IV.6Научные исследования, математика и новые материалы

BioMedLM 2.7B — языковая модель, совместно разработанная Stanford CRFM и MosaicML и обученная на биомедицинских аннотациях и полнотекстовых статьях из The Pile. Это авторегрессионная GPT-2-модель с 2,7 млрд параметров, 32 слоями и контекстом 1024 токена; для неё использован специализированный токенизатор, обученный на аннотациях PubMed. Модель предназначена для исследований в биомедицинском NLP: она генерирует текст и может служить основой для дообучения под ответы на вопросы; в карточке указана точность 50,3% на MedQA. Модель поддерживает английский язык. Разработчики предупреждают, что генерация недостаточно изучена и не подходит для производственного применения или сценариев, способных повлиять на людей; ответы могут содержать предубеждения и вредные стереотипы. Лицензия BigScience Open RAIL-M 1.0 запрещает использование модели и её производных для предоставления медицинских рекомендаций и интерпретации медицинских результатов.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted_v2_lr-1e5 — англоязычная модель BERT для заполнения пропусков в тексте, созданная дообучением microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext на датасете Mardiyyah/TAPT_CeLLaTe2.0. Она предназначена для предсказания пропущенных токенов в биомедицинских текстах и может использоваться для адаптации к задачам NLP на медицинской литературе. Модель содержит 137,6 млн параметров, использует архитектуру BertForMaskedLM и принимает текстовые последовательности длиной до 512 токенов. В README указаны результаты на оценочной выборке: loss 1,1540, accuracy 0,7656 и perplexity 3,1710. Модель распространяется под лицензией Apache-2.0.

EEGNet-GNN feature extractor — экстрактор признаков ЭЭГ на основе EEGNet с графовой свёрткой вместо пространственной глубинной свёртки во втором слое. Модель предназначена для формирования вектора признаков по сигналам с 22 электродов в порядке BCI Competition IV-2a; классификатор в неё не входит, поэтому для предсказаний поверх вектора нужно подключить собственную голову, например линейный слой или MLP. Графовая свёртка смешивает сигналы электродов с учётом соседства на коже головы. Матрица смежности для 22 каналов включена в чекпойнт; размер выходного вектора с настройками по умолчанию — 496. Модель принимает тензор формы (batch, 1, 22, T) и выдаёт вектор признаков формы (batch, flat_dim). Реализация построена на PyTorch и требует определения класса из eegnet_gnn.py вместе с весами. Модель разработал пользователь shemalfoy. Она предназначена для задач анализа ЭЭГ и BCI, в частности для построения признаков перед обучением пользовательского классификатора. Лицензия репозитория — MIT. Для другого набора электродов необходимо перестроить матрицу смежности и переобучить модель.

IvanHU/esmc-ar-848m-ple-5b — авторегрессионная белковая языковая модель, разработанная автором репозитория и обученная с нуля на 5 млрд токенов аминокислотных последовательностей. Это не исходная ESMC-300M и модель не использует её предобученные веса. В метаданных указано 335,6 млн параметров, тогда как README заявляет 848 446 464 параметра; размер модели в источниках расходится. Архитектура на основе блоков ESMC адаптирована для причинного предсказания следующего токена и дополнена PLE — обучаемыми n-граммными эмбеддингами в 32 слоях. Модель принимает аминокислотные последовательности и генерирует продолжения; контекст обучения составляет 2048 токенов. Она предназначена для экспериментов с генерацией белковых последовательностей, однако качество генерации и биологическая функциональность не оценивались. Для генерации нужен непустой аминокислотный префикс, а суммарная длина префикса и продолжения должна укладываться в 2048 токенов. KV-кэширование не реализовано, поэтому при генерации контекст пересчитывается; настройки по умолчанию подавляют все выходные токены, кроме 20 стандартных аминокислот, включая EOS, поэтому необходимо явно задать max_new_tokens. Для текстов со строками аминокислот следует использовать встроенный токенизатор; сырые ID токенов ProGen3 напрямую несовместимы. README описывает проверку согласованности экспорта, но не биологическую валидацию. Репозиторий содержит веса safetensors и файлы для инференса; сведения о лицензии в предоставленных данных отсутствуют.

granite-geospatial-biomass — модель геопространственного анализа, разработанная IBM и представленная в рамках набора инструментов TerraTorch. Она оценивает надземную биомассу растений по оптическим спутниковым изображениям Harmonized Landsat and Sentinel-2 (HLS) L30; целевые значения при дообучении взяты из набора GEDI L4A. Модель предназначена для регрессии с пиксельными прогнозами и обучалась на данных из 15 биомов по всему миру. В основе модели лежит геопространственная foundation-модель с архитектурой Swin-B, предварительно обученная методом SimMIM на данных HLS2. Для задачи регрессии используется UPerNet с двумя слоями Pixel Shuffle для увеличения разрешения карты прогнозов. Модель может помогать оценивать урожайность, запасы древесины и углерод, накопленный природными экосистемами. Для подготовки входных данных авторы описывают создание облачно-свободных сезонных композитов HLS и сопоставление их с измерениями GEDI. Модель распространяется по лицензии Apache-2.0. Прогнозы зависят от качества и сезонной репрезентативности спутниковых композитов; обучающие измерения GEDI пространственно и временно разрежены, а обработка требует подготовленных геопространственных данных. IBM указывает, что не обязуется поддерживать или обновлять проект.

Классификатор изображений гербарных образцов растений от проекта herbarium-pipeline. Модель использует визуальный backbone ViT-Large с патчами 16×16 и DINOv3 LVD1689M и определяет вид растения среди 72 классов порядка Icacinales, представленных в Африке. Для классификации принимает изображение размером 640 пикселей; в README указана точность 0,9120 на валидации. Модель предназначена для определения видов по фотографиям гербарных образцов и интегрируется в приложение herbarium-id Space. Лицензия и условия распространения в доступных данных не указаны.

KRONOS — фундаментальная модель для пространственной протеомики, разработанная группой Mahmood Lab AI for Pathology при Harvard/BWH. Это Vision Transformer-Small для мультиплексных изображений; модель обучалась в режиме self-supervised на 47 миллионах патчей с одиночными маркерами: 175 белковых маркеров, 16 типов тканей, 8 платформ визуализации и 5 учреждений. Модель предназначена для извлечения признаков из изображений пространственной протеомики и рассчитана на работу с данными разных панелей. Архитектура использует общий channel-wise stem и синусоидальные эмбеддинги идентификаторов маркеров, обеспечивая совместимость с многомерными мультиплексными данными. В репозитории указаны веса PyTorch и pipeline image-feature-extraction. Доступ ограничен: запрос требует согласия с условиями использования и институционального адреса электронной почты, установленного основным в аккаунте Hugging Face. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных материалов. Модель помечена как устаревшая: авторы рекомендуют KRONOS2, а для сквозных рабочих процессов — CORAL; запросы по KRONOS больше не рассматриваются.

MegaDescriptor-L-224 — визуальная модель извлечения признаков для повторной идентификации животных, предварительно обученная Supervisely на наборах данных по реидентификации животных. Она использует архитектуру Swin-L (swin_large_patch4_window7_224), содержит 228,6 млн параметров и принимает изображения размером 224 × 224 пикселя. Модель формирует эмбеддинги изображений, пригодные для сравнения особей и поиска повторных наблюдений. Модель предназначена для экологических исследований и систем мониторинга дикой природы, где требуется сопоставлять фотографии животных, в том числе полученные с фотоловушек. В метаданных Hugging Face она размечена задачей image-classification, однако карточка описывает её как backbone для извлечения визуальных признаков и реидентификации. Для использования весов указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое применение.

MegaDescriptor-S-224 — модель извлечения визуальных признаков на базе Swin-S, предварительно обученная Supervisely на наборах данных для повторной идентификации животных. Она преобразует изображения в эмбеддинги для сравнения особей и может использоваться как backbone в системах распознавания животных по фотографиям. Архитектура — Swin Transformer `swin_small_patch4_window7_224` с 49,6 млн параметров; входной размер изображения — 224 × 224 пикселя. Модель предназначена для задач идентификации и сопоставления изображений животных в исследованиях дикой природы и экологических проектах. В репозитории указаны формат PyTorch и лицензия CC BY-NC 4.0, которая ограничивает использование некоммерческими целями. В карточке описан backbone для извлечения признаков; отдельные гарантии качества на новых видах и условиях съёмки не заявлены.

MiewID-msv2 — модель извлечения признаков изображений для повторной идентификации диких животных. Она обучена контрастивным методом на объединённых данных по 54 наземным и водным видам; в примерах — тигры, белухи и синие киты. Модель сопоставляет изображения особей по характерным частям тела, включая плавники, хвостовые плавники, бока и морды. Модель предназначена прежде всего для поиска той же особи в базе размеченных изображений. Полученные признаки также можно использовать для классификации видов методом поиска похожих примеров. Архитектура — MiewIdNet; размер модели составляет 51,11 млн параметров, расчётная сложность — 24,38 GMACs, рекомендуемый размер входного изображения — 440 × 440 пикселей. Репозиторий использует формат safetensors и библиотеку Transformers. В README сообщается об улучшении результатов по сравнению с моделями, обученными на одном виде, и о хорошей обобщающей способности для большинства видов при проверке с исключением одного вида из обучения. Качество заметно зависит от вида и набора данных: приведённые результаты различаются, поэтому их нельзя считать гарантией для конкретной популяции или условий съёмки. Лицензия в предоставленных данных не указана.

OProver-8B — языковая модель семейства Qwen3, опубликованная в рамках проекта OProver для автоматического формального доказательства теорем в Lean 4. Веса содержат около 7,6 млрд параметров, модель доступна в формате safetensors, а её контекст составляет до 40 960 токенов. Для работы с доказательствами модель рассчитана на итеративный агентный процесс: получает утверждение Lean, найденные примеры проверенных доказательств и при необходимости предыдущую попытку с сообщением компилятора, после чего предлагает или исправляет доказательство. Модель предназначена для генерации и пошагового исправления формальных доказательств, а также для исследовательских экспериментов с автоматизированным доказательством теорем. В README проект сообщает о результатах OProver-8B на нескольких математических тестах, но конкретные численные показатели относятся к разным этапам обучения и требуют сверки с таблицами статьи. Для описанного цикла нужны Lean 4, проверка компилятором и механизм поиска по корпусу доказательств OProofs; одна генерация текста сама по себе не гарантирует корректность доказательства. Модель распространяется по лицензии Apache-2.0.

Red Pill — англоязычная языковая модель для фармацевтических исследований и разработки, созданная saidutta69 на базе MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking-heretic. Модель дообучена методом LoRA на наборе RED-PILL из 1 047 многоходовых инструкций по поиску лекарств, разработке лекарственных форм, синтезу, регуляторным вопросам и научной литературе; веса LoRA объединены с базовыми весами. Архитектура — плотная модель семейства Llama с 837,6 млн параметров, поддерживает контекст до 131 072 токенов и работает через Transformers. Модель предназначена для генерации ответов на вопросы о поиске и оптимизации молекул, оценке ADMET, виртуальном скрининге, анализе SAR, разработке составов и выборе вспомогательных веществ. В тестировании на 32 экспертных вопросах лучший результат показан в категории принятия решений — 41,4%; оценка формуляций составила 24,8%, молекулярного анализа — 22,6%. Модель рассчитана на исследовательские и вспомогательные сценарии, а её ответы требуют проверки специалистами. Небольшой размер и ограниченный объём обучающих данных снижают надёжность сложных многошаговых рассуждений и охват предметной области. Модель работает на английском языке, не располагает данными в реальном времени и не проходила валидацию для практического применения. Лицензия — MIT.

Это модель семантической сегментации изображений на основе SegFormer-B4, дообученная автором репозитория peldrak на наборе данных peldrak/coastTrain. Она предназначена для попиксельного анализа прибрежных сцен: модель различает воду, белую пену волн, осадочные породы, другие природные поверхности, растительность, застройку и неизвестные области. В метаданных указана базовая модель nvidia/segformer-b4-finetuned-cityscapes-1024-1024, формат весов — safetensors, лицензия — other. На оценочном наборе указаны mean IoU 0,792 и общая точность 0,936. Результаты различаются по классам: IoU белой пены волн составляет 0,520, а воды — 0,919, поэтому качество зависит от типа поверхности. Карточка не сообщает дополнительных сведений о целевом разрешении, условиях эксплуатации или ограничениях.

StepFun-Formalizer-7B-GGUF — версия в формате GGUF модели StepFun-Formalizer-7B, опубликованная пользователем tinyopsec. Базовая модель разработана StepFun и предназначена для автоматической формализации: она преобразует математические задачи, сформулированные на естественном языке, в формальные утверждения на Lean 4. Модель дообучена на DeepSeek-R1-Distill-Qwen-7B и, согласно карточке, показывает высокие результаты на тестах FormalMATH-Lite, ProverBench и CombiBench. Репозиторий содержит файлы GGUF в точности F16 и нескольких вариантах квантизации; F16 занимает около 15 ГБ, а для запуска требуется примерно 16 ГБ видеопамяти. Карточка описывает применение через llama.cpp, llama-cpp-python, LM Studio и Ollama. Метаданные указывают лицензию Apache-2.0 и возможность диалогового использования. Модель ориентирована на математические запросы на английском языке; качество формализации и корректность результата следует проверять в Lean 4, поскольку ошибки в переводе могут привести к неверным формальным утверждениям.

Модель restor/tcd-segformer-mit-b2 разработана Restor и ETH Zurich для семантической сегментации древесного покрова на аэрофотоснимках. Она классифицирует каждый пиксель как покрытый или не покрытый кронами деревьев и рассчитана на изображения с разрешением около 10 см на пиксель. Модель построена на архитектуре SegFormer с энкодером MiT-B2 и предназначена для анализа отдельных тайлов; обработка крупных ортофотопланов требует внешнего разбиения на тайлы и объединения результатов. Основной сценарий — оценка доли территории, занятой древесным пологом, с анализом нужной области интереса. Модель не распознаёт отдельные деревья и не оценивает биомассу или высоту крон. Возможны ложные срабатывания на кустарниках и другой растительности, а качество может снижаться для недопредставленных биомов и снимков с другим разрешением. В карточке указана лицензия CC; авторы отмечают, что SegFormer распространяется по отдельной исследовательской лицензии, а обучающие изображения включают материалы CC BY-NC, поэтому перед использованием следует проверить применимые условия лицензирования.

ZUNA — базовая модель для электроэнцефалографии (ЭЭГ), разработанная Zyphra и подготовленная NeuroTechX в совместимом с Hugging Face формате. Это энкодер-декодерная архитектура на 382 млн параметров: энкодер преобразует сигналы ЭЭГ в латентные представления, а декодер использует flow-matching diffusion. Сборка NeuroTechX представляет собой самостоятельную копию весов mhough/zuna-base, совместимую с Transformers и загружаемую с trust_remote_code. Модель предназначена для извлечения признаков и получения латентных представлений сигналов ЭЭГ, в том числе в инструментарии NeuroTechX. README описывает энкодер как источник латентных эмбеддингов; данных о конкретных клинических или диагностических сценариях не приведено. Репозиторий содержит веса safetensors и указывает лицензию other, условия которой следует проверить перед использованием. Для загрузки требуется разрешить выполнение кода репозитория через trust_remote_code.

AstroLLaMA-2-70B-Base_AIC — базовая языковая модель AstroMLab для астрономии и астрофизики, созданная дообучением Meta LLaMA 2 на статьях arXiv. Она предназначена для предсказания следующего токена и генерации научного текста, а не для диалогов и выполнения инструкций. Обучение продолжалось на разделах аннотации, введения и заключения статей из категории astro-ph, опубликованных до июля 2023 года; использовался continual pre-training с LMFlow. Модель содержит 68,7 млрд параметров, построена на архитектуре LLaMA и имеет контекстное окно 4096 токенов. Модель подходит для продолжения астрономических текстов и работы с формулировками из научной литературы. Для критических научных выводов её ответы следует проверять по первоисточникам: модель может генерировать вводящий в заблуждение контент. Лицензия — MIT.

QizhiPei/biot5-plus-base-mol-instructions-protein — текстовая модель семейства T5 для генерации текста по текстовому запросу. Репозиторий содержит веса для Transformers в форматах PyTorch и Safetensors; архитектура — T5ForConditionalGeneration, размер — 126 млн параметров. По названию репозитория модель предназначена для работы с молекулярными инструкциями и белками, однако README не описывает конкретные задачи и качество модели. Модель использует английский язык и распространяется по лицензии MIT. Её можно загружать вместе с токенизатором через Transformers. Длина контекста и специальные ограничения применения в карточке не описаны.

Это классификатор клеток костного мозга на базе Ultralytics YOLO, опубликованный пользователем ghostsas001. Модель относит отдельные изображения клеток из мазков костного мозга к одному из 20 типов; входные изображения имеют размер 250 × 250 пикселей, а при примере применения используется размер 224 пикселя. Для классификации модель возвращает вероятности классов и наиболее вероятную метку. На тестовой выборке из 17 137 клеток указаны сбалансированная точность 79,48 %, accuracy 85,30 % и macro F1 76,65 %. Модель обучалась 50 эпох на ограниченной выборке из датасета Bone-Marrow-Cytomorphology_MLL_Helmholtz_Fraunhofer. Лицензия репозитория — AGPL-3.0. Модель предназначена для исследовательского анализа цитологических изображений и не является медицинским устройством. Данные происходят из одной лаборатории; точность может снизиться при использовании других методов окрашивания, микроскопов или когорт. Разделение данных выполнено по изображениям без идентификаторов пациентов, поэтому клетки одного пациента могли попасть в обучающую и тестовую выборки; обучение проведено в одном запуске, а метрики редких классов нестабильны.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask-combinedData — англоязычная модель заполнения пропусков на основе BERT, разработанная Mardiyyah и дообученная на наборе Mardiyyah/Combined_TAPT_dataset. Она рассчитана на предсказание замаскированных слов в биомедицинских текстах и может применяться для анализа медицинской литературы. Модель содержит 138,2 млн параметров, принимает последовательности длиной до 512 токенов и выдаёт вероятности подстановок для пропущенных токенов. Использует архитектуру BertForMaskedLM и формат safetensors. На оценочной выборке указаны loss 2,2865, accuracy 0,5769 и perplexity 9,8401. Лицензия Apache-2.0. README не приводит подробных сведений о предназначении и ограничениях, поэтому качество на других наборах и пригодность для клинических решений по этим данным определить нельзя.

LikC1606/chinese-babylm-cog-a197-strict-best — модель на основе BERT с пользовательской архитектурой CogAllLayerUncertaintyGate, созданная для трека Cognitive Modeling соревнования NLPCC 2026 Chinese BabyLM. Она объединяет несколько ветвей BERT, статические признаки официального корпуса и признаки неопределённости MLM для извлечения признаков, используемых при сопоставлении языковой обработки с данными fMRI. Модель обучена с нуля на основе случайно инициализированной линии strict BERT, без предварительно обученных внешних чекпойнтов и дистилляции. Модель предназначена для извлечения признаков китайского текста в задачах оценки согласования с мозговой активностью: в README приведены результаты для word_fmri и fmri. Контекст составляет 256 токенов. Это специализированная модель Cog-трека, а не универсальная система понимания языка и не генеративная модель; для загрузки требуется включить trust_remote_code. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

DeepSeek-Prover-V2-671B — открытая большая языковая модель, разработанная командой DeepSeek AI для формального доказательства математических теорем в Lean 4. Модель обучалась с использованием рекурсивного конвейера доказательств, в котором DeepSeek-V3 декомпозирует сложные задачи на подцели, формализует шаги в Lean 4 и генерирует данные для последующего обучения и обучения с подкреплением. Модель предназначена для автоматического поиска и построения формальных доказательств, а также для объединения неформального математического рассуждения с проверяемой формализацией. В процессе подготовки данных для поиска доказательств подцелей использовалась отдельная модель размером 7B, а DeepSeek-Prover-V2-671B дообучалась на синтетических пошаговых доказательствах и оптимизировалась с помощью бинарной обратной связи о корректности результата. Из заявленных характеристик известны размер 671B и специализация на математических задачах в Lean 4; сведения о других модальностях, языках, длине контекста и точной архитектуре в представленном README не указаны. Модель показала 88,9% успешных решений на тестовой части MiniF2F и решила 49 из 658 задач PutnamBench, что указывает на сильные возможности в нейронном доказательстве теорем. Ограничение модели — узкая специализация на формальной математике и необходимость среды Lean 4 для проверки создаваемых доказательств. Для модели указана лицензия Model Agreement; лицензия кода обозначена как MIT.

unsloth/DeepSeek-Prover-V2-671B-GGUF — GGUF-версия модели DeepSeek-Prover-V2-671B, разработанной DeepSeek и распространяемой в формате квантованных файлов через Unsloth. Это крупная языковая модель, предназначенная для формального доказательства теорем в Lean 4 и автоматизированного построения математических доказательств. При обучении использовались рекурсивный поиск доказательств, декомпозиция сложных задач на подцели с помощью DeepSeek-V3, синтетические данные рассуждений и обучение с подкреплением на основе бинарной оценки корректности доказательства. Модель ориентирована на задачи нейросимвольного доказательства, формализацию математических рассуждений и генерацию пошаговых доказательств на Lean 4. Заявлены результаты 88,9% на тестовой части MiniF2F и решение 49 из 658 задач PutnamBench. Указан английский язык. Известный размер — 671B параметров; сведения об архитектуре, длине контекста, точных вариантах квантования и поддержке других модальностей в README не приведены. Формат GGUF может упростить локальный запуск совместимыми средствами, однако модель остаётся чрезвычайно ресурсоёмкой. Сильная сторона модели — специализация на сложном формальном математическом выводе и объединение неформального планирования с проверяемой формализацией в Lean 4. Ограничения включают узкую предметную специализацию, отсутствие подтверждённых характеристик производительности за пределами указанных бенчмарков и высокие требования к вычислительным ресурсам. В метаданных указана лицензия MIT, но в README также присутствует обозначение Model Agreement для лицензии модели, поэтому перед использованием необходимо проверить применимые условия распространения.

FlyWire Olfactory SNN — рекуррентная спайковая нейронная сеть, разработанная организацией MIRE-org для классификации запахов у дрозофилы. Модель обучена на наборе DoOR olfactory receptor response и принимает вектор ответов примерно 52 обонятельных рецепторов. Рекуррентная топология зафиксирована по подграфу коннектома FlyWire: обонятельные проекционные нейроны усиковых долей и клетки Кеньона грибовидного тела. Сеть использует нейроны Leaky Integrate-and-Fire из Norse и 20 временных шагов; обучаются величины весов, а маска связей и знаки синапсов заданы биологической структурой. Модель предназначена для исследовательских сценариев классификации запахов и изучения роли биологически обусловленных связей. Доступна по лицензии MIT.

GeoTree — сверточная модель компьютерного зрения для обнаружения крон деревьев на спутниковых и аэрофотоснимках. В карточке указана архитектура TreeDetectorModel на основе остаточных блоков, Batch Normalization и SiLU; модель принимает RGB- или мультиспектральные изображения размером 640×640 пикселей и предсказывает объекты с помощью рамок. Репозиторий использует PyTorch, лицензия — MIT. Модель предназначена для обнаружения и подсчёта деревьев, картирования лесного покрова и оценки плотности деревьев на снимках территории Бангладеш. Среди упомянутых источников данных — Sentinel-2, PlanetScope и ортомозаики с дронов. Результаты могут использоваться для лесного и сельскохозяйственного мониторинга, отслеживания обезлесения и восстановления лесов, а также оценок углеродных запасов и биомассы. Заявленные в README показатели качества высоки, однако описание не раскрывает состав и объём обучающей выборки, независимую проверку метрик или переносимость на другие регионы и сенсоры. Поэтому качество на новых данных следует оценивать отдельно; указанная географическая специализация — Бангладеш.

TxGemma-9B-Chat — языковая модель Google, адаптированная для задач, связанных с терапевтическими разработками и созданием лекарственных средств. Представленная версия — квантованная сборка в формате GGUF, подготовленная bartowski с использованием llama.cpp и imatrix-квантизации. Модель ориентирована на генерацию текста и работу в диалоговом формате. Модель содержит около 9 миллиардов параметров и поддерживает английский язык. Она предназначена для локального запуска через llama.cpp, LM Studio и совместимые проекты. В README указано, что системный промпт не поддерживается; для взаимодействия используется специальный шаблон с ролями пользователя и модели. Длина контекста и точная архитектура в предоставленных данных не указаны. Доступно множество вариантов квантизации — от BF16 до форматов Q8, Q6, Q5, Q4 и Q3, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Более высокие уровни квантизации обеспечивают качество, близкое к исходной модели, тогда как компактные варианты подходят для систем с ограниченным объёмом оперативной памяти, но могут заметнее уступать по качеству. Использование модели регулируется условиями Health AI Developer Foundation; для доступа на Hugging Face требуется принять соответствующие условия лицензии.

HFO-spkHFO — модель классификации изображений для выявления спайк-ассоциированных высокочастотных осцилляций (spkHFO) в исследованиях нейронных сигналов. Репозиторий roy chowdhury research входит в набор моделей для классификации HFO, включая обнаружение артефактов и эпилептических HFO; эта модель предназначена для задачи spkHFO. Модель основана на ResNet и доступна в форматах ONNX и safetensors. Она рассчитана на использование в исследовательских и клинических аналитических конвейерах, связанных с эпилепсией и анализом функций мозга. Карточка заявляет удобную загрузку через Transformers и высокую точность, однако численные оценки качества и детали входного представления не приведены. Лицензия — MIT.

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.

Nocturne v1.2d (Teacher) — модель классификации аудио от Stratus Labs на архитектуре Audio Spectrogram Transformer (AST), содержащая около 86 млн параметров и выдающая оценки по 2 196 классам. Она предназначена для распознавания видов по звуковым записям в биоакустике, включая насекомых, цикад, прямокрылых и бесхвостых земноводных. Модель обучалась на данных InsectSet459, iNat-Sounds-2024 и AnuraSet; веса доступны в формате safetensors, лицензия — CC-BY-4.0, код — Apache-2.0. На замороженном тестовом наборе Nocturne v1.2d немного превзошла исходную Nocturne v1, однако существенно уступила ей при проверке на незнакомой точке записи: точность top-1 составила 0,138 против 0,544. На том же тестовом наборе меньшая дистиллированная Nocturne v1-mini показала более высокий результат. Словарь содержит близкие дубликаты названий видов, из-за чего оценки могут распределяться между несколькими классами. Модель не предназначена для определения птиц; результаты для новых мест требуют локальной проверки, а решения для охраны природы требуют полевого подтверждения.

SeongryongJung/Qwen-4b-base-RLRT — дообученная языковая модель на архитектуре Qwen3, созданная методом self-distillation reinforcement learning для математических задач. В репозитории опубликован итоговый объединённый чекпойнт после 100 шагов обучения; применялось полнопараметрическое обучение с FSDP на локальной обучающей выборке по математике, без LoRA. Размер модели — 3,7 млрд параметров, контекст — 32 768 токенов; формат весов — safetensors, библиотека — Transformers. Модель предназначена для исследований и анализа методов RL-донастройки языковых моделей на математических данных. Она генерирует текст и может использоваться для экспериментов с решением математических задач. В README приведены учебные метрики конкретного эксперимента, которые не следует считать широкими бенчмарк-результатами; модель не проходила широкую оценку безопасности для производственного применения. Лицензия — Apache-2.0.