IV.6Научные исследования, математика и новые материалы

QuiltNet-B-32 — мультимодальная модель семейства CLIP с визуальным энкодером ViT-B/32, обученная на наборе Quilt-1M из пар изображений и текстов по гистопатологии. Модель разработана для исследовательских задач компьютерного зрения в патологии и поддерживает классификацию изображений без дообучения по текстовым меткам, а также поиск соответствий между изображениями и текстом. Модель подходит для экспериментов с классификацией гистологических изображений, межмодальным поиском и изучением устойчивости и обобщения визуальных моделей в этой области. Авторы также упоминают визуальные вопросы и ответы, тонкую настройку и линейное зондирование как возможные сценарии, но основной тег модели — классификация изображений без примеров. Модель рассчитана на английские текстовые запросы; применение для клинических решений и развёртывание не рекомендуются без тщательной проверки на целевых данных. Лицензия — MIT; карточка отдельно предупреждает, что результаты не являются медицинской консультацией и не гарантируются.

nqvii/vit-riceleafbd-7november2025v2 — дообученная nqvii модель классификации изображений листьев риса, созданная на базе Vision Transformer Google google/vit-base-patch16-224 и обученная на наборе rice-diseases-image-dataset. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors; лицензия — Apache-2.0. Модель предназначена для отнесения изображений к классам набора болезней риса. В README для тестовой выборки указаны accuracy 0,9793, F1 0,9818, recall 0,9831 и loss 1,0941. Эти результаты относятся к описанной оценочной выборке и сами по себе не гарантируют качество на других условиях съёмки или типах листьев.

WirelessMathLM-3B — исследовательская языковая модель XINLI1997 для математических задач по беспроводной связи. Она создана дообучением Qwen/Qwen2.5-3B методом GRPO на 3 227 задачах из WirelessMathBench-XL; модель имеет плотную архитектуру Qwen2 и 3,1 млрд параметров, веса представлены в формате safetensors с точностью bfloat16. Контекст — до 32 768 токенов. Для запросов из набора данных модель использует обычное продолжение текста без шаблона чата. Модель предназначена для проверки методов обучения и оценки математических рассуждений в задачах беспроводной связи, а не для роли универсального ассистента. На тестовом наборе WirelessMathBench-XL опубликованы результаты 25,50% на полном тестовом разбиении и 25,16% на открытой подвыборке при заданном авторами протоколе оценки. Результаты не подтверждают обобщение на другие источники задач или независимые проверяющие системы: обучающая и тестовая выборки разделены по задачам, но содержат задачи из общих научных публикаций, а проверяющий и резервная модель оценки имеют общее семейство и стиль промптов. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Это предобученная модель латентной диффузии из проекта DM4CT, предназначенная для реконструкции компьютерных томограмм. Она разработана для бенчмарка DM4CT по реконструкции КТ, представленного на ICLR 2026. Модель учится безусловному априорному распределению срезов КТ в сжатом латентном пространстве и рассчитана на совместное применение с коррекцией согласованности с измерениями при восстановлении изображений. Архитектура включает VQ-VAE для кодирования и декодирования изображений и двумерный UNet, который выполняет диффузию в латентном пространстве по схеме DDPM с предсказанием шума и линейным расписанием. Модель рассчитана на одноканальные изображения срезов КТ разрешением 512 × 512; геометрическая информация в неё не заложена. Обучение проводилось на наборе Low Dose Grand Challenge, изображения нормализованы в диапазон от −1 до 1. Модель распространяется в формате Diffusers и safetensors по лицензии MIT. Она предназначена для исследовательской реконструкции КТ и не является самостоятельным решением полного процесса реконструкции: для него требуется согласование с измерениями и соответствующая обвязка.

MESIE-Spectral-v1 — компактная модель ItsNotAI LABS для контроля качества акустических преобразователей на производственной линии. Это плотный Transformer с многоголовым вниманием; карточка сообщает о 917,5 тыс. параметров, а README отдельно приводит 794 500 обучаемых параметров и 640 000 элементов фиксированного позиционного кодирования. Модель принимает данные аудиотеста и предназначена для классификации при проверке преобразователей, включая задачи калибровки по частотной характеристике, THD и SNR. README описывает обучение AdamW в течение 10 эпох на профильных датасетах и приводит validation loss MSE 0,60704, эмпирическую точность/precision 0,9939 и задержку вывода 1,122 мс. Эти показатели заявлены авторами, но в карточке не приведены протокол оценки и подробное описание входного представления. Репозиторий содержит веса PyTorch в формате safetensors и распространяется по лицензии Apache-2.0.

SeongryongJung/Qwen-4b-base-RLSD — экспериментальный чекпойнт на базе языковой модели Qwen3-4B-Base, дообученный авторами репозитория методом RLSD с полным обновлением параметров через FSDP. Обучение использует самодистилляцию с повторной подачей обратной связи и перевзвешиванием токенов; оценка преимущества в конфигурации тренера выполняется методом GRPO. Модель предназначена для внутренних исследований и анализа методов обучения математическим задачам с подкреплением. Чекпойнт содержит 3,7 млрд параметров, построен на плотной архитектуре Qwen3 для генерации текста и поддерживает контекст до 32 768 токенов. Обучение продолжалось 100 шагов на локальной математической выборке; приведённые метрики относятся к этой экспериментальной настройке и не являются широкими результатами бенчмарков. Модель выпущена под лицензией Apache-2.0. Она не проходила широкую оценку безопасности и не позиционируется как готовая для производственного применения.

SingleBertModel-ProtBertfinetuned-smilesBindingDB — модель на архитектуре BERT, разработанная на основе Rostlab/prot_bert и дообученная на неизвестном наборе данных. В метаданных указаны 503,4 млн параметров, контекст до 40 000 токенов и формат PyTorch. Основная задача по карточке — fill-mask: предсказание замаскированных токенов в последовательности. Название указывает на возможное применение к SMILES и данным BindingDB, однако README не подтверждает назначение и не описывает обучающие данные или сценарии использования. В карточке приведён результат оценки Loss: nan, поэтому качество модели по этим данным оценить нельзя. Лицензия не указана в предоставленных источниках.

tomato-disease-vit — модель классификации изображений на базе Vision Transformer (ViT), дообученная автором репозитория на google/vit-base-patch16-224-in21k. Она предназначена для распознавания классов заболеваний томатов по изображениям и может использоваться для автоматической сортировки или предварительной проверки фотографий растений. В оценке на тестовом наборе указаны accuracy 0,9812, macro F1 0,9812 и loss 0,0651; состав классов и подробности набора данных не описаны. Модель содержит 113,2 млн параметров, использует библиотеку Transformers и распространяется в формате safetensors. Лицензия — Apache-2.0. Результаты оценки относятся к указанному набору данных и сами по себе не гарантируют такую же точность на фотографиях из других условий или регионов.

UniPhysGen-1.7B-Kinematics — модель для определения кинематических параметров подвижной части 3D-объекта. Она разработана авторами UniPhysGen и дообучена для этой задачи на основе UniPhysGen-1.7B-Physics; в каталожных метаданных также указано объединение с Qwen/Qwen3-1.7B и facebook/sonata. Это плотная авторегрессионная архитектура UniPhysGenQwen3ForCausalLM с 1,7 млрд параметров, работающая через Transformers и имеющая контекст 40 960 токенов. На вход модель получает облако точек всего объекта и облако точек выбранной подвижной детали. Она определяет тип шарнира — поступательный или вращательный — и предсказывает ось движения, точку поворота и диапазон движения. Модель рассчитана на задачи привязки кинематических параметров к геометрии и генерацию кандидатов для последующего моделирования; для определения подвижности детали нужен отдельный источник разметки или предварительный этап. Карточка указывает английский язык, но входные данные задачи — геометрические облака точек. Для устойчивости к ориентации применяются аугментация вращениями SO(3), сферическая параметризация оси и общий глобальный voxel origin. Оценки не являются калиброванными измерениями. Качество может снижаться на симметричной геометрии, при перекрытых шарнирах, разреженных или зашумлённых облаках, неоднозначном разбиении на детали, многокоординатных механизмах и объектах вне обучающего распределения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

Модель Huyt/arabica-coffee-leaf-disease-efficientnet-b0 — дообученная EfficientNet-B0 для классификации изображений заболеваний и состояния листьев арабики. Она принимает крупные RGB-фрагменты листа и относит их к одному из пяти классов: Cerscospora, Healthy, Leaf_rust, Miner или Phoma. Модель содержит около 4 млн параметров и предназначена для анализа близких кадров и фрагментов размером, сопоставимым с обучающими кропами, а не целых растений или полевых снимков. Модель обучена на наборе Project-AgML/arabica_coffee_leaf_disease_classification. В карточке указано, что после удаления точных и группировки близких дубликатов осталось 2 891 независимое изображение; класс Healthy представлен всего 48 изображениями, поэтому его метрики ненадёжны. Модель опубликована под лицензией CC BY 4.0.

Модель dima806/farm_insects_image_detection — дообученный классификатор изображений насекомых на основе Vision Transformer ViT-Base/Patch16-224, предварительно обученного на ImageNet-21k. Она определяет тип сельскохозяйственного насекомого по изображению; в README заявлена точность около 91%. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель подходит для автоматической классификации изображений насекомых в сельскохозяйственных сценариях. Она принимает изображения и выдаёт предсказанный класс. Лицензия — Apache-2.0. README не сообщает подробности о наборе классов и условиях оценки точности.

Prost40M — специализированная модель извлечения признаков для вычислительной патологии, разработанная для анализа гистологических изображений предстательной железы. Она обучена авторами на основе DINO на примерно 40 миллионах фрагментов H&E-окрашенных срезов простатэктомии из когорт TCGA-PRAD и LEOPARD. Архитектура — небольшой Vision Transformer (vit_small); размер входного изображения — 224 × 224 пикселя. Модель предназначена для получения признаковых представлений фрагментов тканей, которые можно использовать в последующих задачах гистопатологии предстательной железы, особенно там, где важны тонкие морфологические различия. Для загрузки указан интерфейс timm. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Качество признаков может снижаться при смене сканера, протокола окрашивания или медицинского центра. Представления также зависят от состава обучающих данных и выбранной предобработки; модель предназначена для анализа гистологических изображений предстательной железы, а не как универсальный экстрактор для любых тканей.

PRISM2 — мультимодальная генеративная модель для анализа целых стеклопрепаратов с H&E-окраской, разработанная Paige и Microsoft Research. Она предназначена для исследовательских задач в цифровой патологии: извлечения базовых и диагностических эмбеддингов, генерации текстовых отчётов и ответов на вопросы, а также бинарной классификации по вопросу с ответом «да/нет». Модель принимает текст и эмбеддинги изображений фрагментов ткани; для эмбеддингов требуется предварительная обработка через Virchow2 с класс-токеном, при увеличении 20× и размере фрагмента 224×224 пикселя. Архитектура включает Perceiver-энкодер целых стеклопрепаратов на 0,6 млрд параметров и декодер Phi-3-mini-128k-instruct на 3,8 млрд параметров, всего 4,4 млрд параметров. PRISM2 выдаёт эмбеддинги, оценки бинарного ответа и текст. Для генерации текста заявлен контекст декодера Phi-3 на 128 тыс. токенов; README не уточняет отдельный предел контекста для полного мультимодального входа. Обучение включало контрастивное и caption-предобучение, затем многозадачное обучение на клинических диалогах и отчётах. Модель предназначена для некоммерческих академических исследований и оценки качества; регистрация и принятие условий использования обязательны. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных без разрешения. Сгенерированные ответы могут содержать ошибки, не предназначены для многоходового диалога и не должны использоваться в клинических целях или для диагностики.

SeanWang0027/qwen3-1.7b-sciworld-sft-qwen3-32b-1ep — компактная модель на базе Qwen3-1.7B, дообученная методом trajectory SFT на траекториях прохождения ScienceWorld, сгенерированных Qwen3-32B. Это плотная языковая модель с 1,7 млрд параметров, предназначенная для генерации текста и многошагового взаимодействия с научной средой в формате ReAct. Она получает инструкцию и последовательность наблюдений в диалоге, а в ответ формирует рассуждение и действие; контекст модели составляет до 40 960 токенов. На тестовой выборке ScienceWorld модель показала 13,12% успешных решений при описанном в карточке протоколе; базовая Qwen3-1.7B на том же протоколе показала 0,12%, а Qwen3-32B — 15,62%. Обучение длилось одну эпоху на 2059 вариациях задач, включая неудачные траектории учителя, поэтому результаты зависят от сценария и протокола оценки. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Модель A2H0H0R1/resnet-50-plant-disease — ResNet-50, дообученная на наборе изображений растений для классификации. Она принимает изображение и предсказывает один из изученных классов заболеваний растений. В README указана точность 0,9286 на оценочной выборке и значение loss 0,3609. Модель основана на microsoft/resnet-50 и распространяется в формате Safetensors по лицензии Apache-2.0. Состав классов и подробности обучающих данных в карточке не описаны, поэтому результаты на других растениях, условиях съёмки и наборах данных могут отличаться.

Bubenpo/AnguinusSculpturae — набор обученных весов MAMA-SYNTH для синтеза постконтрастных изображений молочной железы по соответствующим доконтрастным срезам DCE-MRI. Модель представлена как 14 сетей ResidualEncoderUNet, работающих посрезово на двумерном холсте 512×512; конфигурация объединяет модели перевода изображений и сегментации, усредняет предсказания по фолдам и плавно сшивает области изображения. Веса занимают около 5,6 ГБ, каждая сеть содержит примерно 106 млн параметров. Модель предназначена для исследовательского синтеза контрастных изображений молочной железы в рамках задачи MAMA-SYNTH. Для областей вне ткани сохраняется исходный доконтрастный сигнал, а участок поражения дополнительно усиливается по маске сегментации. Веса обучены на данных соревнования по breast MRI; для запуска требуется код из отдельного проекта nnUNet-Mama-Synth, форка nnU-Net v2. Лицензия CC BY-NC-SA 4.0 разрешает использование на условиях атрибуции, распространения производных на тех же условиях и без коммерческого применения. Это исследовательский артефакт, не медицинское изделие и не предназначен для клинического применения. Он рассчитан на отдельные 2D доконтрастные срезы 512×512; работа с другими анатомическими областями, 3D-объёмами, иными параметрами сканирования или входами без z-нормализации не проверена. Шаг усиления поражения предполагает наличие очага и может ошибочно осветлить участок на срезе без поражения.

Модель agricrate_disease_model разработана как дообученная версия Vision Transformer google/vit-base-patch16-224-in21k. Она предназначена для классификации изображений; название указывает на распознавание болезней сельскохозяйственных культур, однако README не описывает классы и область применения подробнее. Модель содержит 113,2 млн параметров, использует библиотеку Transformers и сохранена в формате safetensors. На оценочном наборе указана потеря 0,0400. Данные для обучения обозначены как imagefolder. Лицензия — Apache-2.0; точность, набор классов и условия, в которых модель надёжно работает, по имеющимся сведениям определить нельзя.

COJGN-3-small — небольшая обученная сеть Covariant Osculating Jet Geometric Network для классификации данных в воспроизводимом бенчмарке на 128-мерном искривлённом латентном пространстве. Модель разработана для исследования геометрических нейросетей с метрикой, контактами и полиномиальными членами кривизны до третьего порядка; в ней 23 750 обучаемых параметров, два остаточных блока и скрытая ширина 20. Она принимает тензор из 128 вещественных признаков и выдаёт логиты двух классов. Модель предназначена для экспериментов с классификацией в задачах, где структура данных согласуется с геометрическим индуктивным смещением COJGN, а также для сравнения с MLP на заданном бенчмарке. В опубликованном воспроизводимом тесте средняя точность COJGN-3-small составила 91,26%, близко к 91,12% у сопоставимой остаточной MLP; преимущество зависит от режима и не заявлено для общих задач. Реализация использует множество небольших тензорных операций и не оптимизирована слиянием CUDA/Triton-ядер, поэтому может работать медленнее на типовых задачах. Модель распространяется по лицензии MIT.

Crop_Disease_model_1 — модель классификации изображений, созданная дообучением Vision Transformer google/vit-base-patch16-224-in21k. Она предназначена для отнесения изображений к категориям, связанным с болезнями сельскохозяйственных культур. В репозитории размещены веса в формате safetensors; модель содержит 113,2 млн параметров. В карточке приведены результаты оценки на тестовой выборке: accuracy 0,7 и loss 1,2482. Названия классов, состав обучающего набора и подробности оценки не описаны, поэтому применимость к конкретным культурам и условиям съёмки по этим данным установить нельзя. Лицензия — Apache-2.0.

Это модель классификации изображений на архитектуре ResNet-50 из библиотеки timm, опубликованная пользователем nateraw на Hugging Face. Она предназначена для распознавания болезней листьев фасоли: карточка указывает, что изображение должно классифицироваться как angular_leaf_spot. Модель принимает изображение и выдаёт метку класса. В репозитории указаны веса PyTorch. Карточка не описывает качество, полный набор классов или условия лицензии, поэтому применимость для других культур и надёжность диагностики по этим данным оценить нельзя.

EFA-1 — модель управления Charlot Lab при Institute for Physical AI @ Bailey Military Institute. Это детерминированная энергетическая модель для управления семейством многотельных систем: общий вычислительный тракт использует embedding тела, чтобы управлять разными телами из одного файла весов. Модель распространяется в формате Safetensors и запускается через Ferric — среду на Rust с поддержкой Metal, WebGPU, Vulkan и браузера. Модель предназначена для управления симулированными цепочками связанных маятников и достижимыми целями. В описанном эксперименте один прямой проход достигал 100% целей на трёх телах; собственная функция энергии правильно ранжировала хорошие действия ниже плохих в 97–99% случаев. Для целей за пределами обучающего диапазона успешность составляла 93–100%, но требовалось больше вычислений. Лицензия — Apache-2.0. Сходимость и устойчивость проверялись на замкнутом контуре модели: локальная экспоненциальная устойчивость подтверждена для аттракторов, а сеточная проверка показала вход в область сходимости для всех проверенных узлов. Сертификаты локальны для узлов сетки и не доказывают поведение между ними; модель также ограничена симулированными телами и не демонстрирует широкой способности к манипуляции или подтверждённого управления реальным роботом.

Экспериментальная дообученная модель Gemma 4 для проектирования электрических схем и работы с LTspice. Модель опубликована BrosnanYuen и основана на google/gemma-4-26B-A4B-it; в метаданных также указана архитектура или конфигурация размером 26B-A4B. Заявленный сценарий применения — создание LTspice netlist-файлов .net и схем .asc, расчёт параметров компонентов, симуляция схем и экспорт результатов в CSV. Модель предназначена для задач, связанных с проектированием и проверкой аналоговых схем, в частности активных фильтров. Рекомендуемый рабочий процесс включает поиск подходящей схемы, математическую проверку расчётов с помощью symbolic_math_mcp, симуляцию через bltspice_mcp и преобразование netlist в формат LTspice .asc. Сильная сторона модели — специализация на связке LLM и LTspice с поддержкой итеративной проверки схем. При этом README не содержит достоверных сведений о языках, размере контекстного окна, точном устройстве архитектуры, качестве на тестовых наборах или поддерживаемых модальностях; тег image-text-to-text не подтверждён подробным описанием возможностей. Модель распространяется по лицензии Apache 2.0. Для заявленного рабочего процесса потребуются внешние компоненты symbolic_math_mcp и bltspice_mcp, а также установленный LTspice; сама модель не гарантирует корректность инженерных расчётов и результатов симуляции без дополнительной проверки.

WQT20M-Beta — экспериментальная модель WestQuant Open на базе Transformer с архитектурой Llama и 19,1 млн параметров. Она предназначена для ранжирования квантовых преобразований: по состоянию оптимизации оценивает, какое из допустимых преобразований выглядит наиболее перспективным. Модель также предсказывает оставшуюся стоимость оптимизации; выполнение преобразований и независимая проверка результата остаются за детерминированными движками. Это proof-of-concept и базовый ориентир для исследователей, работающих над моделями оптимизации квантовых компиляторов. README сообщает о 73% точности выбора лучшего действия при ранжировании через предсказание стоимости и средней ошибке предсказания около 8. Обучение проводилось на синтетических данных; контекст составляет 2048 токенов. Модель принимает текстовое представление состояния оптимизации и выдаёт текстовые оценки или ранжирование кандидатов. Она не исполняет квантовые преобразования. Указана лицензия Apache-2.0; качество на реальных данных с квантовых процессоров не заявлено.

BrosnanyYuen/gemma-4-31B-LTSpice-v1-GGUF — экспериментальная дообученная версия Google Gemma 4 31B-it, разработанная BrosnanYuen. Модель предназначена для помощи в проектировании электронных схем с использованием LTSpice: она может поддерживать создание LTSpice netlist-файлов .net и схем .asc, расчёт номиналов компонентов, симуляцию схем и проверку результатов, включая экспорт данных в CSV. В README приведён сценарий разработки активного полосового фильтра с операционными усилителями и заданными частотами среза. Для рабочего процесса автор рекомендует использовать MCP-инструменты symbolic_math_mcp и bltspice_mcp, которые применяются соответственно для проверки математических расчётов и запуска LTSpice-симуляций. В метаданных модель классифицирована как image-text-to-text, однако сведения о фактически поддерживаемых модальностях, языках, размере контекста, формате квантования GGUF и точных характеристиках архитектуры отсутствуют. Сильной стороной модели является узкая специализация на автоматизации задач схемотехники и взаимодействии с LTSpice; при этом она обозначена как экспериментальная, поэтому результаты расчётов и проектирования требуют проверки инженером и средствами симуляции. Модель распространяется по лицензии Apache-2.0.

Это модель классификации изображений листьев манго по заболеваниям, созданная DunnBC22 путём дообучения google/vit-base-patch16-224-in21k. Она использует архитектуру Vision Transformer ViT-Base с патчами 16×16 и содержит 113,2 млн параметров. Модель принимает изображение листа и предсказывает один из классов заболеваний. Модель предназначена для демонстрации распознавания болезней манго по фотографиям листьев. В README указаны идеальные метрики на оценочном наборе: точность и F1 равны 1,0; эти результаты относятся только к указанному набору и не гарантируют такую же точность на новых изображениях. Весы доступны в формате PyTorch по лицензии Apache-2.0; использованные сторонние наборы данных могут иметь отдельные ограничения.

WirelessMathLM-0.5B — исследовательский чекпойнт, разработанный авторами WirelessMathBench-XL для изучения математических рассуждений в задачах беспроводной связи. Это плотная авторегрессионная модель Qwen2ForCausalLM на 494 млн параметров, дообученная методом GRPO от Qwen/Qwen2.5-0.5B без предварительного SFT. Модель принимает текстовые запросы и генерирует текст; в экспериментах использовались промпты датасета и сырой completion endpoint без chat template. Контекст составляет 32 768 токенов. Модель предназначена для экспериментов с решением математических задач по беспроводной связи и оценки обучения по проверяемым ответам. В опубликованном тестовом протоколе WirelessMathBench-XL точность составила 2,12% на полном тестовом наборе и 2,26% на открытом подмножестве; авторы отмечают, что это близко к нижнему пределу. Результаты не подтверждают обобщённые или независимые от проверяющей системы способности к рассуждению: разделение данных выполнено по задачам, но выборки используют публикации из общих источников. Модель не является универсальным ассистентом. Доступна под лицензией Apache-2.0; авторы позиционируют её для исследований математических рассуждений в беспроводной связи.

MaleCNS-SpikeWhale-Anatomy-LM — экспериментальная языковая модель на основе разреженной спайковой нейронной сети, созданная автором репозитория Quazim0t0. Она дообучена на базе Quazim0t0/SpikeWhale-SNN-216M и использует схему связей мужской центральной нервной системы плодовой мушки MaleCNS v1.0, опубликованную Janelia и Google. В модели около 167 565 нейронов и 25,6 млн связей; обучение изменяло веса синапсов, а текст поступает через неспецифические сенсорные клетки. README также описывает экспериментальный зрительный тракт, совместное обучение на тексте и подписях к изображениям и тестирование рефлексов в симуляции целого мозга. Модель предназначена для генерации текста и исследования того, как языковые закономерности могут возникать в спайковой нейронной сети с биологически мотивированной проводкой. Автор приводит улучшение кросс-энтропии на тестовых предложениях до 2,76, однако генерация остаётся неграмотной и неестественной, а подписи к изображениям ненадёжны. В экспериментах восстановление нейронной активности гомеостатической пластичностью нарушало языковые способности; модель является симуляцией и не воспроизводит полноценную биологию мушки. Репозиторий распространяется по лицензии Apache-2.0.

Mists-7B-v01-not-trained — экспериментальная мультимодальная модель HachiML, объединяющая языковую обработку и временные ряды. Она основана на Mistral-7B-Instruct-v0.3 и модели эмбеддингов временных рядов MOMENT-1-large-embedding-v0.1, производной от AutonLab/MOMENT-1-large. В архитектуре указана MistsForConditionalGeneration; репозиторий содержит веса safetensors и библиотека Transformers. Модель предназначена для работы с текстом и временными рядами, однако адаптер не обучен, поэтому модель пока не пригодна для практического использования. Лицензия — Apache-2.0.

Модель kimcomehome/plantvillage-vit-leaf-disease — классификатор изображений листьев, разработанный для предварительного выявления болезней сельскохозяйственных культур. Это дообученная на датасете PlantVillage модель Vision Transformer ViT-Base с 113,2 млн параметров. Она относит изображение к одному из 38 классов болезней и культур, охватывающих 14 видов растений; принимает изображения и выдаёт метки классов с оценками уверенности. Модель создавалась как локальный инструмент первичной проверки для франкоязычного сельскохозяйственного консультанта DakiKobo в Буркина-Фасо. На тестовом разбиении автор сообщает точность 99,79% по всем классам и 98,44% для кукурузы, однако возможное пересечение фотографий одних и тех же листьев между обучающей и тестовой выборками могло завысить результаты. Данные PlantVillage получены в контролируемых условиях: точность на телефонных снимках прикреплённых листьев в поле не измерялась и ожидается ниже. Кукуруза — единственная культура из набора, совпадающая с частью культур целевой аудитории; для остальных культур региона модель может уверенно выдать неверный класс. У модели нет класса для неизвестных объектов, а наиболее существенная ошибка — путаница между серой пятнистостью и северным гельминтоспориозом кукурузы. Лицензия — CC BY-SA 3.0.

quinex-quantity-v0-124M — англоязычная модель Jülich Systems Analysis для извлечения количественных упоминаний из текста. Это энкодерный трансформер на архитектуре RoBERTa, дообученный на базе nasa-impact/nasa-smd-ibm-v0.1 (INDUS), который был предварительно обучен на научной литературе и Википедии. В метаданных указаны 151,8 млн параметров и контекст длиной 514 токенов; в README размер округлён до 124 млн параметров. Модель размечает токены, находя числа и связанные с ними единицы измерения. Она предназначена для извлечения количественных данных из научных публикаций и других англоязычных текстов. В README сообщается о F1 96,34 на тестовом наборе и проверке на публикациях из нескольких научных областей; результаты зависят от трактовки неоднозначных количественных выражений. Модификаторы вроде «примерно», «более» и отрицания в выделяемые фрагменты не входят. Лицензия — Apache-2.0.