о 6 400 парах предпочтений, пройденных к этой контрольной точке, и приводит метрики предпочтений и NLL на обучающей и валидационной выборках. Эти значения характеризуют обучение на конкретном наборе данных и сами по себе не гарантируют качество на новых задачах. Для загрузки указаны Transformers версии 5.13 или выше и удалённый код базовой модели. Лицензия — Apache-2.0.

Kimina-Prover-72B — языковая модель для автоматического доказательства теорем, разработанная командами Project Numina и Kimi. Модель дообучена на базе Qwen/Qwen2.5-72B с применением масштабного обучения с подкреплением и предназначена для решения задач в Lean 4, в том числе задач олимпиадного и конкурсного типа. Модель содержит 71,5 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 131 072 токенов. В README указана точность 84,0% при Pass@32 на MiniF2F-test. Модель доступна в формате safetensors и может использоваться для генерации текста и взаимодействия в чате; лицензия — MIT.

Longevity-LLM (L-LLM) — специализированная текстовая модель Insilico Medicine для вопросов и задач в биологии старения и долголетия. Она основана на Qwen3.5-9B с архитектурой гибридного трансформера и 9 млрд параметров. Модель обучали продолжением предобучения и supervised fine-tuning, а затем объединили LoRA-адаптеры с базовыми весами; опубликованный чекпойнт в формате safetensors предназначен для диалогового использования. Обучающий корпус охватывает клинические данные и эпидемиологию, эпигеномику, транскриптомику, протеомику и генетику, включая данные о метилировании ДНК и формулах эпигенетических часов. Модель принимает текст и генерирует текст на английском языке; README рекомендует использовать её для исследовательских запросов о старении, биомаркерах и связанных биологических данных. Веса занимают около 18,8 ГБ в bf16; в README приведены настройки развёртывания для vLLM и конфигурации с контекстом до 28 000 токенов. Модель может уверенно выдумывать биомедицинские сущности, величины эффектов и ссылки, а также ошибаться в сопоставлениях CpG-сайтов и генов; перечисленные идентификаторы и утверждения требуют проверки. Для открытых запросов со списками возможны повторения. Лицензия — CC BY-ND 4.0.

Mistral-DNA-v1-422M-hg38 — предварительно обученная генеративная модель последовательностей ДНК, опубликованная Raphael Mourad. Она предназначена для работы с геномными последовательностями человека из сборки hg38 и обучена на фрагментах ДНК длиной 10 кб. Модель основана на Mixtral-8x7B-v0.1, но упрощена: уменьшены число слоёв и размер скрытого представления. Архитектура — трансформер с mixture of experts, grouped-query attention, скользящим окном внимания и BPE-токенизатором с обработкой байтов вне словаря. Модель принимает текстовое представление последовательности и генерирует текст, в частности продолжения последовательностей ДНК. Её контекст составляет 512 токенов. Карточка также приводит пример вычисления эмбеддингов белковых последовательностей, однако заявленное предобучение и основное назначение модели относятся к ДНК. Лицензия — Apache-2.0. Это базовая предварительно обученная модель; карточка не описывает конкретные гарантии качества или клиническое применение.

InstaDeepAI/NTv3_650M_pre_8kb — предобученная модель семейства NTv3 для работы с геномными последовательностями. Она предназначена для исследовательского изучения и заполнения замаскированных фрагментов ДНК; авторы уточняют, что модель обучена только на последовательностях длиной до 8 кбп и не является рекомендуемым чекпойнтом NTv3 для получения результатов. Архитектура — U-Net-подобная: сверточная башня, стек Transformer, обратная сверточная башня и языковая голова. Токенизатор посимвольный, с алфавитом A, T, C, G и N; карточка указывает размер скрытого слоя 1536 и словарь из 11 токенов. Модель принимает последовательности нуклеотидов с маскированными позициями и предсказывает пропущенные токены. Длина входа должна быть кратна 128. Веса первоначально обучались в JAX со смешанной точностью, затем были перенесены в Torch; по умолчанию загрузка выполняется в fp32, а bf16 может вызывать небольшие численные расхождения. Для загрузки требуется Transformers версии не ниже 4.55.0 и пользовательский код репозитория. Лицензия указана как other, поэтому условия использования следует уточнить по карточке и файлам репозитория.

OpenMed-NER-OncologyDetect-ElectraMed-33M — модель OpenMed для распознавания и классификации биомедицинских сущностей в текстах об онкологии и генетике рака. Это дообученный трансформер архитектуры BERT с примерно 40 млн параметров; модель принимает текст и возвращает BIO-метки для токенов. Контекст ограничен 512 токенами, основной язык карточки — английский. Среди классов сущностей — гены и их продукты, опухоли, клетки, ткани, органы, химические вещества и аминокислоты. Модель обучена на корпусе BioNLP 2013 CG и предназначена для извлечения сущностей из научной литературы и медицинских текстов, например для поиска генов и биомаркеров, упомянутых в исследованиях рака. Карточка указывает F1 0,00, точность 0,01 и полноту 0,00; эти значения свидетельствуют о крайне слабом качестве на описанной оценке, несмотря на заявления README о готовности к производственному применению. Лицензия — Apache-2.0.

ParticleViT-M — трансформер для анализа частиц внутри струй, возникающих в столкновениях частиц. Модель разработана авторами работы «Predict before you train: scaling laws for particle physics foundation models» (Uslu, Nachman, Re) и предназначена для извлечения признаков из наборов частиц с последующим дообучением для задач классификации и разметки струй в физике высоких энергий. Модель содержит 34,6 млн параметров и состоит из 7 трансформерных блоков шириной 640 с 10 головами внимания. Каждая частица представлена токеном, а классификационный токен используется для получения представления всей струи. Архитектура не использует физически специфичные индуктивные смещения и позиционные кодировки. Предобучение выполнено на корпусе OmniLearned из примерно 1,06 млрд струй с классификационной целью на 210 классов. Для работы необходима нормализация входных признаков, поставляемая вместе с моделью; поддерживаются до 150 частиц на струю. Модель принимает числовые признаки частиц и возвращает представление для извлечения признаков; в каталоге основная задача отмечена как feature-extraction. Данные README ориентированы на физику высоких энергий и коллайдерные струи. Репозиторий предоставляет веса safetensors и реализацию на PyTorch. Лицензия — MIT.

Qwen3.5-9B equational-theory SAIR R3 — это полноразмерная дообученная модель семейства Qwen, подготовленная автором violetxi на базе Qwen/Qwen3.5-9B. Она предназначена для диалога по задачам эквивариантной теории: принимает вопросы, заметки и траектории рассуждений, а на этапе Stage 2 — также входные данные Lean, и генерирует ответы на естественном языке с доказательствами или контрпримерами. Модель содержит 9 млрд параметров, использует архитектуру Qwen3.5 с условной генерацией и поставляется в BF16 в формате safetensors для Transformers и vLLM. Обучение выполнено полным supervised fine-tuning на смеси заметок и примеров диалога, с сохранением унаследованных от базовой модели весов зрения и MTP. На момент карточки итоговые математические оценки ещё не опубликованы; оценки GPT не являются проверкой доказательств в Lean. Для использования требуется версия Transformers или vLLM с поддержкой Qwen3.5. Лицензия — Apache-2.0.

ahammad115566/qwen-smeft — это специализированная языковая модель для Standard Model Effective Field Theory (SMEFT), созданная Ахмедом Хаммадом и Вероникой Санс. Модель дообучена на базе Qwen/Qwen3-8B на корпусе из научной литературы по SMEFT и физике частиц; она содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и рассчитана на контекст до 40 960 токенов. Модель предназначена для рассуждений об операторах SMEFT, перевода между базисами EFT, ответов на теоретические вопросы и подготовки технических объяснений в стиле научной литературы. Она принимает текст и генерирует текст; в метаданных указан английский язык. Интерфейс поддерживает диалог и вызов инструментов. Модель распространяется по лицензии Apache-2.0. Карточка предупреждает, что модель может ошибаться в идентичности операторов, что покрытие пространства SMEFT неравномерно и что редкие операторы или базисы, отличные от Warsaw, могут обрабатываться менее надёжно. Модель намеренно ориентирована на эту область и не предназначена для общих задач.

REVE-large — трансформерная фундаментальная модель для обработки сигналов электроэнцефалографии (ЭЭГ), разработанная командой BRAIN и Университетом Монреаля (UdeM). Это предварительно обученный энкодер, предназначенный для переноса на широкий круг задач анализа ЭЭГ и работы с разными конфигурациями электродов. Модель обучена с задачей masked autoencoding на более чем 60 000 часах записей из 92 наборов данных, охватывающих около 25 000 человек. Четырёхмерное позиционное кодирование позволяет ей обрабатывать сигналы произвольной длины и расположения электродов. В репозитории указаны веса safetensors и библиотека Transformers; основное назначение по метаданным — извлечение признаков и эмбеддингов сигналов ЭЭГ. REVE-large подходит для получения представлений ЭЭГ и их адаптации к прикладным задачам нейронауки. Карточка не приводит конкретный перечень таких задач и не сообщает условия лицензии сверх обозначения «other», поэтому перед использованием следует проверить лицензионные условия репозитория.

RoPE ViT s14 Swiglu Avg EVA-Bio — визуальный энкодер, разработанный проектом Birder. Модель содержит 28,7 млн параметров и принимает изображения размером 224 × 224 пикселя. Она предварительно обучена методом EVA-подобной дистилляции Masked Image Modeling от учителя BioCLIP v2 ViT l14 на разнообразном наборе примерно из 31 млн изображений, преимущественно биологических и природных. Модель предназначена для извлечения признаков и создания эмбеддингов изображений, а также для использования в качестве основы для последующей классификации, обнаружения объектов и сегментации. В карточке приведён пример получения карты признаков для обнаружения объектов. Модель не дообучена под конкретную задачу классификации. Распространяется по лицензии Apache-2.0.

SEA-E — языковая модель ECNU-SEA для автоматизированной экспертной оценки научных статей в области машинного обучения. Она основана на Mistral-7B-Instruct-v0.2 и дообучена методом supervised fine-tuning на наборе инструкций для рецензирования, стандартизированном моделью SEA-S. Модель принимает текст и генерирует подробные замечания, помогающие авторам улучшать статьи; её архитектура — плотная причинно-языковая Mistral с 7,1 млрд параметров, контекст — до 32 768 токенов. SEA-E предназначена для подготовки информативной обратной связи по статьям, а не для вынесения рекомендаций о принятии или отклонении работы. По карточке модели, её применение ориентировано на машинное обучение; качество отзывов для других дисциплин не гарантируется. Лицензия в метаданных указана как Apache-2.0, однако README отдельно запрещает коммерческое использование.

StepFun-Prover-Preview-32B — языковая модель для доказательства теорем, разработанная командой StepFun. Она итеративно уточняет набросок доказательства, взаимодействуя с Lean4, и предназначена для автоматизации математических доказательств. В тесте MiniF2F-test модель показала точность 70,0% по Pass@1. Модель построена на плотной архитектуре Qwen2 и дообучена на DeepSeek-R1-Distill-Qwen-32B. Она содержит 32 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 131 072 токена. Карточка указывает английский язык. Репозиторий использует Transformers и формат safetensors, а лицензия — Apache-2.0. Показатель MiniF2F-test не гарантирует аналогичное качество на других задачах; работа с Lean4 предполагает наличие соответствующей среды.