IV.6Научные исследования, математика и новые материалы

GlobalWheat/GWFSS_Segformer_b4 — модель семантической сегментации изображений на архитектуре SegFormer, разработанная для сегментации органов пшеницы в полевых изображениях. Она связана с набором данных Global Wheat Full Semantic Organ Segmentation (GWFSS) и предназначена для задач фенотипирования сельскохозяйственных культур. Версия в репозитории основана на SegFormer из Hugging Face; авторы отмечают, что она может отличаться от версии, использованной в научной статье, реализация которой построена на mmsegmentation. В репозитории также доступны веса для mmsegmentation. Модель использует класс SegformerForSemanticSegmentation и опубликована в формате safetensors для библиотеки Transformers. Она дообучена от nvidia/segformer-b1-finetuned-ade-512-512. Лицензия — CC BY 4.0. Модель принимает изображения и выдаёт сегментационные маски. Карточка не приводит конкретные классы сегментации, языки или численные показатели качества.

Карточка модели internlm/internlm2_5-step-prover-critic на Hugging Face совпадает с карточкой WufuJu/internlm2-5-step-prover-critic, поэтому описание составлено по ней. InternLM2.5-Step-Prover-Critic — критическая модель на 1,8 млрд параметров из семейства InternLM2, разработанная командой InternLM-Math. Она предназначена для проверки и оценки отдельных шагов формальных доказательств в Lean 4, помогая решать задачи автоматизированного математического доказательства. В README сообщается о результатах на бенчмарках MiniF2F, ProofNet и Putnam; метаданные указывают архитектуру InternLM2ForRewardModel, PyTorch и контекст до 32 768 токенов. Модель принимает текст и генерирует текстовые оценки или ответы в рамках сценария критика. Карточка не описывает конкретный формат оценки или ограничения применения; лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

InternLM-Step-Prover — разработанная командой InternLM-Math языковая модель на 7,4 млрд параметров для пошагового доказательства математических утверждений в Lean 4. Она обучена на данных Lean-Github и наборах синтеза доказательств, принимает формулировку цели и контекст Lean и предлагает следующий шаг доказательства в формате PROOFSTEP. В карточке заявлены результаты уровня state of the art на MiniF2F, ProofNet и Putnam; для ProofNet приведён результат 18,1%. Модель построена на плотной архитектуре InternLM2, доступна в формате PyTorch, поддерживает контекст до 8192 токенов и предназначена для диалогового текстового взаимодействия. Метаданные указывают лицензию other, поэтому конкретные условия использования следует уточнить в материалах репозитория.

Карточка модели GraphWiz/Mistral-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.

Nocturne v1.2 Teacher — модель распознавания видов по биоакустическим записям, разработанная Stratus Labs. Она предназначена для экологического мониторинга насекомых, амфибий, нелетающих птиц млекопитающих и рептилий; птиц модель не распознаёт. Архитектура — Audio Spectrogram Transformer на основе MIT/ast-finetuned-audioset-10-10-0.4593 с линейной головой для 2 196 классов и многометочной классификацией. На вход подаётся 10-секундная монофоническая запись с частотой 16 кГц, преобразуемая в 128-полосную log-mel спектрограмму; модель выдаёт оценки классов видов. Модель дообучена на данных InsectSet459, небёрдовой части iNat-Sounds-2024 и сильных метках AnuraSet. В описанном замороженном тесте на 13 710 фрагментах она превзошла v1 по macro-F1 и mAP, однако редкие классы слабо проверены: положительные примеры в тесте были только у 732 из 2 182 сопоставленных классов. Для мониторинга амфибий на новых площадках результат хуже, чем у v1, поэтому такие предсказания требуют особенно осторожной проверки. Лицензия модели — CC BY 4.0.

Phaet — визуальная модель Waiv для цифровой патологии, созданная на основе Phikon-v2. Это дообученный энкодер изображений, предназначенный для извлечения признаков из гистологических изображений и их последующего анализа. Модель обучена снижать зависимость результатов от факторов получения изображения, таких как сканер и лаборатория, чтобы повысить устойчивость при переносе между учреждениями и качество последующих задач. Phaet подходит для построения систем анализа тканей и биомаркеров в онкологии, а также для сравнительной оценки моделей патологии. Репозиторий содержит веса в формате safetensors; для загрузки автор рекомендует Transformers с поддержкой удалённого кода. Лицензия указана как other, а доступ к модели ограничен запросом. Waiv распространяет её для исследований и бенчмаркинга.

Plant DNA LLM — семейство моделей, разработанное zhangtaolab для работы с последовательностями растительной ДНК. Эта версия построена на архитектуре Google Gemma с изменённой конфигурацией и специализированным токенизатором BPE для ДНК; модель содержит 106,4 млн параметров, а словарь токенизатора — 8000 единиц. В метаданных указан контекст 1024 токена, а при предобучении использовались последовательности длиной до 512 токенов. Модель обучена авторегрессионным методом CausalLM на эталонных геномах растений из набора zhangtaolab/plant_reference_genomes. Она предназначена для генерации продолжений последовательностей ДНК и исследовательских задач в области геномики растений. Для запуска README указывает библиотеку Transformers. Модель ориентирована на последовательности ДНК, поэтому её применение к обычному тексту не является целевым сценарием. Лицензия CC BY-NC-SA 4.0 требует атрибуции и распространяет производные материалы на тех же условиях; коммерческое использование ограничено условиями лицензии.

Карточка модели Jack04810/Spac-Qwen3-14B-Spatial-PE-0.008 на Hugging Face совпадает с карточкой Jack04810/spac-qwen3-4b-spatial-pe-8ep, поэтому описание составлено по ней. 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.

tinyllama-mixpretrain-quinoa-sciphi — компактная языковая модель семейства LLaMA, созданная Monsoon NLP на основе TinyLlama/TinyLlama-1.1B-intermediate-step-1431k-3T. Модель прошла дальнейшее предобучение и полное дообучение на данных об аминокислотных последовательностях и научных учебниках: примерно половину обучающих данных составляли белковые последовательности, преимущественно киноа, а половину — текст учебников и материалы для вопросов и ответов. Модель предназначена для генерации текста, работы с последовательностями аминокислот и естественно-языковыми описаниями или вопросами о них. Это плотная авторегрессионная архитектура LLaMA с 1 млрд параметров; максимальный контекст составляет 2048 токенов. Веса доступны в формате safetensors, лицензия — Apache-2.0. Карточка не приводит результатов оценки качества, поэтому надёжность ответов о белках и научных темах по ней определить нельзя.

Waypoint-170m — авторская GPT-2-подобная причинная языковая модель от outpost-bio, обученная на строках таксономических меток из данных микробиома. Она предназначена для исследовательского моделирования последовательностей таксонов: изучения совместной встречаемости таксонов, получения представлений и экспериментов с генерацией. Модель принимает текстовые последовательности, разделённые переводами строк, использует специальный таксономический токенизатор и требует удалённый код из репозитория. Модель подходит для прототипирования и исследований последовательностей таксонов, но не является диагностическим или клиническим инструментом и не проверена для регулируемых или критически важных решений. Указана лицензия Apache-2.0; доступ к репозиторию ограничен и требует аутентификации на Hugging Face.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted_v2_lr-5e5 — англоязычная BERT-модель с 137,6 млн параметров, дообученная Mardiyyah на наборе Mardiyyah/TAPT_CeLLaTe2.0 на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Она предназначена для предсказания замаскированных слов в биомедицинских текстах и адаптации языковой модели к этому корпусу. Модель использует архитектуру BertForMaskedLM, принимает текст и выдаёт текстовые предсказания; контекст ограничен 512 токенами. В README указаны значения на оценочном наборе: loss 1,1756, accuracy 0,7630 и perplexity 3,2401. Модель распространяется по лицензии Apache-2.0.

CeLLaTe-tapt-pubmedbert-tokenizer-original-baseline — англоязычная модель для предсказания пропущенных токенов в биомедицинских текстах. Она дообучена Mardiyyah на наборе Mardiyyah/TAPT_CeLLaTe2.0 на основе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Модель построена на архитектуре BERT с 136,7 млн параметров и контекстом до 512 токенов; её задача в Hugging Face — fill-mask. Модель подходит для восстановления пропусков и предсказания следующего по контексту слова в биомедицинских публикациях и других англоязычных медицинских текстах. На оценочном наборе указаны loss 0,9726, accuracy 0,7783 и perplexity 2,6448; эти результаты относятся к набору из карточки и не гарантируют аналогичного качества на других данных. Распространяется по лицензии Apache-2.0.

chemfie-gpt-experiment-1 — экспериментальная GPT-2-модель для генерации молекул в представлении SELFIES. Автор описывает её как учебный проект и базовую точку для сравнения архитектур, дополнения данных и изменений процесса обучения. Модель использует архитектуру GPT2LMHeadModel с конфигурацией L8, A6, H384 и контекстом 512 токенов; для запуска применяется Transformers и формат весов safetensors. Модель обучалась на объединённой подборке из COCONUTDB, ChEMBL34 и SuperNatural3. Она генерирует SELFIES-строки, которые можно декодировать в SMILES. Это подходит для экспериментов с генерацией молекулярных структур и сравнения способов обучения, но качество и валидность результатов непостоянны. Автор отмечает, что токенизатор требует ручной настройки, а генерация сложных разветвлённых и циклических молекул ещё не оценена. Лицензия — CC BY-NC-SA 4.0; автор предназначает модель для обучения и исследований, без коммерческого применения.

weecology выпустила CropModel для классификации видов деревьев по изображениям крон, обнаруженных детектором DeepForest. Модель определяет один из 148 видов, используя коды USDA PLANTS. Она обучена на 16 348 RGB-изображениях крон из 29 площадок NEON в Северной Америке; редкие виды с менее чем шестью примерами исключены из набора. Архитектура — ResNet-18 с предварительным обучением на ImageNet. На вход подаются RGB-изображения размером 224×224 пикселя с нормализацией ImageNet. Модель предназначена для экологических исследований и анализа видового состава деревьев по данным дистанционного наблюдения. Её можно использовать после обнаружения крон системой DeepForest, например, для автоматической разметки крон по видам. На тестовой выборке точность составила 39,3%, macro F1 — 0,23, weighted F1 — 0,39, поэтому качество заметно различается между классами и требует проверки для конкретной территории. Лицензия — MIT.

DIVER-1-0.1s-tiny — это компактный энкодер для внутричерепных нейрофизиологических сигналов, опубликованный в библиотеке Braindecode на основе весов проекта DIVER-1 авторов Han и соавторов (2025). В модели 12,7 млн параметров; она разбивает сигнал на патчи длительностью 0,1 секунды и была предварительно обучена на внутричерепленных записях. Репозиторий содержит веса энкодера в формате PyTorch Safetensors, преобразованные для `braindecode.models.DIVER1`. Модель извлекает признаки из сигналов iEEG, включая SEEG, ECoG и DBS; поддерживаются также каналы скальповой EEG. Для входа сигнал нужно привести к частоте 500 Гц и передать положения электродов в `chs_info` в метрах. Эмбеддинги можно использовать как представления сигналов для последующей классификации и других задач анализа нейрофизиологических записей. Веса получены преобразованием официального чекпойнта: bfloat16-тензоры приведены к float32, имена параметров адаптированы, а токен маскирования и головы реконструкции удалены. В поставке нет классификационной головы, поэтому для прикладной классификации требуется дообучение. Проверено совпадение признаков энкодера с официальной моделью на CPU в float32; это не подтверждает качество downstream-задач, работу GPU или смешанную точность. Лицензия — MIT.

allenai/drug_combinations_lm_pubmedbert — англоязычная модель семейства BERT от Allen Institute for AI, основанная на PubMedBERT. Её дополнительно предварительно обучили на аннотациях PubMed, вероятно посвящённых терапиям с несколькими препаратами, чтобы адаптировать представления модели к этой области. Модель содержит 136,7 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Основное назначение — предсказывать замаскированные слова в биомедицинских текстах. В исследовании извлечения отношений между комбинациями препаратов она показала лучшие результаты среди контекстных энкодеров, выступая компонентом более крупной модели классификации отношений; сама по себе она не является готовой системой извлечения отношений. Для использования модели авторы просят цитировать работы PubMedBERT и датасета по извлечению n-арных отношений комбинаций препаратов. Лицензия в предоставленных данных не указана.

FART_Augmented — модель классификации текста на базе RoBERTa от FartLabs. В карточке Hugging Face указано, что репозиторий содержит модель для text-classification и опубликован в коллекции моделей FART, связанной с работой «A Chemical Language Model for Molecular Taste Prediction». Архитектура — RobertaForSequenceClassification; в предоставленных метаданных указаны 96,6 млн параметров и контекст до 514 токенов. Модель предназначена для классификации текстовых последовательностей. Связь с прогнозированием вкуса молекул отражена в названии коллекции и работе, однако карточка не описывает конкретные метки, данные обучения или результаты этой модели. В карточке также не указаны лицензия и языки; поэтому эти характеристики нельзя уточнить.

Goedel-Prover-V2-32B — языковая модель Goedel-LM для автоматической генерации формальных математических доказательств. Это плотная модель архитектуры Qwen3ForCausalLM с 29,7 млрд параметров, дообученная на базе Qwen/Qwen3-32B; для запуска предусмотрена библиотека Transformers, веса опубликованы в формате safetensors. Модель ориентирована на формализацию и доказательство теорем в Lean, включая задачи олимпиадной математики. В обучении использованы синтетические задачи возрастающей сложности и обучение с подкреплением. Модель умеет исправлять доказательства по обратной связи компилятора Lean; README описывает два раунда такой самокоррекции. Заявлены результаты 88,0% Pass@32 на MiniF2F в стандартном режиме и 90,4% в режиме самокоррекции, а также решение 64 задач PutnamBench при Pass@64. Эти показатели относятся к условиям оценивания, описанным авторами. Модель принимает текстовые запросы и генерирует текст с доказательствами; в каталожных метаданных указаны диалоговый режим и интерфейс вызова инструментов. Контекст составляет до 40 960 токенов. README не перечисляет поддерживаемые естественные языки. Лицензия — Apache-2.0. Для получения пользы от самокоррекции требуется обратная связь компилятора Lean; результаты бенчмарков сами по себе не гарантируют корректность доказательства для произвольной задачи.

Kimina-Prover-AI-MO-GGUF — семейство языковых моделей для формального доказательства теорем в Lean 4. Модели разработаны командами Project Numina и Kimi и распространяются в формате GGUF. В набор входят варианты Kimina-Prover-Distill и Kimina-Prover-RL размером 0,6B, 1,7B и 8B параметров; базовыми моделями указаны Kimina-Prover-Distill-1.7B, Kimina-Prover-RL-1.7B, Kimina-Prover-RL-0.6B, Kimina-Prover-Distill-0.6B и Kimina-Prover-Distill-8B. Заявленный язык — английский, тип конвейера — генерация текста. Модели предназначены для строгого математического рассуждения и автоматической генерации формальных доказательств в Lean 4, в частности для задач соревновательного уровня. Distill-варианты дистиллированы из более крупной Kimina-Prover-72B и ориентированы на эффективную работу при меньшем размере. RL-варианты дополнительно дообучены с использованием обучения с подкреплением. В README приведены результаты на MiniF2F-test: до 68,85% Pass@32 для Distill-0.6B, 72,95% для Distill-1.7B, 71,3% для RL-0.6B и 76,63% для RL-1.7B. Сильными сторонами являются специализация на формальной математике, поддержка Lean 4 и наличие нескольких размеров и уровней GGUF-квантизации, позволяющих выбирать баланс между качеством и требованиями к памяти. Ограничения README не раскрывает архитектуру, размер контекста, точные характеристики варианта 8B, требования к оборудованию и подробности использования; заявленные показатели относятся к конкретным вариантам и метрике Pass@32. Модели распространяются по лицензии Apache-2.0.

MegaDescriptor-B-224 — модель извлечения визуальных признаков на основе Swin-B, предварительно обученная Supervisely на наборах данных для повторной идентификации животных. Она предназначена для получения эмбеддингов изображений, по которым можно сопоставлять особей и искать повторные появления животных на фотографиях. Архитектура — swin_base_patch4_window7_224, размер входного изображения — 224 × 224 пикселя, число параметров — 109,1 млн. Модель рассчитана на сценарии повторной идентификации животных и работы с визуальными признаками в экологических исследованиях и мониторинге дикой природы. В метаданных Hugging Face указана задача image-classification, а веса представлены в формате PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Minnow-Math-1.5B — базовая научная языковая модель, разработанная KiteFishAI и обученная с нуля на исходниках arXiv в формате LaTeX по математике, информатике и теоретической физике. Это плотный декодерный трансформер архитектуры LLaMA примерно на 1,4 млрд параметров, распространяемый в формате safetensors. Модель предназначена для генерации научного текста и экспериментов с математическим языковым моделированием, структурой LaTeX и дообучением научных моделей. Модель обучалась на корпусе около 200 ГБ и примерно 52 млрд токенов предобучения с дополнительными 5 млрд токенов постобучения. Контекст составляет 4096 токенов, однако обучение велось на последовательностях длиной 768 токенов. Карточка указывает английский язык. Модель хорошо воспроизводит научный стиль и структуру LaTeX, но не настроена на выполнение инструкций или диалог, имеет ограниченную глубину рассуждений и может показывать низкую точность на общих и специализированных бенчмарках без дополнительного дообучения. Лицензия — MIT.

Nocturne v1.1 Teacher — разработанная Stratus Labs модель классификации биоакустических записей для распознавания видов, не относящихся к птицам: насекомых, амфибий, млекопитающих и рептилий. Она предназначена для пассивного акустического мониторинга биоразнообразия, экологических исследований, оповещения о сельскохозяйственных вредителях и обследований присутствия амфибий. Модель использует Audio Spectrogram Transformer (AST), инициализированный весами MIT/ast-finetuned-audioset-10-10-0.4593, с линейной выходной головой на 2182 вида и многометочной классификацией. На вход подаётся 10-секундная монофоническая запись с частотой 16 кГц, преобразуемая в 128-полосную log-mel спектрограмму. Для порога обнаружения доступны общие и откалиброванные по классам значения. По данным карточки, на 300 тестовых записях не-птичьих видов точность top-1 составила 76,7%; качество при этом зависит от таксона и места записи. Модель не предназначена для определения птиц, обнаружения ультразвуковой эхолокации летучих мышей или подтверждения отсутствия вида. Географические и таксономические смещения обучающих данных могут снижать качество на недопредставленных видах и территориях; результаты для природоохранных решений требуют проверки специалистом. Лицензия модели — CC-BY-4.0.

OrcaHello SRKW Detector V1 — модель Akash Mahajan, Prakruti Gogia и Aayush Agrawal для обнаружения звуковых сигналов южных резидентных косаток в записях подводных микрофонов. Она классифицирует аудиофрагмент как содержащий или не содержащий сигнал косатки и предназначена для анализа записей гидрофонных сетей и отбора кандидатов на проверку специалистами. Модель использует ResNet50 с классификационной головой; входные аудиоданные преобразуются в мел-спектрограмму с одним каналом, 256 мел-полосами и 312 временными кадрами. Веса ResNet50 предварительно обучены на ImageNet, затем модель дообучена на размеченных записях сети Orcasound в заливе Пьюджет. Репозиторий содержит веса Safetensors; карточка описывает перенос исходной FastAI-модели в PyTorch. Лицензия — OrcaHello RAIL. Модель полезна для первичного скрининга аудиоархивов и сигнализации о возможных вызовах косаток, но для надёжных оповещений рекомендуется проверка специалистом. Данные обучения преимущественно относятся к гидрофонам Orcasound в заливе Пьюджет, поэтому качество может меняться в других акустических условиях; шум судов, фоновые звуки и сигналы других морских животных могут вызывать ложные срабатывания. Модель рассчитана на фиксированные сегменты длиной 4 секунды, а более короткие сегменты дополняются нулями.

ToPo-ToPo/Ornith-1.0-9B-mlx-bf16 — конверсия модели Ornith-1.0-9B в формат MLX с точностью bfloat16 для запуска на компьютерах Apple Silicon. Исходная модель разработана deepreinforce-ai; архитектура — плотная Qwen3.5 с условной генерацией, поддерживающая диалог и работу с изображениями. Модель предназначена для запросов к изображениям и визуальных сценариев, включая использование в агентном конвейере CAD и FEM. Репозиторий содержит веса в safetensors, эффективная точность — 16 бит на вес, а для загрузки и генерации предлагается библиотека mlx-vlm. README сообщает о проверке на геометрически точном выводе CAD в агентном CAD+FEM конвейере. Модель распространяется по лицензии MIT.

Poisson Denoising + 4x Super-Resolution — сверточная остаточная нейросеть, разработанная для соревнования DLP 26T2 NPPE3. Модель с 1,52 млн параметров совместно подавляет пуассоновский шум и увеличивает тёмные изображения в четыре раза: с 160×256 до 640×1024 пикселей. Архитектура включает 16 остаточных блоков, глобальный пропуск и два этапа PixelShuffle; к выходу добавляется бикубически увеличенное исходное изображение. Модель рассчитана на восстановление тёмных сцен с пуассоновским шумом, соответствующим параметру g=2,55. Она сохраняет исходную яркость и оптимизирована по PSNR яркостного канала, а не по субъективной резкости или воспринимаемому качеству. Усреднение результатов восьми диэдральных преобразований даёт небольшой дополнительный прирост качества. Опубликованный результат на открытом лидерборде Kaggle — 39,68299 PSNR. Модель ожидает изображения фиксированного размера 160×256. Она может работать хуже на более ярких изображениях, а гауссов шум, артефакты сжатия и размытие не соответствуют обучающим данным. Результат может выглядеть сглаженным, особенно на границах. Лицензия — MIT.

Pythagoras-Prover-32B — плотная авторегрессионная языковая модель для формального доказательства теорем на Lean 4, разработанная командой Pythagoras-LM. Это дообученная версия Qwen3-32B с 29,7 млрд параметров; модель распространяется в формате safetensors и рассчитана на контекст до 40 960 токенов. Она генерирует Lean-доказательства для математических задач, включая задачи из соревнований, которые можно проверить компилятором Lean. Обучение включало SFT и обучение с подкреплением с наградой за успешную компиляцию Lean, а также синтетические данные и дистилляцию. В README указаны результаты 93,03% на MiniF2F-Test и 93 решённые задачи PutnamBench; это результаты авторской оценки по описанным протоколам, а не гарантия для других задач или условий. Для запуска предлагается Transformers. Лицензия — Apache-2.0.

Модель Restor / ETH Zurich для семантической сегментации древесного покрова на аэрофотоснимках высокого разрешения. Это вариант SegFormer с архитектурой mit-b5; модель размечает каждый пиксель как покрытый или не покрытый кронами деревьев и не выделяет отдельные деревья. Основной сценарий применения — оценка доли площади, занятой древесным пологом, на снимках с разрешением около 10 см на пиксель. Для обработки крупных ортофотопланов требуется внешний конвейер разбиения снимков на тайлы и сборки предсказаний; для анализа конкретной территории результаты можно ограничить областью интереса. Модель обучена на глобальных аэрофотоснимках из набора Restor TCD. Среди ограничений — ложные срабатывания на кустарники и похожую растительность, неодинаковое качество для недопредставленных биомов и возможная зависимость результатов от разрешения снимка. Она не оценивает биомассу или высоту крон и не подходит для оценки углеродных кредитов без отдельной проверки. Метаданные указывают лицензию CC; в карточке также отмечено, что исходные изображения включают лицензированные на условиях CC BY-NC данные, а для SegFormer действуют условия NVIDIA, которые следует проверить перед развертыванием.

zlyngkhoi/txgemma-2b-trialbench-sft — плотная языковая модель на архитектуре Gemma 2, созданная zlyngkhoi путём дообучения google/txgemma-2b-predict с помощью Aligntune. Модель содержит 2,7 млрд параметров, принимает текст и генерирует текст; контекстное окно — 8192 токена. Модель предназначена для текстовых прогнозов свойств лекарственных средств и связанных биологических объектов, а также для задач, где требуется дообученная версия TxGemma-2B-Predict. README не уточняет конкретную схему обучения или специализированные сценарии trialbench. Базовая модель Google обучалась на терапевтических данных; это не подтверждает точность прогнозов для клинических решений. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

AION-large — модель polymathic-ai для анализа астрономических данных обзоров неба. Она предназначена для адаптации к различным задачам астрономии с помощью мультимодального маскированного моделирования; в карточке указаны данные Legacy Survey, HSC, SDSS, DESI и Gaia. Модель построена на архитектуре Transformer типа encoder-decoder: 24 блока в кодировщике и декодировщике, размерность 1024 и 16 голов внимания. Она работает с 39 типами астрономических данных, включая изображения, спектры, каталоги, фотометрию, параллакс и параметры формы объектов. В README размер указан как 800 млн параметров в кратком описании и 300 млн в разделе характеристик, поэтому точный размер неясен. Модель рассчитана на специализированное применение в астрономии и не является универсальным генератором текста. Лицензия — MIT. Подробные результаты оценки качества и ограничения по конкретным задачам в карточке не приведены.

AstroLLaMA-3-8B-BaseAIC — специализированная языковая модель команды AstroMLab, полученная непрерывным предобучением Meta LLaMA 3 8B на разделах Abstract, Introduction и Conclusion статей arXiv по астрофизике. Это плотная авторегрессионная модель семейства LLaMA с 7,5 млрд параметров и контекстом до 8192 токенов; она принимает текст и предсказывает продолжение, а не предназначена для диалога или выполнения инструкций. Модель рассчитана на генерацию и анализ текста по астрономии и астрофизике, а также на воспроизводимые исследования предметно-ориентированного дообучения. Обучающие тексты извлекались из PDF с помощью OCR и обрабатывались с суммаризацией. Карточка предупреждает, что обучение только на astro-ph не обеспечило превосходства над исходной LLaMA 3 8B в приведённом сравнении; научные ответы следует сверять с рецензируемыми источниками. Модель распространяется по лицензии MIT.