IV.6Научные исследования, математика и новые материалы

BVRA/resnet18.in1k_ft_df20m_299 — модель классификации изображений грибов, разработанная BVRA. Это ResNet-18 с 11,3 млн параметров, обученная на датасете DF20; для обработки используются изображения размером 299 × 299 пикселей. Модель предназначена для распознавания грибов на фотографиях и может применяться в задачах экологического мониторинга и анализа грибного биоразнообразия. Модель принимает изображения и выдаёт классы. Репозиторий содержит веса PyTorch. Данных о поддерживаемых естественных языках нет. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

REVE Position Bank — вспомогательный компонент команды BRAIN и Университета Монреаля (UdeM) для работы с предобученной EEG-моделью REVE. Он предоставляет координаты электродов по их именам, чтобы использовать их при инференсе REVE и извлечении эмбеддингов из сигналов ЭЭГ. В репозитории доступны распространённые схемы размещения электродов 10-20, 10-10, 10-05 и EGI 256; для Biosemi-128 предусмотрен префикс biosemi128_. Модель оформлена как плотная архитектура RevePositionBank и распространяется в формате safetensors через Transformers. Это банк позиций, а не самостоятельная модель распознавания или генерации сигналов. Компонент рассчитан на использование вместе с REVE и сам по себе не извлекает эмбеддинги из ЭЭГ. Условия лицензирования в предоставленных материалах не описаны.

Модель oanoufa/sbtr_ntv3_650M разработана пользователем oanoufa на базе InstaDeepAI/NTv3_650M_pre и дообучена для классификации геномных данных, связанных с ВИЧ. В метаданных и карточке Hugging Face она обозначена как модель для HIV subtyping — определения подтипа ВИЧ по входным данным, представленным в формате, поддерживаемом исходной моделью. Модель предназначена для исследовательских и биоинформатических сценариев, включая классификацию последовательностей или признаков, связанных с геномикой ВИЧ. Её основная задача — text-classification, однако практическая интерпретация результатов зависит от формата входных данных и разметки, использованных при дообучении. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает указание авторства, некоммерческое использование и распространение производных материалов на тех же условиях.

braindecode/signal-jepa_without-chans — вариант весов самообучаемой модели Signal-JEPA, подготовленный Guetschel et al. (2024) и упакованный для библиотеки braindecode. Чекпойнт содержит SSL-энкодер признаков и трансформер, но не содержит таблицу эмбеддингов каналов; каналные эмбеддинги можно обучить с нуля под используемую раскладку электродов. Модель предназначена для извлечения контекстных признаков из сигналов ЭЭГ и дальнейшего самообучения или дообучения для downstream-задач, например классификации. Она предварительно обучена на наборе Lee2019 с 62 каналами ЭЭГ в раскладке 10-10 и частотой дискретизации 128 Гц; представленный вариант подходит в том числе для записей с другой схемой расположения каналов. Веса распространяются в форматах PyTorch и safetensors, лицензия — MIT. Модель возвращает признаки, а не готовые классы. Для классификации требуется отдельная голова, которая в примерах README обучается с нуля; качество на конкретных данных зависит от последующего обучения и настройки каналов. Модель рассчитана на обработку сигналов ЭЭГ, а не на прямое предсказание меток без дополнительной головы.

SPLASH-3B — мультимодальная языковая модель с тактильным восприятием, разработанная командой SPLASH и основанная на Qwen2.5-VL-3B-Instruct. Она использует обучение с масочной изоляцией для согласования тактильных данных с представлениями модели и предназначена для тактильных рассуждений вместе с сохранением общих возможностей работы с изображениями и текстом. Модель подходит для диалоговых сценариев, где нужно анализировать тактильные входы и сопоставлять их с визуальной информацией. В README не приведены сведения о лицензии и длине контекста; метаданные указывают архитектуру Qwen2.5-VL, библиотеку Transformers и формат safetensors.

jarod0411/zinc10M_gpt2-medium_SMILES_step1 — дообученная модель генерации текста на архитектуре GPT-2 Medium, созданная на основе openai-community/gpt2-medium. По названию репозитория модель связана с последовательностями SMILES; README сообщает о дообучении на наборе данных, название которого не указано, и приводит результаты оценки: loss 0,5598 и accuracy 0,8151. Модель предназначена для продолжения текстовой последовательности в пределах контекста 1024 токена; вероятный сценарий применения — генерация строк SMILES. В репозитории указаны веса в формате safetensors. Лицензия — MIT. README не раскрывает подробности обучения и предполагаемого использования, поэтому приведённые результаты не позволяют судить о качестве химически корректных или валидных молекулярных структур.

zinc10M_gpt2_SMILES_bpe_combined_step1 — дообученная модель GPT-2, разработчик в карточке не указан. По названию она связана с корпусом молекулярных строк SMILES и токенизацией BPE; модель генерирует продолжения текста, поэтому может применяться для экспериментальной генерации таких строк. Архитектура — плотная авторегрессионная GPT2LMHeadModel, формат весов — Safetensors, базовая модель — openai-community/gpt2. Контекст — до 1024 токенов. В карточке приведены результаты оценки: loss 0,5863 и accuracy 0,8085, но не описаны набор данных, протокол оценки и точный сценарий применения, поэтому эти числа не позволяют судить о качестве генерации молекул. Лицензия — MIT. README не содержит подробных сведений об использовании и ограничениях.

AudioProtoPNet-5-BirdSet-XCL — модель DBD Research Group для многометочной классификации записей птичьих голосов. Она сочетает сверточную основу ConvNeXt с классификатором на прототипах: модель сопоставляет признаки спектрограмм с выученными образцами вокализаций видов, что позволяет объяснять решения через наиболее близкие прототипы. В карточке указана донастройка facebook/convnext-base-224-22k и использование библиотеки Transformers. Модель обучена на BirdSet и предназначена для акустического мониторинга птиц, анализа полевых записей и поддержки орнитологических исследований. В README сообщается о среднем AUROC 0,90 и cmAP 0,42 на семи тестовых наборах BirdSet; авторы также отмечают преимущество над Perch и ConvNeXt в проведённом сравнении. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческих целях.

CeLLaTe-tapt-pubmedbert-tokenizer-original-baseline-combinedData — дообученная модель Mardiyyah на основе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Она использует архитектуру BERT с 136,7 млн параметров и предназначена для предсказания замаскированных слов в англоязычных биомедицинских текстах. Модель обучалась на Mardiyyah/Combined_TAPT_dataset; контекст составляет до 512 токенов. В оценке на тестовом наборе указаны loss 0,9904, accuracy 0,7745 и perplexity 2,6923. Репозиторий распространяется по лицензии Apache-2.0. README не описывает конкретные сценарии применения и ограничения модели.

EfficientNet-B1, обученная исследовательской группой DBD на наборе XCL проекта BirdSet. Модель классифицирует спектрограммы аудиозаписей птиц по видам; обучение проводилось на данных Xeno-Canto, охватывающих 9736 видов птиц. На вход подаётся монохромное изображение спектрограммы. Для подготовки входных данных нужен специальный процессор из репозитория BirdSet, поскольку в репозитории модели собственного процессора нет. Модель опубликована в формате safetensors и использует библиотеку Transformers. Условия лицензии в доступных данных не описаны.

GB.Cell-3M — модель семейства CellFoundation от genbio-ai с архитектурой CellFoundationForMaskedLM. В репозитории доступны веса PyTorch и Safetensors; размер модели — 1,1 млн параметров, контекст — 19 264 токена. Карточка отсылает к описанию более подробной модели из коллекции и к примерам использования в Hugging Face, но не раскрывает дополнительные сведения о назначении этого чекпойнта. По метаданным модель поддерживает задачу fill-mask: предсказывает замаскированные элементы в последовательности. Семейство и название указывают на работу с клеточными данными, однако формат входных последовательностей, обучающие данные, поддерживаемые языки и конкретные биологические сценарии в предоставленных материалах не описаны. Указана лицензия other, поэтому условия использования нужно сверить с лицензией репозитория.

GraphTokenLM — экспериментальная графо-языковая модель на основе GraphToken, разработанная авторами исследования, посвящённого объяснению предсказаний GLM через важность рёбер. Она кодирует входной граф с помощью трёхслойного GIN-энкодера и проекционных слоёв в четыре мягких графовых токена, которые добавляются к текстовым эмбеддингам замороженной Qwen/Qwen3-4B-Base. Обучены только GNN-энкодер и проекции; параметры языковой модели не менялись. Чекпойнт дообучен на MotifQA в многозадачном режиме для графовых наборов ba_shapes, ba_two_motifs, tree_cycle и tree_grid_v2. Он предназначен для генерации текстовых ответов с учётом входного графа и изучения работы графо-языковых моделей. Модель содержит 4,2 млрд параметров и распространяется в формате safetensors; для загрузки требуются Transformers с trust_remote_code=True и библиотека torch-geometric. Лицензия — Apache-2.0. Метаданные указывают поддержку английского языка; размер контекста в доступных сведениях не приведён.

dronefreak подготовил YOLOv8s, дообученную для обнаружения колосьев пшеницы на изображениях из Global Wheat Head Dataset (GWHD). Модель обучена в рамках DetectionBench — фреймворка для воспроизводимого сравнения детекторов на разных наборах данных с едиными рецептами обучения и оценки. Она принимает изображения и возвращает рамки объектов класса wheat_head с оценками обнаружения. Модель предназначена для подсчёта и локализации колосьев на полевых изображениях, в том числе при высокой плотности объектов, перекрытиях и окклюзиях. На тестовой части GWHD указаны mAP@50 68,29%, mAP@50–95 29,48% и precision 79,89%. Лицензия весов — AGPL-3.0; лицензия набора данных отдельно указана как CC BY 4.0.

Sambal выпустил контрольный чекпойнт K2-Horizon-7B DPO, дообученный на базе IFM/K2-Horizon-7B методом DPO с LoRA-адаптерами, объединёнными с базовыми весами. Это плотная языковая модель с 8 млрд параметров, предназначенная для диалогов и генерации текста; дообучение ориентировано на ответы на вопросы по петрофизическим данным и каротажным диаграммам скважин. Модель обучали на наборе из 8 055 обучающих и 81 проверочной пары предпочтений. Репозиторий содержит объединённые веса в формате bf16; указана лицензия Apache-2.0. Архитектура K2-Horizon поддерживает контекст до 524 288 токенов. Карточка приводит высокую точность предпочтений на шагах обучения и значение NLL, но эти показатели не подтверждают качество ответов на независимых данных. Для запуска используются удалённый код и шаблон чата базовой модели.

Krypsis-COD — компактная модель сегментации замаскированных морских животных под водой, разработанная автором репозитория ryanrana. Она использует предварительно обученный на ImageNet трансформерный backbone PVTv2-B0 и декодер с многоуровневым обучением; физические и частотные признаки подаются через AquaWave prior stem без дополнительных параметров, а маска уточняется с помощью головы границ. Модель содержит около 4,8 млн параметров; размер весов составляет 19,2 МБ в fp32, 9,7 МБ в fp16 и 4,6 МБ в int8. Обучение проводилось на изображениях размером 352×352 из корпуса CAMO и COD10K. Модель предназначена для выделения контуров и областей замаскированных морских животных на подводных изображениях, в том числе для компактных систем и edge-устройств. В README приведены результаты на тесте CAMO и на отложенных кадрах COD10K-Aquatic; автор отмечает, что модель существенно меньше крупных адаптеров SAM, но уступает им по точности. Низкая точность IoU на небольших объектах ограничивает её применение для экспертной идентификации. Лицензия — MIT.

Nocturne v1 Mini — компактная дистиллированная модель Stratus Labs для многометочной классификации звуков животных и идентификации видов по аудиозаписям. Она использует EfficientNet-B1 с одноканальным входом по лог-мел-спектрограмме и линейной классификационной головой на 2182 вида. На вход подаётся 10-секундная монофоническая запись с частотой 16 кГц; модель рассчитана на локальный запуск на CPU и периферийных устройствах, включая Raspberry Pi и мобильные устройства. Модель предназначена для биоакустического мониторинга насекомых, амфибий и других не относящихся к птицам таксонов, в том числе для пассивного наблюдения за биоразнообразием и экологического мониторинга. В README приведены результаты оценки на отложенных выборках и указано, что мини-версия существенно меньше и быстрее модели-учителя; показатели на новых местах записи могут снижаться, поэтому перед применением в незнакомой местности нужна локальная проверка. Репозиторий распространяется по лицензии CC BY 4.0.

Pythagoras-Prover-4B — открытая авторегрессионная языковая модель для формального доказательства теорем на Lean 4. Её разработала команда Pythagoras-LM на основе Qwen3-4B: модель дообучена с помощью LoRA и обучающих данных, созданных и проверенных в рамках конвейера синтетических данных для Lean. Модель предназначена для генерации Lean-доказательств по математическим формулировкам и для работы в сценариях автоматизированного формального доказательства, включая задачи уровня математических соревнований. В README указаны 3,7 млрд параметров и обучение с контекстом 8K; метаданные репозитория указывают нативный контекст 40 960 токенов. В MiniF2F-Test авторы сообщают результат 86,07% при Pass@32 и отмечают, что модель обходится без самокоррекции во время вывода. Модель принимает текст и генерирует текст с доказательствами на Lean 4. Для работы с формальными задачами требуется проверка доказательств средствами Lean; результаты бенчмарков не гарантируют успешность на произвольных задачах. Репозиторий распространяется по лицензии Apache-2.0.

Это полноразмерная BF16-модель Qwen3.5-9B, которую Violetxi дообучила методом supervised fine-tuning для задач по эквациональной теории. Обучающая смесь содержит 70% заметок по теме и 30% траекторий, сформированных с опорой на заметки; обучение прошло за две эпохи. Модель загружается в формате Transformers как Qwen3_5ForConditionalGeneration, лицензия — Apache 2.0. Модель предназначена для диалоговой работы с материалами по эквациональной теории: она может отвечать на вопросы и продолжать текст в этой предметной области. Карточка сообщает, что оценка на отложенной выборке измеряет только языковую модельную потерю, а завершённых результатов проверки математической точности на момент публикации нет. Контекст и мультимодальные возможности унаследованы от Qwen3.5-9B, но README не описывает их отдельную проверку для этого дообученного чекпойнта.

violetxi/qwen35-9b-equational-theory-sair-r3-mix10m — полноразмерное дообучение Qwen3.5-9B от Violetxi для ответов на вопросы по эквациональной теории, включая построение доказательств и контрпримеров. Модель обучена методом SFT на смеси заметок R0–R3 и траекторий «заметка — ответ»; это плотная модель семейства Qwen3.5 с 9 млрд параметров, представленная в BF16 и формате safetensors. Она использует архитектуру Qwen3_5ForConditionalGeneration и загружается через Transformers или vLLM с поддержкой Qwen3.5. Модель предназначена для диалога и генерации текстовых решений задач эквациональной теории. В оценке на 800 вопросах Stage 1 точность составила 44,81% при лимите 16K токенов и 63,66% при 24K; в Stage 2 проверка корректности доказательств и контрпримеров судейской моделью дала 18,67% и 20,42% соответственно. Для генерации в README использован контекст 32 768 токенов. Проверка судейской моделью не является сертификацией доказательств в Lean. Это экспериментальная специализированная модель: результаты показывают, что ответы могут быть некорректными, а качество зависит от длины генерации. Репозиторий распространяется по лицензии Apache-2.0.

violetxi выпустила дообученную методом полного SFT модель Qwen3.5-9B для задач эквациональной теории в рамках SAIR. Это плотная мультимодальная модель на 9 млрд параметров с архитектурой Qwen3_5ForConditionalGeneration; в репозитории представлены полные веса BF16 в формате safetensors, токенизатор, шаблон чата и файлы процессора. Модель основана на Qwen/Qwen3.5-9B, а веса зрения и MTP унаследованы от базовой модели. Модель предназначена для ответа на вопросы по эквациональной теории и создания доказательств или контрпримеров. В обучении использована смесь заметок R0–R3 и примеров диалогов с условием на заметки. В опубликованной оценке точность бинарных ответов на этапе 1 составила 46,97% при лимите 16K токенов и 67,31% при 24K; оценка валидности доказательств и контрпримеров на этапе 2 — около 20%. Для генерации авторы использовали контекст 32 768 токенов. Указана лицензия Apache-2.0. Оценка доказательств проверялась судьёй GPT-5.6-sol, а не Lean, поэтому результаты не подтверждают формальную корректность доказательств. Показатели приведены для конкретного набора вопросов и настроек генерации и не гарантируют аналогичного качества в других сценариях. Для запуска требуется версия Transformers или vLLM с поддержкой Qwen3.5.

BVRA/resnet50.in1k_ft_df20m_299 — модель классификации изображений грибов, основанная на ResNet-50 и дообученная на наборе данных DF20. Разработчик указан как BVRA; карточка связывает архитектуру с работой Deep Residual Learning for Image Recognition. Модель предназначена для распознавания грибов по изображениям. В карточке указаны 23,9 млн параметров и размер входного изображения 299 × 299 пикселей; также заявлена возможность получать эмбеддинги изображений. Модель представлена в формате PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Качество классификации за пределами набора DF20 и поддерживаемые виды грибов в карточке не уточняются.

AnomalyThink-Qwen2.5-VL-7B-SFT-GRPO — разработанная автором карточки исследовательская модель для объяснимого обнаружения аномалий на промышленных изображениях. Это плотная мультимодальная модель Qwen2.5-VL с 7 млрд параметров, дообученная в два этапа: supervised fine-tuning на 6 000 примерах с рассуждениями, затем GRPO; опубликованный чекпойнт — checkpoint-530 этого запуска. Модель принимает изображение изделия и текстовую инструкцию, а в ответ формирует структурированное обоснование, описание дефекта и бинарный вердикт о наличии аномалии. Модель предназначена для исследований визуального контроля качества и анализа объяснимости решений в промышленной инспекции. В README сообщаются сбалансированная точность 82,73% на подмножестве DS-MVTec и 70,39% на VisA; результаты получены на указанных наборах в общей тестовой процедуре. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0. Модель может уверенно ошибочно обнаруживать дефекты на нормальных изделиях, а варианты линии GRPO могут чрезмерно часто предсказывать тип дефекта «Missing Parts». В README также отмечено, что изображения из открытых тестовых наборов могли встречаться при предварительном обучении VLM, поэтому абсолютные показатели требуют осторожной интерпретации.

Atlantis-Pyramid 14B (Glyph) — языковая модель Coralfil OS, дообученная на базе Qwen/Qwen2.5-14B-Instruct для задач морской науки. Это плотная причинно-авторегрессионная архитектура Qwen2 с 14 млрд параметров; модель принимает текст и генерирует текст в диалоговом формате. Контекст модели — до 32 768 токенов, хотя в описании обучения указана максимальная длина последовательности 2048 токенов. Модель предназначена для ответов на вопросы по морской биологии, анализа коралловых рифов, подбора параметров аквакультуры, интерпретации океанографических данных и оценки экологических требований. Она дообучена методом SFT с LoRA, адаптеры обучались в 4-битном режиме и затем были объединены с базовой моделью. Поддерживаемый язык карточки — английский. Лицензия — Apache-2.0. Специализация на морской тематике может снижать качество на задачах вне этой области по сравнению с базовой моделью. Ответы для важных решений следует проверять с экспертами; модель не предназначена для медицинских или критически важных задач.

BFS-Prover-V2-32B — модель ByteDance-Seed для генерации тактик доказательства теорем в Lean4. Она дообучена на Qwen/Qwen2.5-32B методом многоэтапной экспертной итерации с поиском по дереву и предназначена для пошагового формального доказательства математических утверждений. Модель принимает состояние тактики Lean4 в формате «{state}:::» и генерирует следующую тактику, возвращая состояние вместе с результатом. Это 32-миллиардная плотная языковая модель архитектуры Qwen2 с контекстом 131 072 токена. В README приведены результаты на наборах miniF2F и ProofNet; вариант с планировщиком показывает более высокий результат на miniF2F, но планировщик описан как компонент системы вывода, а не как часть самой модели. Модель ориентирована на формальные математические доказательства в Lean4 и не является универсальным помощником для обычного диалога. Для использования требуется подать состояние в ожидаемом формате; лицензия — Apache-2.0.

CeLLaTe-tapt-bioformer16l-tokenizer-original-baseline — дообученная модель семейства BERT, созданная на основе bioformers/bioformer-16l и набора Mardiyyah/TAPT_CeLLaTe2.0. Она предназначена для предсказания замаскированных токенов в специализированном текстовом корпусе. Модель содержит 50,3 млн параметров, принимает текстовые последовательности длиной до 1024 токенов и работает с английским языком. На оценочной выборке указаны loss 1,2118, accuracy 0,7444 и perplexity 3,3596. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Описание корпуса, предполагаемые сценарии применения и ограничения в карточке не раскрыты.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted_v2_lr-3e5 — англоязычная BERT-модель на 137,6 млн параметров, дообученная Mardiyyah на наборе Mardiyyah/TAPT_CeLLaTe2.0 на основе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Она предназначена для заполнения пропусков в англоязычном биомедицинском тексте: по контексту предсказывает замаскированный токен. Модель использует архитектуру BertForMaskedLM, принимает текст и поддерживает контекст до 512 токенов. В README для оценки указаны loss 1,1493, accuracy 0,7653 и perplexity 3,1561. Эти результаты относятся к оценочному набору из карточки и сами по себе не гарантируют качество на других текстах. Модель распространяется по лицензии Apache-2.0.

CeLLaTe-tapt-pubmedbert-tokenizer-original-spanmask-combinedData — дообученная Mardiyyah модель на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Это англоязычная BERT-модель с архитектурой BertForMaskedLM, предназначенная для предсказания скрытых токенов в биомедицинском тексте. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Дообучение выполнено на датасете Mardiyyah/Combined_TAPT_dataset. В README приведены результаты оценки: loss 2,1023, accuracy 0,5977 и perplexity 8,1850. Модель распространяется в формате safetensors по лицензии Apache-2.0. Подходит для заполнения пропусков и анализа контекста в англоязычных биомедицинских публикациях. Карточка не описывает дополнительные целевые сценарии и ограничения; качество для конкретных downstream-задач следует оценивать отдельно.

DistilGPT2 — англоязычная языковая модель на архитектуре GPT-2, дообученная Кристофером Э. Стоуном на математических доказательствах из LaTeX-источников arXiv за 1992–2020 годы. Тексты доказательств очищены: цитаты, ссылки, математические формулы и помеченные случаи заменены маркерами CITE, REF, MATH и CASE:. Модель предназначена для генерации текста в стиле математических доказательств. Её можно использовать для экспериментов с продолжением формальных математических рассуждений и создания черновиков доказательств. Контекст составляет 1024 токена. Лицензия в доступных сведениях не указана.

InternLM2.5-Step-Prover — языковая модель на 7,4 млрд параметров от команды InternLM-Math для пошагового доказательства теорем в Lean 4. Она получает имя теоремы, текущий фрагмент доказательства и состояние цели, а затем предлагает следующий тактический шаг. Модель предназначена для формальной математики и показывает результаты на бенчмарках MiniF2F, ProofNet и Putnam. Модель построена на архитектуре InternLM2 с плотной причинной языковой моделью и поддерживает контекст до 8192 токенов. Репозиторий содержит веса PyTorch; в метаданных указан английский язык. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в репозитории. Результаты бенчмарков не гарантируют корректность предложенного шага для конкретной цели: тактики необходимо проверять в Lean 4.

JustRL-II Base Model — базовый чекпойнт OpenBMB для воспроизведения экспериментов по обучению небольших языковых моделей математическим рассуждениям с подкреплением. Это стартовая точка экспериментов JustRL II, а не модель после RL-обучения. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 2,2 млрд параметров и использует веса PyTorch в формате bf16. Она генерирует длинные цепочки рассуждений, помещая их в маркеры `...`, а затем выдаёт ответ; поддерживаемая длина контекста — 65 536 токенов. Чекпойнт предназначен для воспроизведения рецепта JustRL II и его абляций, а также для исследований обучения с подкреплением на длинных цепочках рассуждений, диагностики критика и калибровки сложности математических задач. В карточке сообщается результат около 61% на AIME 2025 до RL-обучения по протоколу авторов. Модель оценивалась только на математическом рассуждении и не выравнивалась для роли универсального ассистента; генерация может быть очень длинной. В экспериментах авторов использовался бюджет генерации 128k токенов, однако в конфигурации модели указано 65 536 позиций. Сведения о лицензии в предоставленных данных отсутствуют.