IV.6Научные исследования, математика и новые материалы

STP (Self-play Theorem Prover) — модель Kefan Dong и Tengyu Ma для генерации формальных математических доказательств в Lean 4. Это плотная авторегрессионная модель семейства Llama с 6,5 млрд параметров и контекстом 4096 токенов; она использует архитектуру LlamaForCausalLM и работает через Transformers. Модель дообучена на DeepSeek-Prover-V1.5-SFT в течение одной эпохи на примерах из mathlib4, LeanWorkbook и доказательствах, полученных в ходе self-play.

MaticFuc/anomalyvfm_radio — модель компьютерного зрения на основе RADIO, подготовленная в рамках AnomalyVFM для обнаружения аномалий без примеров целевого домена. Она предназначена для выявления и локализации необычных областей на изображениях, в том числе в сценариях, где нет обучающих изображений с дефектами. Подход AnomalyVFM адаптирует предобученные визуальные модели с помощью параметрически эффективных низкоранговых адаптеров и взвешенной по уверенности пиксельной функции потерь; карточка сообщает средний image-level AUROC 94,1% на девяти наборах данных. Модель решает задачу сегментации изображений: принимает изображение и предназначена для выдачи локализации аномальных участков. В README указано, что AnomalyVFM представлена на CVPR 2026. Репозиторий содержит веса safetensors. Лицензия и численный размер модели в предоставленных данных не указаны.

BFS-Prover-V2-7B — модель ByteDance-Seed для генерации пошаговых доказательств в Lean4. Она дообучена на Qwen/Qwen2.5-Math-7B методом многоэтапной экспертной итерации с поиском по дереву доказательств; число параметров — 7,1 млрд, архитектура — плотная Qwen2, формат весов — safetensors. Для работы модели подают состояние тактики Lean4 в формате «{state}:::»; модель продолжает его сгенерированной тактикой. Модель предназначена для автоматизированного доказательства теорем и поиска следующего шага доказательства. В README сообщается о результатах на тестах miniF2F и ProofNet для семейства BFS-Prover-V2; конкретные показатели для версии 7B приведены только для miniF2F-test — 82,4%. Указанный размер контекста составляет 4096 токенов. Лицензия — Apache-2.0.

Это экспериментальная модель ESM-2, разработанная Amelie Schreiber для многометочной классификации функций белков по аминокислотным последовательностям. Она дообучена на данных CAFA-5 от базовой модели esm2_t6_8M_UR50D и содержит около 9,8 млн параметров; заявленная длина контекста — 1026 токенов. Модель принимает последовательность белка и предсказывает метки функций Gene Ontology. Автор прямо указывает, что этот чекпойнт не предназначен для готового предсказания функций белка: он служит основой для дальнейшего дообучения, например с помощью LoRA. Для корректной работы с иерархическими метками может потребоваться дополнительная настройка весов классов. README приводит метрики валидации, включая Micro F1 0,3672, и рекомендует более новую дообученную модель. Лицензия — MIT.

CeLLaTe-tapt-bioformer16l-tokenizer-original-baseline-combinedData — англоязычная модель на архитектуре BERT, дообученная Mardiyyah на базе bioformers/bioformer-16l с использованием датасета Mardiyyah/Combined_TAPT_dataset. Она предназначена для задачи fill-mask: предсказывает пропущенные токены в тексте, что подходит для языкового моделирования и анализа биомедицинских текстов. Модель содержит 50,3 млн параметров, принимает текстовые последовательности с контекстом до 1024 токенов и выдаёт текстовые предсказания. На оценочном наборе указаны loss 1,1916, accuracy 0,7443 и perplexity 3,2923. Лицензия — Apache-2.0.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted-baseline-combinedData — дообученная модель Mardiyyah на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext, обученная на наборе Mardiyyah/Combined_TAPT_dataset. Это англоязычная BERT-модель с архитектурой BertForMaskedLM на 138,2 млн параметров, предназначенная для предсказания пропущенных токенов в биомедицинских текстах. Она принимает текст и выдаёт вероятности вариантов для маскированного токена; длина контекста — до 512 токенов. На оценочной выборке указаны loss 1,1153, accuracy 0,7638 и perplexity 3,0506. Модель может применяться для адаптации языковых моделей к биомедицинским публикациям и восстановления пропусков в таких текстах. Лицензия — Apache-2.0.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask — англоязычная BERT-модель для восстановления замаскированных токенов в биомедицинских текстах. Она дообучена Mardiyyah на наборе Mardiyyah/TAPT_CeLLaTe2.0 на основе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Модель содержит 138,2 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Модель подходит для заполнения пропусков и анализа языковых закономерностей в медицинской литературе, включая адаптацию к специализированным биомедицинским текстам. В карточке приведены результаты оценки: loss 2,3029, accuracy 0,5761 и perplexity 10,0034. Репозиторий предоставляет веса в формате safetensors; лицензия — Apache-2.0.

CeLLaTe-tapt-pubmedbert-tokenizer-adaptedv2lr-2e5 — дообученная модель Mardiyyah на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext, обученная на наборе Mardiyyah/TAPT_CeLLaTe2.0. Это BERT-модель с архитектурой BertForMaskedLM и 137,6 млн параметров, предназначенная для предсказания замаскированных слов в англоязычном биомедицинском тексте. Она может использоваться для адаптации к последующим NLP-задачам в медицинской литературе и проверки контекстных языковых представлений. Для модели указана длина контекста 512 токенов. В карточке приведены метрики на оценочной выборке: loss 1,1498, accuracy 0,7645 и perplexity 3,1576. Модель распространяется в формате safetensors по лицензии Apache-2.0.

DeepSeek-Prover-V1 — языковая модель DeepSeek для формального доказательства математических теорем в Lean 4. Это плотная авторегрессионная модель семейства Llama с 6,5 млрд параметров и контекстом 4096 токенов. Она дообучена на DeepSeekMath 7B с использованием синтетического набора из 8 млн формальных утверждений и доказательств, созданных по задачам математических олимпиад и курсового уровня. Модель предназначена для генерации полных доказательств и поддержки поиска доказательств в Lean 4. В README сообщается о результатах на бенчмарках miniF2F и FIMO; это экспериментальные оценки, зависящие от числа сэмплов и метода поиска. Репозиторий содержит веса в формате safetensors и имеет лицензию `other`; условия лицензии следует проверять в карточке модели перед использованием.

DistilBioBERT — сжатая дистиллированная версия BioBERT, представленная в репозитории nlpie. Модель обучали 100 тысяч шагов на корпусе PubMed с суммарным размером батча 192, используя задачу masked language modeling и согласование распределений выходов модели-ученика и учителя. Инициализацию выполнили весами каждого второго слоя BioBERT. Это BERT-модель с 6 трансформерными слоями, скрытым размером 768 и словарём из 28 996 токенов. В README указано около 65 млн параметров, тогда как метаданные Hugging Face сообщают 78,9 млн. Контекст составляет 512 токенов. Модель предназначена для заполнения замаскированных слов в биомедицинских текстах; доступен формат PyTorch. Сжатая архитектура может быть удобна для языкового моделирования биомедицинских текстов при ограниченных вычислительных ресурсах. Модель не описана как диалоговая и сама по себе не предназначена для генерации свободного текста. Лицензия — MIT.

Это набор LoRA-адаптеров QVAC, разработанный Tether Data с помощью фреймворка qvac-finetune. Адаптеры дообучены на биомедицинских данных PubMedQA и предназначены для ответов на вопросы в формате «Q: … A: …»; в README указаны варианты для базовых моделей Qwen3 размером 0,6B, 1,7B и 4B. Репозиторий содержит GGUF-адаптеры для текстовой генерации. Модель рассчитана на биомедицинские вопросы и ответы, а не на обычный диалог. README заявляет кроссплатформенный запуск на GPU через Vulkan, Metal или CUDA, включая устройства с Adreno, Mali, Apple Silicon, AMD, Intel и NVIDIA. Для биомедицинских ответов рекомендована температура 0,3–0,5. Лицензия — Apache-2.0. Это исследовательский артефакт: ответы могут содержать ошибки, выдуманные или противоречивые сведения. README запрещает использовать модель для постановки диагноза, выбора лечения или клинических рекомендаций; медицинские решения следует обсуждать с квалифицированными специалистами.

Goedel-Prover-SFT — языковая модель Goedel-LM для автоматической генерации формальных доказательств математических задач на Lean 4. Это плотная авторегрессионная модель семейства Llama размером 6,5 млрд параметров с контекстом 4096 токенов; веса опубликованы в формате safetensors. Модель дообучена методом supervised fine-tuning на DeepSeek-Prover-V1.5-Base и предназначена для генерации целого доказательства по формулировке задачи в Lean. В README сообщается о результате 57,6% Pass@32 на miniF2F и решении 7 задач PutnamBench при Pass@512; также приведены результаты на ProofNet, FormalNumina и Lean-workbook. Модель рассчитана на математические задачи, формализуемые в Lean 4, и может быть полезна для автоматизации доказательств и исследований в формальной математике. Указана лицензия MIT. Результаты зависят от числа генерируемых вариантов и вычислительного бюджета; README отмечает ограничения доступных вычислительных ресурсов при оценке.

Карточка модели GraphWiz/LLaMA2-13B-DPO 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.

Карточка модели GraphWiz/LLaMA2-7B 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.

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.

Это дообученная экспертная модель на основе Meta Llama 3.2 1B Instruct, представленная как вариант из таблицы 1 работы SMAT: Simple and Efficient Merge-Aware Training. Она обучена для задачи NumGLUE-ds и предназначена прежде всего для выполнения этой задачи и экспериментов по объединению моделей с сохранением качества на отдельных задачах. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 1,2 млрд параметров, принимает текст и генерирует текст; заявленный контекст — до 131 072 токенов. Для работы применяются библиотека Transformers и формат Safetensors. Языки и более точные характеристики обучения NumGLUE-ds в доступной карточке не описаны. Использование регулируется лицензией Llama 3.2 и связанной с ней политикой допустимого использования.

Neuro-JEPA Large — разработанная NYU Langone Health модель для извлечения представлений из трёхмерных медицинских изображений мозга. Это разреженный латентный предиктивный foundation model на основе Improved Joint-Embedding Predictive Architecture (JEPA), с архитектурой 3D Vision Transformer и Mixture-of-Experts (ViT-Base-MoE). Модель содержит 422 млн параметров и предобучена примерно на 1,55 млн снимков T1w, T2w и FLAIR. Модель предназначена для извлечения признаков из объёмных МРТ и их последующего использования в задачах диагностики, прогнозирования, оценки возраста, регрессии, мультимодального обучения и анализа времени до события. Представления можно применять с замороженным энкодером и простым классификатором либо дообучать на целевой задаче. В оценке на 47 задачах и клинических и исследовательских когортах модель показала более высокие результаты по сравнению с предшествующими нейровизуализационными foundation-моделями. Доступ к весам ограничен: для запроса требуется согласие с условиями использования и институциональная электронная почта, а также ответственный руководитель исследования. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных версий. Модель предназначена исключительно для академических исследований и не одобрена для клинической диагностики или лечения; возможны смещения, связанные с когортой NYU Langone, а результаты требуют независимой проверки медицинским специалистом.

PermuFormer — специализированная авторегрессионная языковая модель в стиле Llama, предназначенная для символьных задач о перестановках в алгебраической комбинаторике. Модель содержит 75,6 млн параметров, использует архитектуру LlamaForCausalLM и библиотеку Transformers; веса сохранены в формате safetensors. В README указан контекст токенизатора до 1000 токенов, тогда как метаданные каталога сообщают нативный контекст 2048 токенов. Модель работает с компактным словарём и формульными запросами в строго заданном пробельно-разделённом синтаксисе. Она переводит перестановки между различными представлениями, вычисляет их статистики и свойства, а также выполняет операции вроде композиции, обращения, возведения в степень и сравнения по порядку Брюа. Обучение проводилось на синтетических примерах для симметрических групп от S₂ до S₁₁. В локальном отчёте для близкого к текущему чекпойнта шага указана точность exact match 98,44% на выборке из 2560 примеров; это не полный независимый бенчмарк. PermuFormer разработана как базовая модель для специализированных экспериментов и дообучения, а не как универсальный разговорный помощник. Она чувствительна к формату запроса, естественные языки в качестве входа не предназначены, а качество на перестановках за пределами обученного диапазона не гарантируется. Для критичных исследований результаты следует сверять точными комбинаторными программами. Лицензия в предоставленных сведениях не указана.

PHerc.1667-iteration-0 — модель сегментации чернил на томографических объёмных изображениях свитков Геркуланума, выпущенная участниками Vesuvius Challenge под именем scrollprize. Она предназначена для поиска участков с чернилами в свитках, включая сегменты без размеченных данных для обучения: эта версия обучалась на четырёх других сегментах и не использовала метки сегмента l_2. Модель обрабатывает серые объёмные фрагменты размером 62 × 256 × 256 вокселей. Её энкодер — ResNet3D-50, инициализированный весами Kinetics-700; признаки сворачиваются по глубине, после чего двумерный декодер U-Net формирует карту вероятностей наличия чернил. Выход имеет четверть исходного пространственного разрешения. Для обработки целого сегмента требуется перемещать окно по объёму и усреднять предсказания перекрывающихся фрагментов. Веса доступны в формате safetensors для Transformers, лицензия — MIT.

Jack04810 разработал SPAC Qwen3-14B Spatial-PE — дообученную плотную авторегрессионную модель семейства Qwen3 для понимания и генерации 3D-сеток. Модель содержит 14,2 млрд параметров и использует расширенный словарь из 200 824 токенов: базовую BPE-токенизацию и специальные пространственные токены для сеток и координат. Она принимает текстовые запросы и последовательности пространственных токенов, выдаёт текст и последовательности токенов 3D-сетки. Модель предназначена для диалоговых сценариев с 3D-сетками: описания, интерпретации и генерации сеток по тексту. Контекст составляет 40 960 токенов. Для инференса требуется SPAC spatial-PE wrapper и таблица слияния hf_main_merge_table.json, чтобы воспроизвести позиционное кодирование, применённое при обучении. Указанная лицензия — other; конкретные условия следует уточнить в карточке репозитория.

TxGemma-27B-Predict — языковая модель Google для задач разработки терапевтических средств, дообученная на базе Gemma 2. Это вариант с 27 млрд параметров из семейства TxGemma; архитектура — трансформер-декодер, библиотека запуска — Transformers. Модель принимает текстовые запросы, сформулированные в узком формате Therapeutics Data Commons (TDC), и генерирует текстовые предсказания. Модель предназначена для прогнозирования свойств терапевтических соединений и мишеней, включая малые молекулы, белки, нуклеиновые кислоты, заболевания и клеточные линии. Её применяют в исследованиях по поиску мишеней, предсказанию взаимодействия лекарство–мишень и оценке вероятности одобрения клинических испытаний. TxGemma дообучена на инструкционных наборах Therapeutics Data Commons и показала результаты на бенчмарке из 66 терапевтических задач. Модель рассчитана на исследования и разработку терапевтических средств; предсказания требуют проверки на данных, подходящих для конкретного применения. Условия использования определяются лицензией Health AI Developer Foundations.

3D-PLOT-LLM-7B — дообученная мультимодальная модель для диалога о трёхмерных объектах, разработанная в рамках работы «3D-PLOT-LLM: Part-Level Object Tokens for 3D Large Language Models». Она расширяет PointLLM на базе Vicuna-v1.5-7B и использует замороженный Point-BERT для кодирования облаков из 8192 точек. Модель делит токены патчей на 16 регионов и добавляет специальные маркеры регионов с модулем их уточнения; добавлено менее миллиона параметров, общий размер модели — 6,6 млрд параметров. Модель принимает описание объекта и его подготовленные данные разбиения на регионы в формате `.pack.npz`. Она умеет определять, какие регионы соответствуют описанию части, описывать заданные регионы и составлять подпись для целого объекта. Контекст — 2048 токенов; карточка указывает английский язык. Модель распространяется в формате PyTorch bf16 и требует окружения PointLLM и файлов разбиения объекта. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

AION-base — энкодер-декодерная омнимодальная модель Polymathic AI для анализа астрономических обзоров. Модель содержит 300 млн параметров и обучена методом мультимодального masked modeling на данных астрономических обзоров. AION-base обрабатывает 39 типов астрономических данных, включая изображения, спектры, каталоги и фотометрию. Она предназначена для адаптации к различным задачам астрономического анализа; в карточке приведены примеры данных Legacy Survey, HSC, SDSS и DESI. Метаданные указывают задачу any-to-any и библиотеку aion. Репозиторий распространяется под лицензией MIT. Карточка не приводит явных ограничений качества или длины контекста; применение требует соответствующих астрономических данных и адаптации под конкретную задачу.

AstroLLaMA — языковая модель семейства Llama для генерации текста на астрономическую и астрофизическую тематику. Репозиторий UniverseTBD содержит плотную причинную модель LlamaForCausalLM размером 6,6 млрд параметров; карточка указывает обучение на наборе аннотаций статей arXiv по астрономии и астрофизике. Модель принимает текстовый запрос и генерирует текст, а README также описывает получение текстовых эмбеддингов. Модель подходит для составления и продолжения тематических текстов, а также для работы с научными формулировками в области астрономии. Указанный контекст — 4096 токенов, основной язык карточки — английский. Репозиторий распространяется по лицензии MIT. При использовании для эмбеддингов следует учитывать, что основная задача модели в метаданных — генерация текста, а оценка качества на прикладных сценариях в предоставленных материалах не приведена.

AudioProtoPNet-20-BirdSet-XCL — модель группы DBD Research Group для многометочной классификации видов птиц по вокализациям. Она использует архитектуру AudioProtoPNet: ConvNeXt извлекает признаки из спектрограмм, а обученный на этих признаках классификатор сравнивает запись с прототипами вокализаций разных видов. Такой подход помогает объяснять предсказания и выявлять признаки, наиболее информативные для каждого вида. Модель дообучена на обучающей части BirdSet, включающей записи более чем 9 734 видов птиц и свыше 6 800 часов аудио. В оценке на семи тестовых наборах BirdSet семейство AudioProtoPNet показало средний AUROC 0,90 и cmAP 0,42; в README эти результаты сравниваются с Perch и ConvNeXt. Репозиторий предназначен для классификации аудио и использует библиотеку Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование. Результаты и показатели приведены для оценки на наборах BirdSet; качество на других акустических условиях и видах из README не установлено.

CeLLaTe-tapt-pubmedbert-tokenizer-original-spanmask — англоязычная модель на архитектуре BERT для предсказания замаскированных слов. Она дообучена Mardiyyah на наборе Mardiyyah/TAPT_CeLLaTe2.0 на основе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext и предназначена для заполнения пропусков в биомедицинских текстах. Модель содержит 136,7 млн параметров и поддерживает контекст длиной до 512 токенов. На оценочном наборе указаны loss 2,1721, accuracy 0,5857 и perplexity 8,7763. Модель распространяется по лицензии Apache-2.0. README не описывает дополнительные сценарии применения или ограничения; результаты оценки относятся только к указанному набору.

CENO Rice CDS — причинная языковая модель команды CladeTeam, дообученная на последовательностях кодирующих участков генов риса Oryza sativa. Она предназначена для воспроизведения экспериментов по оценке последовательностей HTT/polyQ: модель генерирует продолжения последовательностей и позволяет сравнивать их по средней логарифмической вероятности. Модель основана на CENO-base-1b-preview; карточка описывает одноэпоховое дообучение с максимальной длиной обучающих последовательностей 8192 токена. Архитектура использует реализацию CENOForCausalLM, переименованную из Nemotron-H; для токенизации применяется символьный токенизатор CENOCharLevelTokenizer. Модель специализирована на последовательностях CDS риса и сценариях исследовательского скоринга, а не на обычном текстовом диалоге. Значения вероятности отражают правдоподобие последовательности с точки зрения модели и не являются оценкой биологической пригодности или патогенности. Для загрузки через Transformers требуется включить trust_remote_code=True; лицензия — Apache-2.0.

CHMv2 — модель Meta AI для оценки высоты древесного полога по спутниковым изображениям. Она использует замороженный backbone DINOv3 ViT-L и декодер на основе DPT; модель выпущена вместе с глобальными картами высоты полога и рассчитана на применение к спутниковым снимкам без дополнительного дообучения. Модель предназначена для исследователей и государственных организаций, которым нужно измерять высоту и пространственную структуру лесного полога, включая деревья, просветы и границы крон. Такие оценки могут поддерживать исследования биоразнообразия и решения по управлению земельными и лесными ресурсами. В метаданных задача указана как depth-estimation; модель распространяется в формате safetensors и предназначена для использования с Transformers. В README заявлено улучшение точности, детализации и глобальной согласованности относительно исходных карт CHMv2, выпущенных в 2024 году, однако количественные показатели и подробности оценки в карточке не приведены. Лицензия — DINOv3 License; перед использованием следует учитывать её условия.

DrugAssist-7B — языковая модель на архитектуре Llama, разработанная для оптимизации молекул. Проект сопровождается публикацией и набором данных; карточка позиционирует модель как помощника для задач разработки лекарств и работы с молекулами. Модель содержит 6,6 млрд параметров, имеет контекст до 4096 токенов и доступна в форматах PyTorch и GGUF. Она предназначена для генерации текста в диалоговом режиме, в том числе для запросов по оптимизации молекул. Лицензия — Llama 2. Карточка не раскрывает конкретные методы оптимизации, формат представления молекул, результаты оценки или ограничения применения, поэтому качество для отдельных задач разработки лекарств по имеющимся сведениям оценить нельзя.

Goedel-Prover-V2-8B — открытая языковая модель Goedel-LM для автоматической генерации формальных математических доказательств на Lean 4. Она создана на основе Qwen3-8B и дообучена по конвейеру экспертной итерации и обучения с подкреплением. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 40 960 токенов. Модель предназначена для формализации и доказательства теорем, в том числе математических задач олимпиадного уровня. Она генерирует доказательство, а в режиме самокоррекции может пересматривать его с учётом обратной связи от компилятора Lean. В README сообщается результат 83,0% на тестовой части MiniF2F при Pass@32 для версии 8B. Для работы с доказательствами требуется окружение Lean 4 и соответствующая Mathlib; README указывает Lean 4.9. Модель распространяется по лицензии Apache-2.0. Показатели производительности относятся к указанному бенчмарку и режиму оценки; README не описывает отдельные ограничения модели за пределами этой области применения.