IV.6Научные исследования, математика и новые материалы

UniScientist — языковая модель UniPat AI для научного исследования в более чем 50 дисциплинах. Это разреженная модель семейства Qwen3 MoE с 30 млрд параметров, из которых на каждом токене активируется около 3 млрд; в метаданных указано 2,6 млрд параметров. Она принимает текст и генерирует исследовательские ответы и отчёты, а в агентном цикле может собирать доказательства, обосновывать выводы, пересматривать гипотезы и объединять несколько исследовательских отчётов. Карточка описывает применение инструментов для веб-поиска, поиска научных публикаций, загрузки страниц и выполнения кода; интерфейс вызова инструментов также отмечен в метаданных. Модель рассчитана на исследовательские задачи в разных научных областях и сообщает о результатах на нескольких исследовательских бенчмарках. Метаданные указывают контекст до 131 072 токенов, поддержку английского языка и лицензию Apache-2.0. Размер в README и метаданных различается; результаты бенчмарков приведены авторами карточки и независимо здесь не подтверждены.

Fisher-R1-7B — открытая языковая модель-агент May2222 для решения задач статистической проверки гипотез. Она дообучена на базе Qwen/Qwen2.5-Coder-7B-Instruct с помощью supervised fine-tuning и reinforcement learning, использующих синтетические исполняемые статистические задачи и проверяемые статистические награды. Модель имеет плотную архитектуру Qwen2, около 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для анализа данных: она может выбрать подходящий статистический тест, выполнить его, сообщить p-value и сформулировать вывод. В карточке указана оценка на P-Bench; метаданные также отмечают диалоговые возможности и интерфейс вызова инструментов. Для работы доступны веса в формате safetensors и библиотека Transformers. Лицензия — Apache-2.0. Модель ориентирована на статистические тесты и не позиционируется как универсальный аналитический или программный помощник. Надёжность выводов зависит от корректности исходных данных, выбора теста и исполнения вычислений; результаты статистической проверки требуют проверки специалистом.

LinerAI разработала эту дообученную на Qwen/Qwen3-Embedding-0.6B модель для поиска научной литературы. Это плотная модель семейства Qwen3 с 507,6 млн параметров, которая преобразует запросы и документы в эмбеддинги для семантического поиска; обучение с контрастивной функцией потерь и подбором сложных негативных примеров ориентировано на академические материалы. В README заявлены размерность эмбеддингов 1024 и поддержка Matryoshka с укороченными векторами размерностью 768, 512, 256 и 128. Модель предназначена для поиска научных статей, обнаружения связанных работ и извлечения документов по исследовательским вопросам. Поддерживаются английский, китайский, корейский, японский, немецкий, французский, испанский и русский языки. В метаданных указано окно контекста 32768 токенов, тогда как README устанавливает предел 4096 токенов; перед применением следует проверить ограничение используемой версии. Для запросов рекомендуется заданный формат с инструкцией, а документы кодируются без префикса. Лицензия — Apache-2.0.

DeepSeek-VL-7B-Chat — мультимодальная модель понимания изображений и текста, разработанная командой DeepSeek. Это версия с инструкционным дообучением на основе DeepSeek-VL-7B-Base; базовая модель использует языковую основу DeepSeek-LLM-7B-Base и гибридный визуальный энкодер SigLIP-L и SAM-B. Модель принимает изображения размером до 1024 × 1024 вместе с текстовыми запросами и формирует текстовые ответы. Модель предназначена для диалога по изображениям и решения задач визуально-языкового понимания: анализа логических диаграмм и веб-страниц, распознавания формул, чтения научной литературы, описания естественных изображений и понимания сложных сценариев. Веса опубликованы в формате safetensors. В метаданных указана лицензия other; конкретные условия использования следует проверять в репозитории модели.

Llama-3.1_OpenScholar-8B — дообученная University of Washington и Allen Institute for AI (AI2) авторегрессионная языковая модель на архитектуре Transformer для синтеза научной литературы. Модель обучена на наборе os-data; в обучающие данные также входят Tulu3 и SciRIFF. Модель основана на Meta-Llama-3.1-8B, содержит около 7,5 млрд параметров и принимает текст, выдавая текст. Для неё заявлено контекстное окно 131 072 токена. Основной язык — английский; данные научных публикаций основаны на peS2o v2 и охватывают статьи по январь 2023 года. Модель предназначена для обобщения и синтеза сведений из научной литературы. Карточка указывает лицензию llama3.1 в метаданных Hugging Face, тогда как README заявляет Apache 2.0 для кода и модели; эти сведения о лицензии расходятся, поэтому условия использования весов следует сверить с лицензией репозитория.

onnx-community/nougat-small-ONNX — ONNX-версия модели facebook/nougat-small, автоматически конвертированная и опубликованная сообществом ONNX Community. Оригинальная модель Nougat разработана Lukas Blecher, Guillem Cucurull, Thomas Scialom и Robert Stojnic в рамках проекта Facebook Research. Модель предназначена для преобразования изображений страниц научных PDF-документов в структурированный текст в формате Markdown. Она принимает пиксельное изображение документа и авторегрессионно генерирует его текстовое представление, включая содержимое, подходящее для последующей обработки и использования в сценариях извлечения данных из академических публикаций. Архитектура включает визуальный энкодер Swin Transformer и текстовый декодер mBART. Это небольшая версия Nougat, соответствующая варианту 0.1.0-small; модель работает в режиме image-to-text и распространяется в формате ONNX, что подходит для запуска через Transformers.js. Языки, размер контекста и точные параметры модели в карточке не указаны. Модель ориентирована прежде всего на научные PDF-документы и может быть ограничена качеством исходного изображения, сложностью разметки и отличиями документов от обучающих данных. Модель распространяется по лицензии CC BY 4.0.

SciEmbed-CTX — дообученная модель эмбеддингов научных документов из выпуска SciEmbed. Она построена на encoder-only архитектуре ModernBERT-base и содержит 149 млн параметров. Модель обучали контрастивным методом на парах предложений из научных документов, используя контекст цитирования как основной обучающий сигнал; описанный результат получен на подвыборке из 7 млн пар за три эпохи. Модель предназначена для преобразования научных текстов в векторы, пригодные для поиска и оценки семантической близости. В README приведены результаты SciRepEval по классификации, регрессии, близости и поиску, а также пример применения Sentence Transformers с нормализацией эмбеддингов. Поддерживается контекст до 8192 токенов; основной язык карточки — английский. Лицензия — MIT.

SciTulu 70B — модель Allen Institute for AI (AI2) для следования инструкциям и понимания научной литературы. Она дообучена на основе Tulu v2 70B: использует демонстрации из научного набора SciRIFF вместе с общими инструкциями из Tulu v2 SFT mix. Модель построена на плотной архитектуре Llama и содержит 68,7 млрд параметров. Она принимает текст и генерирует текст на английском языке; нативная длина контекста составляет 2048 токенов. В карточке сообщается об улучшении среднего результата на 6,5% относительно Tulu v2 70B на девяти отложенных задачах понимания научной литературы. SciTulu предназначена для ответов на вопросы и выполнения инструкций по научным публикациям, а также может применяться для общих текстовых инструкций. Результаты могут содержать ошибки и унаследованные от базовой модели ограничения и предубеждения. Лицензия — Apache-2.0.

unsloth/OpenReasoning-Nemotron-32B-GGUF — GGUF-версия большой языковой модели OpenReasoning-Nemotron-32B, разработанной NVIDIA и подготовленной Unsloth. Модель является производной от Qwen2.5-32B-Instruct и дообучена для рассуждений при решении математических, программных и научных задач. Она предназначена для генерации текста, включая ответы, решения и исходный код, а также может использоваться в исследовательских и коммерческих сценариях. Модель имеет 32 млрд параметров и работает с текстовыми данными на английском языке. В README не указаны точная архитектура в терминах компонентов, размер контекстного окна и конкретный вариант GGUF-квантизации. Заявлена оценка сгенерированных последовательностей длиной до 64K выходных токенов. Для повышения качества можно применять режим GenSelect с несколькими параллельными генерациями и выбором лучшего решения; этот подход особенно ориентирован на математические и программные задачи. К сильным сторонам относятся специализация на сложном рассуждении, математике, коде и науке, а также высокие результаты на приведённых бенчмарках, включая GPQA, MMLU-PRO, LiveCodeBench, SciCode и AIME. Ограничения включают высокие требования к ресурсам, свойственные модели такого размера, неопределённость характеристик конкретной квантизованной сборки и отсутствие заявлений о мультимодальности: в доступных данных указана только текстовая генерация. Модель распространяется по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0); дополнительно упомянута лицензия Apache 2.0 базовой модели Qwen2.5-32B-Instruct.

maayans/stella_en_1.5B_v5__ratio-broaden — дообученная модель NovaSearch/stella_en_1.5B_v5 для операции BROADEN в наборе RATIO. Она сопоставляет научный запрос с формулировкой того же вопроса на более широком уровне или с большей степенью обобщения, поэтому подходит для поиска литературы и идей по научным запросам. Модель основана на плотной архитектуре Qwen2 с 1,5 млрд параметров, принимает текст и создаёт эмбеддинги; нативная длина контекста — 131 072 токена. Для запросов при кодировании требуется встроенный prompt Stella s2p_query («Instruct: Retrieve semantically similar text. Query: »), а предложения-кандидаты кодируются без промпта. Модель обучена контрастивно на обучающей части RATIO для связи BROADEN; README указывает, что тестовые статьи в бенчмарке опубликованы позже обучающих данных оцениваемых энкодеров. Доступна под лицензией MIT.

TheProfessor-155b — разговорная языковая модель, созданная Eric Hartford при участии Weyaxi, Charles Goddard и команды Generative AI AbacusAI. Это слияние предварительно обученных моделей семейства Llama, выполненное методом linear merge с помощью mergekit; после слияния модель не дообучали. В состав вошли модели для диалога, математики, медицины и научных задач. Модель содержит 154,3 млрд параметров, принимает текст и использует формат диалога ChatML; заявленная длина контекста — 4096 токенов. Модель предназначена для диалога, рассуждений и совместной работы над научными и математическими задачами: от обсуждения концепций до помощи с кодом, написанием и редактированием статей. Её также можно использовать для медицинских вопросов и исследовательского мозгового штурма. Модель выдаёт текст; README не указывает отдельный перечень поддерживаемых естественных языков. Модель распространяется по лицензии Llama 2. Качество ответов и надёжность фактов README не характеризует; медицинские ответы следует проверять, а генерацию цитат и научных сведений — сверять с первоисточниками.

MatCha — модель на архитектуре Pix2Struct, разработанная Fangyu Liu, Francesco Piccinno и коллегами и дообученная на наборе PlotQA-v1. Она предназначена для ответов на вопросы по графикам и диаграммам: принимает изображение и текстовый вопрос, а ответ формулирует текстом. В основе MatCha — предварительное обучение для математических рассуждений и восстановления структуры графиков; опубликованные авторами результаты показывают улучшение на тестах PlotQA и ChartQA. Модель подходит для извлечения сведений и численных значений из графиков по запросу на естественном языке. Метаданные указывают поддержку английского, французского, румынского и немецкого языков. Веса доступны в формате PyTorch; лицензия — Apache-2.0.

OpenAI o3-mini-high — вариант модели o3-mini с уровнем reasoning_effort, установленным на high. Это языковая модель для решения задач, требующих рассуждений, с особым упором на естественные науки, математику и STEM-сценарии. Взаимодействует с текстом и выдаёт текстовые ответы. Модель предназначена для ответов на сложные вопросы, пошагового анализа и помощи в решении научных и математических задач. В доступных сведениях не приведены размер модели, длина контекста и условия лицензии.

SciGLM-6B — научная языковая модель семейства ChatGLM, разработанная для рассуждений на уровне университетских курсов. Модель дообучена на SciInstruct — наборе из 254 051 инструкционного примера по математике, физике, химии и формальным доказательствам на Lean, подготовленном с помощью самооценки и пересмотра пошаговых рассуждений. Модель предназначена для ответов на научные вопросы и решения задач по этим дисциплинам. Она содержит 7,8 млрд параметров, принимает текст и имеет контекст длиной до 32 768 токенов. Репозиторий использует формат PyTorch; лицензия — Apache-2.0.

SPECTER — предварительно обученная языковая модель Allen Institute for AI (AI2) для получения векторных представлений научных документов. Авторы модели — Арман Кохан, Сергей Фельдман, Из Белтаги, Даг Дауни и Дэниел С. Уэлд. Модель основана на BERT, содержит 137,1 млн параметров и принимает текст с контекстом до 512 токенов. SPECTER обучена с использованием связей цитирования между публикациями, чтобы кодировать документы на уровне целой статьи. Полученные эмбеддинги подходят для поиска и сравнения научных работ, а также для задач, где важно оценивать тематическую близость публикаций. Модель можно применять без дополнительного дообучения под конкретную задачу; она оценивалась на SciDocs. Модель ориентирована на англоязычные научные тексты и выдаёт векторные представления. README рекомендует для новых проектов по векторизации статей использовать SPECTER2, которая заменила эту модель. Лицензия — Apache-2.0; доступны веса PyTorch, TensorFlow и Flax.

johngiorgi/declutr-sci-base — текстовая модель на архитектуре BERT, разработанная на основе allenai/scibert_scivocab_uncased. Она прошла дополнительное самоконтролируемое обучение на более чем 2 млн научных публикаций из S2ORC по стратегии DeCLUTR и предназначена для кодирования предложений в векторные представления, особенно научных текстов. Модель подходит для поиска и сравнения научных предложений по смыслу, кластеризации текстов и построения семантического поиска. Она содержит 137,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и поддерживает английский язык. Доступны веса в форматах PyTorch и Flax; лицензия — Apache-2.0. Модель специализируется на научном тексте, поэтому её пригодность для других предметных областей и языков может быть ниже. Это энкодер представлений, а не генеративная модель: она выдаёт векторы, а не связные ответы.

SciEmbed-NoDAPT-CTX — англоязычная модель встраиваний научных документов из выпуска SciEmbed, разработанная авторами проекта, сведения о которых в карточке скрыты из-за двойного слепого рецензирования. Это дообученная контрастным обучением 149-миллионная encoder-модель ModernBERT-base; в рецепте обучения пропущен этап доменно-адаптивного MLM, а основным сигналом служили предложения с контекстом цитирования. Модель предназначена для получения векторных представлений научных текстов, в частности для поиска документов и оценки близости предложений. В карточке приведены результаты на SciRepEval: 66,7 ± 0,07 по общей метрике, включая 82,6 для поиска и 80,8 для близости. Контекст составляет до 8192 токенов. Модель распространяется в формате safetensors через Sentence Transformers по лицензии MIT.

SemCSE_cosine — модель для получения векторных представлений научных аннотаций и предложений, разработанная группой CLAUSE Билефельдского университета. Она основана на DeBERTa v2 и дообучена на KISTI-AI/Scideberta-full; содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска научных публикаций, кластеризации аннотаций и предложений, а также других задач сравнения и анализа текстовых эмбеддингов. В отличие от основной модели SemCSE, для вычисления сходства в пространстве эмбеддингов эта версия использует косинусное сходство. Разработчики сообщают о высоких результатах на собственном семантическом научном бенчмарке и SciRepEval. Модель рассчитана преимущественно на английский язык и научные тексты. Для работы с ней нужны Transformers и подходящий способ сравнения эмбеддингов; размер входа ограничен контекстом в 512 токенов. Лицензия — MIT.

Это модель Sentence Transformers, дообученная разработчиком ML5562 на научно-текстовой BERT-модели SciBERT от Allen Institute for AI. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и вычисляет их семантическую близость по косинусному сходству. Модель подходит для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации научных текстов. В основе — BERT с усреднением токенных представлений; максимальная длина входа составляет 512 токенов. Модель обучалась с TripletLoss на наборе из 19 392 примеров. В README приведена точность cosine_accuracy 0,6229 на оценке TripletEvaluator. Исходная SciBERT ориентирована на английские научные тексты; данных о лицензии в предоставленных источниках нет.

MegaScience-Qwen-GGUF — набор квантованных моделей в формате GGUF, опубликованный пользователем или организацией prithivMLmods и основанный на семействе Qwen3 и Qwen2.5. Модели дообучены на датасете MegaScience, содержащем более 1,25 млн научных вопросов и ответов университетского уровня из открытых учебников и научных бенчмарков по семи дисциплинам. В состав набора входят варианты Qwen3-1.7B, Qwen3-4B, Qwen3-8B, Qwen2.5-1.5B, Qwen2.5-3B и Qwen2.5-7B, хотя для некоторых вариантов в README приведены неполные сведения о файлах. Модели предназначены для генерации текста, научного рассуждения, ответов на вопросы, решения математических задач, образовательных сценариев и работы с общими знаниями. Поддерживается английский язык; заявлена текстовая модальность. Ключевой особенностью является специализация на научных данных и наличие нескольких уровней размера и квантования, включая BF16, F16, F32 и варианты Q2_K–Q8_0, что позволяет выбирать компромисс между качеством, потреблением памяти и скоростью локального запуска. К сильным сторонам относятся ориентация на научное рассуждение, компактные варианты для ограниченных ресурсов и доступность нескольких форматов GGUF. Ограничения связаны с тем, что точное окно контекста, архитектурные детали, требования к оборудованию, показатели отдельных версий и рекомендации по использованию конкретных квантований в README не указаны. Модели распространяются по лицензии Apache-2.0.

OpenMath-Nemotron-7B — языковая модель NVIDIA для решения математических задач. Она создана дообучением Qwen/Qwen2.5-Math-7B на наборе OpenMathReasoning и использует плотную архитектуру Qwen2 с 7,1 млрд параметров. Модель принимает текст и генерирует текст; доступны режимы пошагового рассуждения CoT, интеграции с инструментами TIR и выбора решения GenSelect. Контекст — до 131 072 токенов. Модель предназначена для математического рассуждения и исследовательских сценариев, включая решение задач и оценку ответов на математических бенчмарках. Карточка сообщает о сильных результатах семейства OpenMath-Nemotron на популярных математических бенчмарках, но конкретные результаты для версии 7B в приведённой таблице не указаны. В метаданных указан английский язык; README не уточняет языковой охват этой версии. Модель доступна по лицензии CC BY 4.0, а карточка заявляет готовность к коммерческому использованию. Для запуска указаны Transformers, TensorRT и Triton, а также оптимизация для систем с GPU NVIDIA. Ответы математической модели могут содержать ошибки и требуют проверки, особенно при использовании в критичных сценариях.

PaSa-7B-Selector — дообученная ByteDance Research языковая модель на архитектуре Qwen2 для поиска научных статей. Она предназначена для работы в составе агента PaSa, который помогает находить академические публикации по запросу. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов; карточка указывает английский язык и диалоговые возможности. Модель основана на Qwen/Qwen2.5-7B-Instruct и дообучена на датасете CarlanLark/pasa-dataset. Доступны веса PyTorch в формате safetensors. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения на тех же условиях.

PP-FormulaNet-L — модель распознавания математических формул по изображениям, разработанная командой PaddleOCR. Она использует Vary_VIT_B в качестве backbone и обучена на крупном наборе формул; модель можно применять отдельно или в составе конвейера PaddleOCR для обработки документов. Модель преобразует изображение формулы в исходный код LaTeX и предназначена для распознавания простых и сложных формул на английском и китайском языках. В README для неё приведены BLEU 90,36 для английских и 45,78 для китайских формул, а также время инференса на GPU 1976,52 мс; показатели получены на наборах данных UniMERNet и PaddleX. Модель опубликована под лицензией Apache-2.0. Для запуска используется библиотека PaddleOCR; README описывает также конвейер, который может включать классификацию ориентации, выравнивание изображения и обнаружение макета документа.

Darwin-180B-RSI — мультимодальная модель рассуждений семейства Darwin, разработанная VIDRAFT и оценённая FINAL-Bench. Она основана на Qwen3.8-Flash-Next с архитектурой Mixture-of-Experts и предназначена для диалогов, сложных задач по математике и естественным наукам, анализа изображений и разбора документов. Модель принимает текст и изображения и выдаёт текст; в карточке заявлены поддержка корейского и английского языков, а также контекст 262 тыс. токенов. Разработчик описывает подход Recursive Self-Improvement: модель дообучалась на собственных ответах, прошедших проверку по эталонным ответам или исполняемым проверкам. В README заявлены высокие результаты на бенчмарках рассуждений, мультимодального понимания и структурированного вывода; эти показатели приведены издателем и зависят от протокола оценки. Модель поддерживает интерфейс вызова инструментов и предназначена для запуска через Transformers или vLLM. README указывает на длительные цепочки рассуждений, которые могут обрезаться при малом лимите генерации, и предупреждает, что модель может уверенно ошибаться; для оценки уверенности предлагается ZTC. Лицензия обозначена как other; родительская модель указана под Qwen Community License 1.0, но условия лицензии самой Darwin-180B-RSI в доступных данных не раскрыты.

thealper2/donut-im2latex — модель распознавания математических формул, разработанная на основе Donut и дообученная на наборе yuntian-deng/im2latex-100k. Она принимает изображение набранной формулы и напрямую генерирует её LaTeX-код без отдельного этапа OCR. Архитектура Vision-Encoder-Decoder сочетает визуальный энкодер Swin Transformer и авторегрессионный декодер в стиле BART. Модель предназначена для преобразования изображений формул, например скриншотов или фрагментов научных документов, в редактируемый LaTeX. На валидационной выборке указаны точное совпадение 0,505 и CER 0,0558. Модель не рассчитана на рукописную математику, распознавание целых страниц или текста в естественных сценах. Длинные и вложенные выражения могут обрезаться или разбираться неверно, редкие символы и изображения низкого качества снижают точность; сгенерированный LaTeX может требовать проверки и не всегда компилируется. Лицензия — Apache-2.0.

InternLM2 Math Plus 7B — математическая языковая модель, разработанная командой InternLM. Данная версия распространяется в формате GGUF для запуска через совместимые приложения, включая LM Studio; квантизация выполнена bartowski на основе llama.cpp. Модель предназначена для решения, доказательства, проверки и дополнения математических рассуждений, а также для генерации решений с пошаговым рассуждением и работы с кодом. Модель имеет около 7 миллиардов параметров и основана на InternLM2 Math Plus 7B. Она поддерживает английский и китайский языки, использует текстовую модальность и шаблон запросов ChatML. В обучении применялись около 100 миллиардов высококачественных математических токенов и примерно 2 миллиона двуязычных математических примеров с контролируемым обучением. Среди заявленных направлений улучшения — неформальное математическое рассуждение, интерпретация кода, перевод на LEAN 4 и доказательство теорем в LEAN 4. К сильным сторонам относятся специализация на математических задачах, двуязычность и поддержка формальных доказательств. Ограничения включают возможные неточности, ошибки и ненадёжность результатов, характерные для языковых моделей; заявленный размер контекста и точные параметры архитектуры в представленном README не указаны. Лицензия обозначена как other, без дополнительных условий в README, поэтому конкретные правила использования следует уточнять в исходном репозитории модели.

ccdv разработал ccdv/lsg-bart-base-16384-arxiv — модель семейства BART для суммаризации научных статей arXiv. Она дообучена на наборе scientific_papers и использует Local-Sparse-Global attention для обработки длинных входных последовательностей до 16 384 токенов. В карточке сообщается о результатах на тестовой выборке по метрикам ROUGE; приведённые значения зависят от настроек внимания и дообучения. Модель принимает текст статьи и генерирует текстовое резюме на английском языке. Указанный в метаданных размер — 95,2 млн параметров; README приводит оценку около 145 млн параметров. Для запуска требуется Transformers версии 4.36.1 или новее и загрузка пользовательского кода модели с trust_remote_code=True. Лицензия в предоставленных данных не указана.

MarkushGrapher-2 — мультимодальная модель Docling Project для распознавания химических структур Маркуша на изображениях патентных документов и преобразования их в представление CXSMILES с таблицей заместителей. Модель обрабатывает изображение через энкодер Swin-B ViT и модуль ChemicalOCR, а затем объединяет визуальные признаки, распознанный текст и сведения о расположении элементов с помощью архитектуры UDOP на базе T5. Декодер пошагово формирует текстовое представление структуры. Модель предназначена для извлечения химических структур и заместителей из патентных изображений, а также для распознавания обычных молекулярных структур в SMILES. В README описано двухэтапное обучение на парах изображение–SMILES и примерах структур Маркуша. Метаданные указывают 386,3 млн параметров и контекст 512 токенов; README приводит отличающуюся оценку в 831 млн параметров. Для применения указана библиотека Transformers и лицензия Apache-2.0.

mlsa-iai-msu-lab/sci-rus-base4-preview — многоязычная модель-энкодер для построения векторных представлений научных текстов на русском, английском и китайском языках. Она основана на архитектуре ModernBERT, содержит 148,9 млн параметров и принимает последовательности длиной до 8192 токенов. Модель обучена с нуля на корпусах научных статей и данных о цитировании: сначала с помощью masked language modeling, затем совместно с контрастивным обучением и дистилляцией знаний от Qwen/Qwen3-Embedding-8B. Для неё также обучен специализированный токенизатор, ориентированный на научную терминологию. Модель предназначена для получения эмбеддингов научных публикаций и сопоставления текстов по смыслу, в том числе между поддерживаемыми языками. Её можно применять для поиска похожих статей, ранжирования научных документов и построения семантического поиска по исследовательским материалам. Она распространяется в формате safetensors по лицензии MIT. Специализация на научных текстах может ограничивать качество на текстах других типов; описание не приводит результатов независимых оценок качества.

SciTulu 7B — языковая модель с инструкционной настройкой, разработанная Allen Institute for AI (Ai2) для понимания научной литературы. Она создана на основе Tulu v2 7B и дообучена на примерах из SciRIFF вместе с общими инструкциями из набора Tulu v2 SFT. Модель предназначена для выполнения инструкций и задач по научным публикациям. По данным карточки, на девяти отложенных задачах понимания научной литературы она в среднем улучшила результат на 28,1% относительно Tulu v2 7B. Архитектура — плотная Llama для генерации текста, около 6,6 млрд параметров; контекст — 4096 токенов. Указана поддержка английского языка. Модель распространяется по лицензии Apache-2.0. Карточка отсылает к описанию Tulu для сведений о рисках, смещениях и ограничениях; конкретные ограничения SciTulu отдельно не перечислены.