IV.6Научные исследования, математика и новые материалы

OceanGPT-o — мультимодальная модель для задач океанологии, разработанная командой OceanGPT и дообученная на основе Qwen2.5-VL-7B-Instruct на англоязычных и китайскоязычных данных об океане. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Модель предназначена для диалога и генерации ответов по океанологии, в том числе с опорой на изображения. README указывает на ограниченную поддержку некоторых типов сонарных и океанологических изображений; базовая модель также поддерживает визуальный ввод. Для использования доступна лицензия MIT. Авторы предупреждают о галлюцинациях, зависимости ответов от формулировки запроса и нестабильности результатов при повторных попытках. Возможности визуального анализа ограничены отдельными типами изображений, а функции симулированного воплощённого интеллекта ограничены и требуют недоступных инструкций симулятора.

OpenPath — модель компьютерной патологии, разработанная авторами проекта OpenPath. Это зрительный энкодер ViT-g/14 с 1536-мерным CLS-представлением, обученный самообучением на публичных гистопатологических тайлах whole-slide изображений. В обучении использованы DINOv2 и gram anchoring; начальные веса основаны на Meta DINOv2 ViT-g/14-reg. Модель предназначена для извлечения признаков из тайлов H&E размером 224×224, снятых при увеличении около 40×. Полученные эмбеддинги можно использовать для линейного или ridge-пробинга, k-NN, агрегации MIL и поиска похожих изображений. В описанном сравнении OpenPath показала лучший результат на внутреннем бенчмарке пространственной транскриптомики AMC-HCC-ST, но на публичных бенчмарках HEST-1K, NCT-CRC-HE и BACH уступала ряду крупных моделей. Модель обрабатывает изображения и выдаёт векторные признаки. Она кодирует тайлы независимо, поэтому для анализа контекста всего стекла нужен отдельный агрегатор. Обучение проводилось на H&E изображениях при нативном увеличении около 40×; работа с IHC, цитологией, замороженными срезами, другими масштабами и изображениями вне патологии не проверялась. Это исследовательский инструмент, не медицинское изделие; его нельзя использовать для диагностики или клинических решений. Лицензия — Apache-2.0.

Qwen3-VL-4B-ImRegis — мультимодальная модель на базе Qwen/Qwen3-VL-4B-Instruct, дообученная разработчиком Geologi для создания подписей к изображениям на португальском языке. Модель принимает отдельное изображение и выдаёт текстовое описание; адаптер LoRA объединён с базовыми весами, поэтому модель загружается самостоятельно без PEFT. Она предназначена для описания рисунков, карт, геологических разрезов и диаграмм, извлечённых из геонаучных документов. Обучение проводилось на парах фрагментов иллюстраций из геологических отчётов и португальских подписей набора ImRegis. Модель использует архитектуру Qwen3-VL с 4 млрд параметров. Для изображений вне геонаучных документов её качество может быть ниже; подписи могут содержать фактические ошибки и галлюцинации, поэтому их следует проверять перед дальнейшим использованием. Обучающие изображения уменьшались так, чтобы длинная сторона не превышала 448 пикселей. Лицензия в предоставленных данных не указана.

REVE-base — предобученный трансформерный энкодер для обработки сигналов электроэнцефалографии (ЭЭГ), разработанный командой BRAIN и Université de Montréal. Модель обучена на более чем 60 000 часах записей из 92 наборов данных, охватывающих около 25 000 участников. REVE использует схему 4D позиционного кодирования и цель masked autoencoding. Это позволяет получать представления ЭЭГ при различных конфигурациях электродов и длине сигнала. Модель предназначена для извлечения признаков и адаптации к широкому кругу задач на основе ЭЭГ. В репозитории доступны веса в формате Safetensors; для работы указана библиотека Transformers. В метаданных лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты. Это специализированная модель для сигналов ЭЭГ, поэтому её возможности за пределами нейрофизиологических данных не подтверждены.

ScaleCUA-qwen3.5-scienceboard-sft — контрольная точка Qwen3.5-9B, разработанная ScaleCUA для управления графическим интерфейсом ScienceBoard. Это начальная версия после обучения с учителем (SFT), предназначенная для инициализации последующего онлайн-обучения с подкреплением; README указывает, что выпущенный агент соответствует отдельной контрольной точке после RL. Модель относится к плотной мультимодальной архитектуре Qwen3.5 и загружается через Transformers в формате safetensors. Она принимает изображения интерфейса вместе с текстовым запросом и формирует текстовые ответы, используемые агентом для работы с GUI. Карточка описывает сценарий запуска через OpenAI-совместимый сервер и оценочный runtime osworld_eval; подробные результаты отсылаются к статье SCALECUA. Модель специализирована на ScienceBoard, а не заявлена как универсальный компьютерный агент. Для этой версии не приведены конкретные показатели качества или перечень поддерживаемых действий. Лицензия в метаданных обозначена как other, поэтому условия использования следует сверить с карточкой репозитория.

Карточка модели xjh19972/ThermalGen-L-2-concat на Hugging Face совпадает с карточкой xjh19972/ThermalGen-XL-2, поэтому описание составлено по ней. ThermalGen-XL-2 — модель преобразования изображений, опубликованная пользователем xjh19972 на Hugging Face. Метаданные связывают её с тематикой тепловизионных изображений и набором данных ThermalGen-Dataset; формат весов — safetensors, лицензия — MIT. Карточка не описывает архитектуру, размер модели, поддерживаемые языки или конкретный способ преобразования изображений, поэтому назначение можно определить только на общем уровне.

BVRA/vit_base_patch16_224.ft_df20m_224 — модель классификации изображений грибов, опубликованная под аккаунтом BVRA и обученная на датасете DF20. Это Vision Transformer с патчами 16×16, около 85,9 млн параметров; модель принимает изображения размером 224×224 пикселя и выдаёт класс изображения. Карточка также упоминает возможность получать эмбеддинги изображений. Модель предназначена для распознавания грибов по фотографиям и исследовательских или прикладных задач в области экологии и определения видов. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

ConvNeXt Large MLP — модель классификации изображений из серии экспериментов timm, дообученная на данных соревнования iNaturalist 2021. Она предназначена для распознавания примерно 10 000 видов по фотографиям, например для определения растений и животных на снимках из природы. В README модель описана как дообучение для изучения влияния предобучающих данных; для неё не использовались дополнительные метаданные. Репозиторий предоставляет веса PyTorch в формате Safetensors. Модель подходит для классификации изображений видов и исследовательских экспериментов с распознаванием биоразнообразия. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. В README не приведены метрики именно этой модели, поэтому качество на конкретных данных следует проверять отдельно.

QVAC Cross-Platform 1 Bit and 2 Bit LoRA Adapters — набор адаптеров LoRA, разработанный Tether и дообученный на данных PubMedQA для ответов на биомедицинские вопросы. Адаптеры предназначены для использования с соответствующими базовыми моделями bitnet_b1_58-xl в вариантах TQ1_0 и TQ2_0; для каждой версии требуется базовая модель с той же квантизацией. Репозиторий содержит адаптеры размером около 30 МБ каждый. README описывает кроссплатформенный запуск через Vulkan и Metal на GPU разных производителей. Модель рассчитана на структурированные запросы в формате «Q: … A:» по биомедицинской тематике, а не на обычный диалог. На посторонние вопросы она может выдавать бессвязный или галлюцинаторный текст с медицинской терминологией. Авторы предупреждают, что ответы могут быть неточными или противоречивыми и модель нельзя применять для диагностики, лечения или клинических решений. Лицензия репозитория — Apache-2.0.

Это языковая модель GPT-2, дообученная mrm8488 на 885 файлах из набора biorxiv_medrxiv коллекции CORD-19. Модель предназначена для продолжения текста и генерации фрагментов в тематике биомедицинских исследований, связанных с COVID-19. Модель использует плотную архитектуру GPT-2 и доступна в форматах PyTorch и Flax. Она принимает текст и генерирует текст; контекст ограничен 1024 токенами. Карточка не сообщает условий лицензии. Дообучение на ограниченном корпусе научных публикаций может приводить к узкой тематической направленности и фактическим ошибкам; сгенерированные медицинские сведения требуют проверки специалистом.

Это детектор объектов YOLO11x, дообученный автором dronefreak на наборе Global Wheat Head Dataset в рамках DetectionBench — проекта для воспроизводимого сравнения детекторов. Модель находит на изображениях головки пшеницы и предназначена для анализа полевых снимков, в том числе при высокой плотности объектов и перекрытии между ними. На тестовой выборке GWHD указаны mAP@50 74,25%, mAP@50–95 34,92% и точность 83,37%. Результаты различаются по странам, поэтому агрегированная оценка не гарантирует такое же качество на иных сортах пшеницы и в других полевых условиях. Модель принимает изображения и выдаёт рамки обнаруженных объектов с классом wheat_head. Для использования требуется Ultralytics; лицензия весов — AGPL-3.0.

LFM2-Research — компактная авторегрессионная языковая модель семейства LFM2, созданная автором репозитория FlameF0X и предварительно обученная на научных статьях arXiv по искусственному интеллекту и машинному обучению. Модель содержит 57,2 млн параметров, использует архитектуру Lfm2ForCausalLM и принимает текст, генерируя продолжение; максимальный контекст составляет 2048 токенов. Модель предназначена для экспериментов с небольшими языковыми моделями в области ИИ и машинного обучения, изучения профильной литературы и прототипирования доменных конвейеров. Она не проходила настройку инструкциями, RLHF или выравнивание, поэтому не рассчитана на обычный диалог и готовые пользовательские приложения. Обучение на 2500 примерах и 20 эпохах может приводить к переобучению, повторам, несвязным или фактически неверным ответам; за пределами тематики ИИ/МО качество может быть низким. Лицензия — Apache-2.0.

Модель dima806/medicinal_plants_image_detection — дообученный Vision Transformer для определения вида индийского лекарственного растения по изображению растения или листа. Она создана на основе google/vit-base-patch16-224-in21k и предназначена для классификации изображений в сценариях распознавания лекарственных растений. Модель содержит 113,2 млн параметров и доступна в форматах PyTorch и Safetensors. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает набор классов и точность распознавания.

PlantDetect V2 Preview — модель классификации изображений растений, разработанная для определения 2 991 вида растений Западной Австралии. Она построена на визуальном энкодере DINOv3 с mean pooling и классификационной головой; для одного наблюдения можно подать одну фотографию или объединить 2–4 фотографии того же растения. В карточке указаны веса в формате Safetensors и библиотека PyTorch. Также доступны экспорты ExecuTorch W8A8 для CPU и FP8 AdaRound; запуск ExecuTorch требует пользовательских операторов plant_quant и не работает на стандартном runtime. На внутренней проверке точность Top-1 составила 86,25% для отдельных фотографий и 93,24% при объединении нескольких фотографий. Эти результаты относятся к данным и условиям оценки из карточки и не гарантируют такую же точность на произвольных снимках. Модель предназначена для видов Западной Австралии, поэтому не следует считать её универсальным определителем растений. Лицензия указана как other; конкретные условия использования следует проверить в файлах репозитория.

BVRA/tf_efficientnet_b0.in1k_ft_df20m_224 — модель классификации изображений грибов, дообученная для датасета DF20. Она основана на EfficientNet-B0 и содержит 4,2 млн параметров; входной размер изображения — 224 × 224 пикселя. Модель предназначена для отнесения фотографий грибов к классам датасета Danish Fungi. Модель принимает изображения и выдаёт метки классов; README также упоминает получение эмбеддингов изображений. В метаданных указан формат PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель Amsterdam Data Collective разработана для программы AIWaM Rijkswaterstaat и прогнозирует значимую высоту волн Hm0 и высоту зыби HE10 у буя Europlatform в Северном море. Она предназначена для быстрого приближения к расчётам волновой модели SWAN, в том числе для обработки ансамбля из 51 прогноза в заданных вычислительных ограничениях. Это Temporal Fusion Transformer на PyTorch с 1 255 720 параметрами, скрытым размером 64, четырьмя головами внимания и двумя слоями LSTM. На вход подаются 168 часов истории и статические, метеорологические, гидрологические и волновые признаки; модель выдаёт квантили 0,1, 0,5 и 0,9 для обоих показателей на каждый час следующих 48 часов. Она обучалась на данных трёх буёв, но предназначена для прогнозов у Europlatform. Карточка указывает английский язык; лицензия весов — CC BY 4.0. Модель является концептуальной и не предназначена для других мест, горизонта свыше 48 часов или самостоятельных решений по безопасности. Прогнозы HE10 при продолжительной зыби заметно слабее SWAN; использован только один seed, нет независимой оценки за 2022 год, а выбранный чекпойнт сохранён после первой эпохи. Обучение на ERA5 также может отличаться от работы на оперативных ансамблевых данных ECMWF или Harmonie.

AD-Copilot — мультимодальная модель на базе Qwen2.5-VL-7B-Instruct, дообученная для обнаружения аномалий по сравнению изображений. Разработчики добавили визуальный энкодер ADCopilotCompareVisualEncoder: он сопоставляет эталонное и проверяемое изображения с помощью двунаправленного cross-attention и передаёт в языковую модель 100 токенов сравнения на пару изображений. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Модель предназначена прежде всего для промышленного визуального контроля: она анализирует пару изображений, чтобы выявить и описать отличия или дефекты. В README заявлен результат 78,74% на бенчмарке OmniDiff, однако подробности оценки в карточке ограничены. Модель принимает изображения и текстовые инструкции, выдаёт текст; в метаданных указан английский язык. Лицензия — Apache-2.0.

Модель tiantiaf/childvox-circor-whisper-large разработана Tiantian Feng и предназначена для классификации шумов сердца по фонокардиограммам. Она дообучена на базе мультиязычной openai/whisper-large-v3 на наборе CirCor с записями аускультации у 1568 человек в возрасте от 0 до 21 года. Модель принимает аудио и относит запись к одному из классов: шум отсутствует, присутствует или результат неизвестен. Модель может использоваться для исследовательского анализа детских физиологических звуков и экспериментов по классификации сердечных шумов. Она не предназначена для клинической диагностики, индивидуальной оценки без проверки специалистом, наблюдения или коммерческого применения. Записи детей и физиологические данные чувствительны: при работе с ними необходимо учитывать приватность, согласие и требования этических комиссий и законодательства. Лицензия — OpenRAIL; README отдельно запрещает коммерческое использование.

Модель Chimpanzee Vocalization CNN12 разработана Утрехтским университетом для обнаружения вокализаций шимпанзе в биоакустических записях. Это 12-слойная сверточная нейросеть с пятью сверточными блоками, глобальным усреднением и полносвязной выходной частью, которая различает вокализации шимпанзе и фон. Модель принимает аудио, преобразованное в трёхканальное представление на основе мел-спектрограммы, нормализации PCEN и дельта-признаков. Записи для обработки нужно привести к частоте 48 кГц, пропустить через полосовой фильтр 100–2000 Гц и разделить на кадры по 0,5 секунды. Чекпойнт обучен на реальных записях из Камеруна и синтетических примерах, созданных смешением криков шимпанзе из Камеруна с фоновыми записями из Замбии. Модель предназначена для мониторинга шимпанзе в природоохранных и исследовательских проектах. Проверка на записях из другого акустического окружения показала высокую AUC, однако точность обнаружения зависит от рекордера и условий записи. Качество на других видах и существенно отличающемся оборудовании не гарантируется. Веса доступны по лицензии Apache-2.0; для запуска требуется PyTorch и реализация класса модели из исходного проекта, поскольку чекпойнт не интегрирован с Transformers.

dinovol — это 3D-модель представлений, опубликованная как EMA-backbone из запуска обучения paris4 на шаге 352500. Её разработали для анализа объёмных микротомографических сканов обугленных свитков из Геркуланума. Модель основана на архитектуре DINOv2/EVA ViT с 3D RoPE в стиле DINOv3; размерность признакового пространства — 864. Самообучение проводилось с целями DINO, iBOT и KoLeo, а позднее уточнение плотных признаков использовало Gram anchoring. Модель извлекает признаки из трёхмерных данных и предназначена как backbone для последующей разработки систем анализа свитков, например для сегментации или сопоставления областей после добавления соответствующих голов или дообучения. Для инференса рекомендуется файл EMA-backbone; полный чекпойнт подходит для продолжения обучения и воспроизводимости. Обучение выполнено на 11 томах микротомографии Геркуланума. Репозиторий распространяется по лицензии MIT. Модель обучена на одноканальных сканах этих свитков; поведение на других данных и модальностях не проверено, а готовой головы сегментации или дообученной прикладной модели в репозитории нет.

EEGNet-GNN feature extractor — модель на базе EEGNet с графовой свёрткой вместо пространственной depthwise-свёртки второго слоя. Она обрабатывает сигналы ЭЭГ, учитывая физическое расположение электродов на коже головы: каждый электрод агрегирует признаки от соседних, а остаточный путь сохраняет локальную информацию. Модель останавливается после слоя усреднения и развёртки и выдаёт вектор признаков; классификационную голову можно добавить отдельно. При настройках по умолчанию F1=6, F2=12, pool1=4, pool2=8 и n_times=1000 размер вектора равен 372. Модель предназначена для извлечения признаков из ЭЭГ, в частности для задач интерфейсов мозг—компьютер и моторного воображения. Сохраняет временные и разделимые свёрточные слои стандартного EEGNet, заменяя только пространственный слой графовой операцией с симметрично нормализованной матрицей смежности. Поддерживаются варианты чтения графовых признаков weighted, attention и mean, а также обучаемая смежность; параметр spatial="depthwise" позволяет восстановить исходный слой EEGNet для сравнения. Для обучения модель следует обучать целиком; замораживание случайно инициализированной основы без предобученных весов, согласно карточке, сводит её к классификации случайных проекций. Репозиторий опубликован с лицензией MIT. В карточке не приведены заявленные метрики итоговой точности или перечень поддерживаемых наборов электродов.

GorillaWatch-DINOv2-Base — модель компьютерного зрения для повторной идентификации горилл и мониторинга популяций в проекте GorillaWatch. Она разработана для поиска совпадений между фотографиями или видеокадрами: модель извлекает 256-мерный вектор признаков, а идентификация выполняется поиском ближайших соседей по галерее векторов. Фиксированного списка особей у модели нет, поэтому её можно применять и к гориллам, которых не было в обучающей выборке. В основе лежит ViT-Base с патчами 14×14 из DINOv2, дообученный на Gorilla-SPAC-Wild с hard-mining triplet loss. Входные изображения приводятся к размеру 518×518 и нормализуются со средним и стандартным отклонением 0,5 для каждого канала; стандартное преобразование timm для DINOv2 даёт некорректные эмбеддинги. В README приведены результаты поиска по k ближайшим соседям на Gorilla-SPAC-Wild и при переносе без дообучения на Gorilla-Zoo-Berlin. Модель предназначена для анализа изображений горилл в полевых наблюдениях и зоопарках. Она выдаёт эмбеддинги, а не готовые метки личности, поэтому для идентификации нужна галерея эталонных эмбеддингов и процедура поиска ближайших соседей. Весовые файлы в safetensors побитово соответствуют конвертированным обученным файлам .pth. Лицензия — CC BY 4.0.

kaiyuy/leandojo-lean4-tacgen-byt5-small — модель семейства T5, разработанная Kaiyu Yang и соавторами в рамках проекта LeanDojo. Это компактный вариант ByT5-small для генерации тактик доказательства теорем в Lean 4; в метаданных указано 364,6 млн параметров и формат safetensors. Работа LeanDojo посвящена языковым моделям с поиском контекста для автоматизированного доказательства теорем. Модель предназначена для генерации тактических шагов Lean 4 в сценариях автоматического доказательства теорем. Карточка связывает её с исследовательской работой NeurIPS 2023, но не описывает отдельные ограничения или условия применения сверх лицензии MIT. Метаданные не содержат явного pipeline-тега, а README не раскрывает детали длины контекста и языковой поддержки.

Dragonfly-Med — мультимодальная биомедицинская визуально-языковая модель, разработанная Together AI. Это авторегрессионная трансформерная модель, дообученная инструкциями на Llama 3.1; для обработки изображений используется визуальная основа CLIP. Модель принимает изображение вместе с текстовым запросом и генерирует текстовый ответ, например, для исследования вопросов по биомедицинским изображениям. Модель рассчитана прежде всего на исследования визуально-языковых моделей и работу исследователей и энтузиастов в области NLP, машинного обучения и искусственного интеллекта. В репозитории указано 7,5 млрд параметров, контекст — 8192 токена; формат весов — PyTorch. Карточка указывает английский язык. Модель лицензирована по Llama 3.1 Community License Agreement, а ограничения лицензии обучающих данных запрещают коммерческое использование, поэтому Dragonfly-Med предназначена только для некоммерческого применения.

Prov-GigaPath — фундаментальная модель для цифровой патологии, разработанная авторами, перечисленными в карточке модели. Она предназначена для исследователей, которым нужны представления изображений гистологических препаратов целого предметного стекла (whole-slide images, WSI) для последующих экспериментов и воспроизведения результатов опубликованной работы. Модель включает кодировщик фрагментов изображения (tile encoder), извлекающий локальные признаки, и кодировщик целого стекла (slide encoder), формирующий представление на уровне препарата. Для анализа целого стекла изображение разбивают на фрагменты, получают их эмбеддинги и передают их вместе с координатами в кодировщик стекла. Модель поддерживает извлечение признаков и на уровне фрагментов, и на уровне стекла; в репозитории указан формат PyTorch и библиотека timm. Модель предназначена для исследовательской работы с патоморфологическими изображениями, в том числе для изучения предобучения и построения систем на основе представлений WSI. Доступ к весам требует согласия с условиями доступа на Hugging Face. Лицензия — Apache-2.0, однако авторы ограничивают предполагаемое применение исследованиями и воспроизведением экспериментов: модель не предназначена для клинической помощи, принятия клинических решений или развернутого применения.

Rumiii/Qwen2.5-0.5B-Med-Pre-Trained-92k — базовая языковая модель, разработанная Rumiii на основе Qwen2.5-0.5B. Это полнопараметрическая версия Qwen2, дообученная продолженным предобучением на 92 000 англоязычных биомедицинских аннотаций PubMed; обновлены все 494 млн параметров. Модель предназначена для дальнейшей специализации на медицинских инструкциях и исследований адаптации языковых моделей к биомедицинской тематике. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекст до 32 768 токенов. Она ориентирована на медицинскую лексику и структуру научных аннотаций, но не прошла настройку для следования инструкциям и не предназначена для прямого диалога, клинических решений или применения в работе с пациентами. Лицензия — Apache-2.0.

ShapeLLM-7B — мультимодальная модель для понимания 3D-объектов и взаимодействия с ними, представленная авторами работы «ShapeLLM: Universal 3D Object Understanding for Embodied Interaction». Модель построена на архитектуре LLaVA с языковой частью LLaMA и точечным энкодером ReCon++ Large; число параметров — 6,6 млрд, контекст — 2048 токенов. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Модель принимает облака точек и текстовые инструкции и генерирует текстовые ответы. Она предназначена для диалога о 3D-сценах и объектах, zero-shot понимания 3D-объектов, визуального обоснования частей объектов и сценариев embodied interaction. README описывает двухэтапное обучение: выравнивание проектора и последующее дообучение на инструкциях. Указанная в метаданных задача — генерация текста; практические сценарии связаны с 3D-пониманием, но примеры результатов и ограничения качества в карточке не приведены.

ThermalGen-XL-2 — модель преобразования изображений, опубликованная пользователем xjh19972 на Hugging Face. Метаданные связывают её с тематикой тепловизионных изображений и набором данных ThermalGen-Dataset; формат весов — safetensors, лицензия — MIT. Карточка не описывает архитектуру, размер модели, поддерживаемые языки или конкретный способ преобразования изображений, поэтому назначение можно определить только на общем уровне.

UDLM-QM9 — предобученная модель семейства Uniform Diffusion Language Models от kuleshov-group, разработанная для заполнения маскированных токенов. Она обучена на наборе QM9 с использованием уточнённой целевой функции ELBO для дискретной диффузии с равномерным шумом и непрерывным временем. Архитектура основана на Diffusion Transformer и включает 12 блоков многоголового внимания с 12 головами, скрытое измерение 768 и adaLN-кондиционирование по временному шагу диффузии. Модель содержит 92 млн параметров, принимает контекст до 32 токенов и доступна в формате Safetensors для библиотеки Transformers. Лицензия — Apache-2.0. Модель предназначена для экспериментов с диффузионным языковым моделированием на данных QM9 и заполнения пропущенных токенов в соответствующем домене. Короткий контекст и обучение на специализированном наборе ограничивают её применение за пределами этих данных.

Wat3R — модель Huazhong University of Science & Technology для восстановления 3D-геометрии подводных сцен. Она дообучена на основе facebook/VGGT-1B в рамках полуобучаемого подхода teacher–student: модель адаптируют к подводной среде на видеозаписях без разметки, используя согласованность геометрии между разными ракурсами. Модель предназначена для оценки глубины по нескольким подводным ракурсам и реконструкции облаков точек. Подход учитывает ухудшение изображения из-за поглощения света и рассеяния в воде; авторы сообщают о результатах лучше существующих методов на этих задачах. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.