IV.6Научные исследования, математика и новые материалы

Карточка модели introvoyz041/ChemicalOCR на Hugging Face совпадает с карточкой docling-project/ChemicalOCR, поэтому описание составлено по ней. ChemicalOCR — компактная модель компьютерного зрения и языка от Docling Project, дообученная на базе SmolDocling для распознавания текста на изображениях химических структур. Она принимает изображение молекулярного рисунка и извлекает текстовые фрагменты с ограничивающими рамками, распознавая подписи атомов, химические сокращения и пояснительный текст рядом со структурой. Модель основана на архитектуре Idefics3ForConditionalGeneration и содержит 256 млн параметров. ChemicalOCR предназначена для OCR химических схем, в том числе для извлечения текста и координат его расположения из патентных документов. В README приведены результаты на наборах M2S, USPTO-M и IP5-M, где модель показала F1 от 86,5 до 93,0 при IoU 0,5. Она также может использоваться как компонент конвейера MarkushGrapher-2 для распознавания химических структур. Лицензия — Apache-2.0.

Chem-R-Faithful — это исследовательская языковая модель для генерации ответов о химических молекулах, созданная на основе Chem-R-8B и дообученная командой phenixace методом GRPO. При обучении точность ответа поощрялась только тогда, когда рассуждение не содержало неподтверждённых утверждений о функциональных группах. Модель построена на плотной архитектуре Llama, содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. Модель предназначена для генеративных химических задач: описания молекул и преобразования описаний в молекулярные представления, ретросинтетического анализа и подзадач бенчмарка S²-Bench. По сравнению с исходной Chem-R-8B в описанных оценках снизилась частота выдуманных утверждений о функциональных группах, а доля трасс рассуждений без обнаруженных ошибок выросла; фабрикации при этом не устранены полностью. Проверяющий компонент оценивает структурно проверяемые утверждения о функциональных группах, кольцевых системах и классах молекул, но не подтверждает полноту или корректность химического аргумента целиком. Модель распространяется по лицензии CC BY 4.0.

Модель kbulutozler/distilbert-base-uncased-FT-ner-BC5CDR-chem — англоязычная модель DistilBERT, дообученная для распознавания химических сущностей в тексте. Она выполняет токенную классификацию и предназначена для извлечения названий химических веществ, в том числе из биомедицинских текстов. Модель обучена на обучающей выборке BC5CDR-chem из набора BLURB; для тестовой выборки указаны precision 0,89, recall 0,87 и micro-F1 0,88. Архитектура — DistilBertForTokenClassification, размер контекста — до 512 токенов. Модель принимает текст и возвращает разметку токенов. Лицензия — Apache-2.0.

ESM-1v — белковая языковая модель, разработанная исследовательской группой Meta AI (facebookresearch/esm). Этот чекпойнт входит в серию из пяти моделей, обученных предсказывать эффекты аминокислотных вариантов по белковым последовательностям. Он предназначен для оценки вариантов белка и анализа их вероятного влияния на функцию. Модель использует архитектуру трансформера ESM с маскированным языковым моделированием: 33 слоя, около 865 млн параметров по метаданным Hugging Face и контекст до 1026 токенов. На вход подаются последовательности аминокислот; модель предсказывает вероятности аминокислот для замаскированных позиций. Это специализированная модель для белковых последовательностей, а не обычный текстовый чат-бот. Репозиторий предоставляет веса PyTorch и TensorFlow. Лицензия в доступных источниках не подтверждена.

IUPAC2SMILES-canonical-base — модель Knowladgator Engineering для преобразования химических названий IUPAC на английском языке в канонические строки SMILES. Она основана на MT5 и использует архитектуру encoder-decoder с механизмом внимания и разные токенизаторы для кодировщика и декодировщика. Веса занимают около 180 МБ; число параметров — 29,4 млн. Модель предназначена для перевода названий веществ в машинно-читаемое представление, в том числе при пакетной обработке и выборе стиля названия. В оценке авторов указаны точность 93,7% и BLEU-4 0,974. Модель хуже обрабатывает крупные молекулы и не поддерживает изомерные и изотопные варианты SMILES. Распространяется по лицензии Apache 2.0.

MHG-GNN — автоэнкодер для молекулярных графов, связанный с публикацией исследователей IBM «MHG-GNN: Combination of Molecular Hypergraph Grammar with Graph Neural Network». Энкодер на основе графовой нейронной сети принимает молекулы, представленные в виде SMILES, и преобразует их в векторы признаков; последовательный декодер использует молекулярную гиперграфовую грамматику (MHG) для обратного преобразования в SMILES. Модель предназначена для извлечения представлений молекул и работы с молекулярными графами, в том числе для прогнозирования свойств и генерации молекул. В README сказано, что предварительное обучение проводилось на примерно 1,34 млн молекул из PubChem. Декодер обеспечивает структурную корректность генерируемых молекул согласно описанию авторов. Репозиторий содержит PyTorch-код; карточка указывает задачу feature-extraction и лицензию Apache-2.0. Заявленную высокую предсказательную эффективность README не сопровождает метриками. Контрольные веса названы предварительно обученными, однако в карточке репозитория веса не описаны.

MolDeBERTa-base-123M-mlc — молекулярный энкодер, разработанный SaeedLab на основе архитектуры DeBERTaV2. Он предварительно обучен на 123 миллионах строк SMILES из PubChem с целью MLC, которая учитывает свойства молекул и сходство их подструктур. Модель содержит 116,3 млн параметров и принимает последовательности SMILES с контекстом до 128 токенов. Модель предназначена для извлечения векторных представлений молекул. Эмбеддинги можно использовать для оценки сходства, визуализации и обучения предикторов; энкодер также можно дообучить для прогнозирования свойств или классификации молекул. В тестировании семейства на бенчмарках MoleculeNet MolDeBERTa показала сильные результаты, однако эти показатели не гарантируют качество на конкретных данных. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных версий.

seyonec/PubChem10M_SMILES_BPE_60k — модель, разработанная Seyone Chithrananda, для работы с химическими структурами, представленными в формате SMILES. Она использует архитектуру RoBERTa с маскированным языковым моделированием и BPE-токенизатором, обученным на данных PubChem10M. Модель содержит около 96,6 млн параметров, шесть скрытых слоёв, 12 attention-голов, размер скрытого представления 768 и поддерживает последовательности длиной до 512 токенов. Основное назначение — восстановление замаскированных фрагментов SMILES, получение молекулярных представлений и последующее дообучение для задач классификации или регрессии химических свойств. Модель работает с химическими строками SMILES, а не с естественным языком.

Aurigene AI представляет зеркальную копию ReactionT5v2-retrosynthesis — модели на архитектуре T5, дообученной для предсказания реагентов по продукту реакции. Она принимает SMILES продукта и генерирует правдоподобные SMILES реагентов для одношагового ретросинтетического анализа; предложенный маршрут можно дополнительно оценить прямой моделью реакций. Модель предназначена для планирования химического синтеза и может быть дообучена на собственном наборе данных. В репозитории указаны 99,3 млн параметров и формат safetensors. В карточке приведены результаты сравнения на USPTO_50k, включая точность Top-1 37,4% и Top-5 57,0% для последовательной модели; качество для других данных и отдельных молекул может отличаться. Лицензия — MIT. В README указана исходная модель sagawa/ReactionT5v2-retrosynthesis, авторство принадлежит её авторам.

SciLitLLM-7B — языковая модель Uni-SMART для понимания научной литературы. Она создана на основе Qwen2-7B с помощью продолженного предварительного обучения и supervised fine-tuning, чтобы расширить знания модели в научной области и улучшить выполнение инструкций для профильных задач. Архитектура — плотная Qwen2 с 7,1 млрд параметров; модель поддерживает чат и контекст до 131 072 токенов. Модель предназначена для работы с научными текстами и показала улучшение средних результатов на бенчмарках SciAssess и SciRIFF относительно ведущих LLM менее чем с 15 млрд параметров. В карточке не перечислены конкретные поддерживаемые языки и отдельные задачи помимо генерации текста. Лицензия — MIT.

SciThinker-4B — дообученная языковая модель команды OpenMOSS-Team для генерации идей научных исследований. На основе названия и аннотации исходной статьи она предлагает идею продолжения исследования. Модель относится к семейству Qwen3, имеет плотную архитектуру Qwen3ForCausalLM и 3,7 млрд параметров; для генерации текста используется библиотека Transformers. Она основана на Qwen/Qwen3-4B-Thinking-2507 и представлена в рамках работы «AI Can Learn Scientific Taste». Модель предназначена для начального поиска направлений дальнейшей научной работы по статье. Карточка не сообщает о специальных ограничениях качества или поддерживаемых языках, кроме английского в метаданных. Лицензия — Apache-2.0.

cafierom/smiles_embedding_gemma_FT — текстовая Sentence Transformer модель, дообученная на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска и сравнения текстовых представлений с использованием косинусного сходства. Модель построена на архитектуре Gemma 3 Text и содержит около 302,8 млн параметров. В карточке указаны обучение на 3 396 парах premise и hypothesis и оценка на 600 примерах с метками; примеры состоят из строк SMILES, поэтому модель ориентирована на сравнение и поиск сходства между текстовыми представлениями молекул. Для неё указана максимальная длина последовательности 128 токенов; метаданные базовой модели указывают контекст 2 048 токенов. Поддерживается текстовый ввод, выход — векторные эмбеддинги. Лицензия в предоставленных данных не указана.

TrailRAG Cross-Encoder: SciFact Enhanced — дообученная модель PathfinderRAG для оценки сходства между научными утверждениями и фрагментами исследовательских статей. Она обрабатывает пары текстов совместно и выдаёт непрерывную оценку от 0 до 1, которую можно использовать для ранжирования документов при проверке научных фактов и в поисковых сценариях RAG. Модель основана на cross-encoder/ms-marco-MiniLM-L-6-v2 и использует архитектуру BERT с классификационной головой для регрессии. Она реализована на sentence-transformers, содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Обучение проводилось на парах SciFact; заявленные метрики на валидации: MSE 0,100697, MAE 0,183992 и RMSE 0,317328. Модель лучше всего подходит для научной фактологической проверки и ранжирования пар «утверждение — документ»; качество на данных вне научной тематики может отличаться. Для инференса требуется библиотека sentence-transformers. Лицензия — MIT.

VisualHeist-base — модель компьютерного зрения для извлечения таблиц и иллюстраций из страниц PDF-статей. Её разработали на основе контрольных точек Microsoft Florence-2; модель дообучена на 3 435 иллюстрациях и 1 716 таблицах из 110 научных статей с вручную размеченными рамками объектов. Версия base содержит 0,23 млрд параметров и рекомендована для систем с ограниченной оперативной памятью. Модель принимает изображение одной страницы статьи и выдаёт текстовое описание с разметкой обнаруженных объектов, позволяющее выделить таблицы и фигуры для последующего сохранения в виде отдельных изображений. Она предназначена для автоматизации разбора научных PDF, в том числе публикаций по химии, материаловедению, биологии и смежным областям. В метаданных указана архитектура Florence-2 и задача image-text-to-text; репозиторий содержит веса PyTorch в формате safetensors. Лицензия — MIT. Оценки F1 в README приведены для версии visualheist-large, поэтому их нельзя напрямую считать результатами base. Модель обучена на статьях и страницах документов; её применимость к другим типам изображений не установлена.

MixTex/ZhEn-Latex-OCR — модель распознавания содержимого изображений, разработанная автором репозитория MixTex. Она предназначена для преобразования изображений с математическими формулами и текстом на китайском и английском языках в LaTeX. Модель построена на архитектуре vision-encoder-decoder и распространяется в формате safetensors. Автор рекомендует изображения размером примерно 400 × 500 пикселей и ожидаемую длину результата около 100–300 токенов. В карточке упоминаются локальный офлайн-клиент для Windows с CPU-инференсом и использование в Colab. Лицензия — Apache-2.0.

BatteryBERT-uncased — англоязычная BERT-модель, разработанная Шу Хуаном и Жаклин Коул и предварительно обученная на корпусе научных статей о батареях. Модель основана на весах bert-base-uncased и обучена предсказывать замаскированные токены, поэтому подходит для заполнения пропусков в тексте и получения контекстных представлений для последующего дообучения на прикладных задачах. Архитектура — BERT с 136,7 млн параметров; модель принимает текстовые последовательности длиной до 512 токенов. Для обучения использован корпус из 400 366 англоязычных статей о батареях, опубликованных с 2000 года по июнь 2021 года. Модель регистронезависимая, с токенизацией WordPiece и словарём из 30 522 токенов. Модель предназначена прежде всего для задач в области аккумуляторных технологий и материаловедения: её можно дообучать для классификации последовательностей, разметки токенов и ответов на вопросы по научным текстам. Для генерации связного текста она не предназначена. Распространяется по лицензии Apache-2.0.

DeepChem/ChemBERTa-5M-MLM — компактная химическая языковая модель, разработанная сообществом DeepChem. Она основана на архитектуре RoBERTa и обучена методом masked language modeling на строках SMILES, представляющих химические структуры молекул. Модель предназначена для восстановления замаскированных токенов в SMILES и получения молекулярных представлений для последующего дообучения на задачах хемоинформатики. Модель содержит около 3,6 млн параметров, использует 3 слоя, 12 attention heads, скрытое состояние размером 384 и словарь из 600 токенов; максимальная длина последовательности составляет 515 токенов. Она доступна через библиотеку Transformers и относится к задаче fill-mask. Модель работает с химическими строками SMILES, а не с естественным языком или изображениями. В карточке модели лицензия не указана.

ChemBERTa-zinc-base-v1 — модель Seyone для работы с химическими строками SMILES. Она построена на архитектуре RoBERTa и обучена как языковая модель с маскированием токенов на корпусе из 100 тысяч строк SMILES из набора ZINC. Веса доступны в форматах PyTorch и Flax; модель содержит 57,2 млн параметров и рассчитана на контекст до 514 токенов. Модель предсказывает замаскированные токены в последовательности SMILES и может использоваться для изучения представлений атомов и функциональных групп. Эти представления подходят как признаки для последующих моделей и экспериментов с оценкой токсичности, растворимости, лекарственноподобности и доступности синтеза, а также для анализа внимания к фрагментам молекулы. В карточке приведён результат обучения за пять эпох с потерей 0,398; автор отмечает, что дальнейшее обучение могло бы улучшить результат. Это базовый чекпойнт для исследовательских и прикладных экспериментов в вычислительной химии и материаловедении, а не готовая система для оценки свойств молекул. Лицензия в предоставленных данных не указана.

ChemDFM-R-14B — языковая модель для химических рассуждений, представленная разработчиками ChemDFM. Она предназначена для диалоговых задач по химии, включая анализ молекул и реакций через функциональные группы, а также ответы с объяснением хода рассуждений. Для обучения использованы набор атомизированных химических знаний ChemFG, дистилляция знаний и специализированное обучение с подкреплением. Модель построена на плотной архитектуре Qwen2, содержит 14 млрд параметров, принимает текст и имеет контекст до 131 072 токенов; в карточке указана поддержка английского и китайского языков. Репозиторий содержит веса Safetensors. Лицензия — AGPL-3.0. Модель ориентирована на химические задачи и может помогать в разборе функциональных групп и изменений при химических реакциях, а также в исследовательском диалоге. Авторы сообщают о высоких результатах на химических бенчмарках и интерпретируемых ответах с обоснованиями. Выводы могут быть ошибочными или вводить в заблуждение, поэтому их следует проверять с экспертами; при подаче SMILES авторы рекомендуют предварительную каноникализацию с RDKit.

ChemFIE-BED (ChemSELFIES Embedding) — модель эмбеддингов на базе Sentence Transformers, разработанная автором репозитория и дообученная на gbyuvd/chemselfies-base-bertmlm. Она преобразует молекулы, записанные в формате SELFIES, в плотные векторы для поиска и сравнения химических соединений. Обучение проводилось на парах молекул из COCONUTDB и ChemBL34 с метками сходства, рассчитанными по MACCS-отпечаткам. Модель использует архитектуру BERT с усреднением токенных представлений и косинусной мерой сходства. Размер эмбеддинга — 320 измерений; матричные эмбеддинги позволяют при необходимости сократить его до 160 или 80 измерений. Максимальная длина входа — 512 токенов. Модель предназначена для поиска химически похожих соединений, кластеризации и классификации молекул по их векторам. Входной язык модели — SELFIES, а не естественный язык; обучение охватывало природные продукты и биоактивные соединения. Качество на тестовых данных автор считает достаточным для текущего применения, но в README не приведены численные метрики. Лицензия CC-BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование.

ChemEmbed-v01 — экспериментальный sentence-transformers на базе MiniLM-L6-H384-uncased, дообученный разработчиком на 1 183 174 парах SELFIES природных соединений из COCONUTDB. Модель преобразует SELFIES в плотные векторы размерности 768; заявлены сходство предложений с косинусной метрикой и максимальная длина входа 512 токенов. Метаданные указывают архитектуру BERT и поддержку эмбеддингов и сходства предложений. Модель предназначена для поиска и сравнения химических соединений, а также для построения кластеров и классификации на основе эмбеддингов. В README приведена оценка сходства на NP-isotest: Spearman для косинусного сходства 0,9303. Обучение проводилось на природных продуктах; автор отмечает, что модель может плохо работать с синтетическими лекарственными соединениями, а токенизатор не адаптирован специально для SELFIES. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование с указанием авторства.

ChemicalOCR — компактная модель компьютерного зрения и языка от Docling Project, дообученная на базе SmolDocling для распознавания текста на изображениях химических структур. Она принимает изображение молекулярного рисунка и извлекает текстовые фрагменты с ограничивающими рамками, распознавая подписи атомов, химические сокращения и пояснительный текст рядом со структурой. Модель основана на архитектуре Idefics3ForConditionalGeneration и содержит 256 млн параметров. ChemicalOCR предназначена для OCR химических схем, в том числе для извлечения текста и координат его расположения из патентных документов. В README приведены результаты на наборах M2S, USPTO-M и IP5-M, где модель показала F1 от 86,5 до 93,0 при IoU 0,5. Она также может использоваться как компонент конвейера MarkushGrapher-2 для распознавания химических структур. Лицензия — Apache-2.0.

Darwin-218B-Delphi — модель семейства Darwin от VIDRAFT FINAL-Bench для химии и научных рассуждений. Это объединённая производная Cohere Command A+, корейски ориентированной Darwin-218B-kr и химического дообучения; в README также описана дистилляция 993 примеров рассуждений по химии от внешней модели-учителя. Архитектура Cohere2 MoE содержит 218 млрд параметров, из которых активно около 25 млрд, и 128 экспертов. Модель предназначена для диалоговых ответов на научные вопросы, решения задач уровня аспирантуры и рассуждений по шести областям химии: органической, спектроскопии, физической, неорганической, аналитической и специальной. Для GPQA Diamond авторы приводят точность 86,87% в базовом режиме и 90,91% в каскаде DELPHI; это заявленные результаты авторов. Репозиторий использует Transformers и формат safetensors. Метаданные указывают английский и корейский языки; базовая модель также мультимодальна, однако карточка этой производной не описывает поддержку изображений во входах. Лицензия — Apache-2.0. Описание не приводит длину контекста. Показатели на тесте GPQA Diamond сами по себе не гарантируют точность ответов в других задачах; использование каскада DELPHI описано как отдельный режим инференса.

Synthyra/ESMFold2-Fast — опубликованная Synthyra версия чекпойнта biohub/ESMFold2-Fast для запуска через FastPLMs и Hugging Face Transformers. Это плотная модель семейства ESMFold2; в варианте Fast используются 24 блока, а модель оптимизирована для сворачивания белка по одной аминокислотной последовательности без MSA-кондиционирования. Она также принимает типизированные входы для комплексов из нескольких цепей и молекул, если для каждой белковой цепи задано msa=None. Модель предназначена для предсказания трёхмерной структуры и уверенности предсказания белков, а также для извлечения остаточных представлений размерности 256. Путь эмбеддингов поддерживает только одиночные цепи. В репозитории есть интерфейсы классификации последовательностей и токенов, однако их классификационные головы инициализируются заново и требуют дообучения перед использованием для предсказаний. Модель загружается через Transformers; для подготовки структур требуется ресурс ccd.pkl из biohub/ESMFold2. Вариант Fast не поддерживает белковые MSA, а также отклоняет pocket- и distogram-кондиционирование. Режим оконного atom attention требует CUDA и может менять численные результаты; явная точность FP8 обозначена как экспериментальная и требует подходящего CUDA-пути с Transformer Engine. Предсказанные координаты и оценки уверенности сами по себе не подтверждают биохимическую активность. Лицензия репозитория — MIT.

ether0 — специализированная языковая модель FutureHouse на 23,4 млрд параметров, созданная дообучением и обучением с подкреплением модели Mistral-Small-24B-Instruct-2501. Она принимает вопросы на английском языке, в том числе с молекулами в формате SMILES, рассуждает на естественном языке и выдаёт молекулярные структуры SMILES. Контекст модели — 32 768 токенов; репозиторий содержит веса safetensors. Модель предназначена для задач химического рассуждения, где ответом служит молекула, включая предсказание продуктов реакций, описание молекул и прогнозирование их классификации по GHS. Это не универсальный чат-бот. Лучше подавать структуры в SMILES: поддержка названий IUPAC ограничена, а обычные названия молекул могут приводить к ошибочной интерпретации. У модели также слабые общие знания по химии и учебным материалам. По карточке, она обучена отказывать в запросах о ряде опасных соединений и вредоносных темах. Лицензия — Apache 2.0.

DGurgurov/im2latex — дообученная модель архитектуры VisionEncoderDecoder для преобразования изображений математических формул в код LaTeX. Её разработчик дообучил Swin Transformer в роли визуального энкодера и GPT-2 в роли декодера на наборе OleehyO/latex-formulas; модель использует PyTorch и сохранена в формате safetensors. Модель предназначена для распознавания формул на изображениях и последующего редактирования или использования их LaTeX-представления. В описанной оценке на тестовой выборке указаны BLEU 0,67 и потери 0,10. Лицензия — MIT.

IUPAC2SMILES-canonical-small — компактная модель Knowledgator Engineering для преобразования названий химических веществ по номенклатуре IUPAC в канонические строки SMILES. Она основана на MT5 и использует архитектуру энкодер-декодер с механизмом внимания и раздельными токенизаторами для входной и выходной частей. Модель обрабатывает английские названия IUPAC и выдаёт SMILES; для задания стиля названия предусмотрены специальные токены. Модель подходит для преобразования химических названий в машинно-читаемое представление в химических конвертерах и пакетной обработке. В README указаны точность 88,9% и BLEU-4 0,966. Размер модели по метаданным — 3,7 млн параметров; веса доступны в формате safetensors. Лицензия — Apache License 2.0. Ограничения: точность снижается при обработке крупных молекул; модель не поддерживает изомерные и изотопные варианты SMILES.

GeomLlama-zmat-Drugs-Large — дообученная на базе Meta Llama-3.1-8B-Instruct языковая модель с архитектурой Llama, предназначенная для генерации 3D-конформаций крупных лекарственно-подобных молекул. Она принимает строку SMILES и выдаёт структуру в формате матрицы Фенске—Холла (Z-matrix) с длинами связей, углами и двугранными углами. Модель содержит 7,5 млрд параметров, поддерживает контекст до 131 072 токенов и работает через Transformers. Модель обучена на наборе GEOM-Drugs-Large: карточка сообщает о 19 860 обучающих молекулах и примерно 2 млн конформеров с атомами водорода. Для сохранения общих инструкционных возможностей использовалась также часть смеси Tulu-3. Это специализированный вариант семейства GeomLlama; координаты Z-matrix можно преобразовать в декартовы координаты стандартным алгоритмом NeRF. Модель выдаёт атомы в произвольном порядке и не включает метки атомов или блок связности, поэтому результат требует корректного разбора и восстановления декартовых координат. Она лицензирована по условиям Llama 3.1; для использования применяются условия лицензии Meta.

GeomLlama-zmat-QM9-Large — модель THGLab, созданная дообучением Llama-3.1-8B-Instruct для генерации трёхмерных геометрий малых молекул. Она принимает SMILES и выдаёт структуру в формате матрицы Фенске—Холла (Z-матрицы), где атомы описываются внутренними координатами: длинами связей, углами и двугранными углами. Выход можно преобразовать в декартовы координаты стандартным алгоритмом преобразования внутренних координат. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров, работает через Transformers и поддерживает контекст до 131 072 токенов. Специализирована на геометриях молекул масштаба QM9 и обучена на GEOM-QM9; примеры из смеси Tulu-3 использовались для сохранения навыков следования общим инструкциям. README описывает обучение с LoRA, адаптер которого был объединён с базовыми весами. Модель подходит для получения начальных конформеров малых молекул из SMILES, но её назначение ограничено геометриями масштаба QM9; README не заявляет применимость к более крупным или лекарственным молекулам. Распространяется по лицензии llama3.1 Meta.

MicroscopyCLIP — модель SeriYann на архитектуре CLIP ViT-B/32, дообученная со всеми параметрами на парах изображение–текст для микроскопии. Она сопоставляет микроскопические изображения с текстовыми описаниями и подходит для классификации изображений по заданным текстовым меткам без отдельного обучения на каждом наборе классов. Модель предназначена для задач компьютерного зрения в микроскопии. Модель создана на основе openai/clip-vit-base-patch32 и распространяется в формате safetensors под лицензией MIT. Она принимает изображения и текстовые метки и оценивает их соответствие. Карточка не сообщает размер набора данных, поддерживаемые языки или длину контекста.