IV.6Научные исследования, математика и новые материалы

BC5CDRSciBERTNER — дообученная модель на основе allenai/scibert_scivocab_uncased для распознавания названий химических веществ и заболеваний в научных текстах. Она выполняет разметку токенов, относя их к классам Chemical и Disease, и подходит для извлечения этих сущностей из биомедицинской литературы. Модель основана на архитектуре BERT, содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов. Для английских названий химических веществ на оценочной выборке указаны precision 0,92, recall 0,94 и F1 0,93; для заболеваний — precision, recall и F1 по 0,98. Модель использует лицензию базовой модели только если она применима к этому чекпойнту; сведения о лицензии в предоставленных источниках отсутствуют.

ChartVerse-8B — мультимодальная модель для анализа графиков и диаграмм, разработанная в рамках проекта opendatalab/ChartVerse. Это дообученная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration и 8 млрд параметров, которая принимает изображения графиков вместе с текстовыми запросами и формирует текстовые ответы с визуальным рассуждением. Она предназначена для ответов на вопросы по графикам и решения задач, требующих извлечения и интерпретации данных. Для обучения использованы наборы ChartVerse-SFT-600K и ChartVerse-RL-40K; заявлены 64,1% среднего результата на шести бенчмарках, превосходство над Qwen3-VL-30B-A3B-Thinking и близкие результаты к Qwen3-VL-32B-Thinking. Карточка не сообщает длину контекста. Модель распространяется по лицензии Apache-2.0.

CHIMERA-4B-RL — языковая модель с 3,7 млрд параметров, разработанная авторами работы CHIMERA: Compact Synthetic Data for Generalizable LLM Reasoning. Это дообученная с подкреплением версия CHIMERA-4B-SFT на синтетическом наборе CHIMERA из 9 тысяч примеров с длинными цепочками рассуждений. В метаданных базовой моделью указана Qwen/Qwen3-4B-Thinking-2507; модель использует плотную архитектуру Qwen3 и доступна в формате safetensors через Transformers. Модель предназначена для генерации текста и решения задач, требующих рассуждений в разных научных областях. В карточке приведены результаты на тестах научных вопросов и математических соревнований, включая GPQA-D, AIME, HMMT и HLE. Заявленная длина контекста составляет 262 144 токена. Карточка не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя.

johnnySoftData дообучила Sentence Transformer на базе sentence-transformers/all-distilroberta-v1 на наборе bio-embedding-finetuning. Модель принимает текст и преобразует предложения и абзацы в плотные эмбеддинги размерностью 768; архитектура включает RobertaModel, усредняющий pooling и нормализацию. Для сравнения эмбеддингов используется косинусное сходство. Максимальная длина последовательности составляет 512 токенов по README и 514 токенов по метаданным. Модель предназначена для семантического поиска и извлечения биомедицинских текстов по запросам, а также для сравнения релевантности запросов и абстрактов. В README приведена оценка cosine_accuracy 1.0 на указанных в карточке выборках, однако размер и состав этих оценочных наборов ограничивают обобщение результатов. Лицензия в предоставленных данных не указана.

ccdv/lsg-bart-base-4096-arxiv — модель ccdv, дообученная для суммирования научных статей из набора scientific_papers, в частности статей arXiv. Она использует архитектуру BART с механизмом Local-Sparse-Global attention для обработки длинных последовательностей и рассчитана на контекст до 4096 токенов. В метаданных указано 95,2 млн параметров; README сообщает примерно о 145 млн параметров и шести слоях энкодера и декодера, поэтому оценки размера расходятся. Модель принимает текст статьи и генерирует её краткое содержание. README приводит результаты ROUGE на тестовом наборе и показывает, что настройки внимания с разным размером блока дают разные показатели качества и затрат ресурсов. Для работы требуется Transformers версии 4.36.1 или новее и включение trust_remote_code=True, поскольку используется пользовательский файл моделирования. Лицензия в предоставленных данных не указана.

MAmmoTH-VL-8B — мультимодальная модель с открытыми весами, разработанная авторами проекта MAmmoTH-VL. Она дообучена на базе Qwen/Qwen2.5-7B-Instruct для решения задач, требующих анализа изображений и пошагового рассуждения, включая математические и STEM-задачи, визуальные вопросы и работу с видео. README описывает подход к обучению на наборе из 12 млн пар инструкций и ответов с промежуточными обоснованиями. Модель имеет архитектуру LlavaQwenForCausalLM семейства Qwen2, около 7,1 млрд параметров и контекст до 32 768 токенов; метаданные указывают английский язык и поддержку чата. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не уточняет подробные ограничения по входному разрешению изображений и формату видеоданных.

OpenMath-Nemotron-32B — языковая модель NVIDIA для математических рассуждений, созданная дообучением Qwen/Qwen2.5-32B на наборе OpenMathReasoning. Это плотная decoder-only модель семейства Qwen2 с 32 млрд параметров, принимающая текст и генерирующая текст; заявленная длина контекста — до 131 072 токенов. Модель поддерживает режимы пошагового рассуждения (CoT), рассуждения с использованием инструментов (TIR) и выбора решения (GenSelect). Модель предназначена для решения математических задач и исследований в области математического рассуждения. NVIDIA сообщает о высоких результатах семейства OpenMath-Nemotron на математических бенчмарках; приведённые в карточке сравнительные результаты относятся к моделям разных размеров и не дают отдельной оценки именно версии 32B. Модель опубликована в формате safetensors для Transformers и заявлена как пригодная для коммерческого использования по лицензии CC BY 4.0. Для эффективного запуска NVIDIA рекомендует GPU-ускоренные системы; карточка указывает TensorRT/Triton и совместимость с NVIDIA Ampere и Hopper.

quinex-context-v0-77M — модель Jülich Systems Analysis на основе FLAN-T5 small, дообученная для извлечения контекста измерений количественных значений в тексте. Она использует многошаговые вопросы и ответы, чтобы определить измеряемое свойство, сущность и уточняющие сведения: временной и пространственный охват, источник, метод или ограничения. Для поиска количеств перед её применением авторы рекомендуют использовать отдельные модели идентификации величин. Модель построена на архитектуре T5 типа encoder-decoder и распространяется в формате safetensors; метаданные указывают 45,8 млн параметров, а в README приведено значение 77 млн. Контекст составляет до 512 токенов. Обучение охватывало наборы данных для извлечения измерительных сведений, включая Wiki-Measurements, MeasEval и Quinex-Hydrogen-TechData. Карточка приводит оценку F1 83,32 для общего результата на тестовом наборе. Указан английский язык. Модель предназначена для извлечения информации из текста, а не для идентификации самих количеств; лицензия — Apache-2.0.

SciLitLLM1.5-14B — языковая модель Uni-SMART для понимания научной литературы. Она основана на Qwen2.5-14B и сочетает продолженное предобучение на научных текстах с supervised fine-tuning для улучшения следования инструкциям в специализированных задачах. Модель имеет плотную архитектуру Qwen2, содержит 14 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой работы с научными публикациями и задач понимания научной литературы. В README сообщается о результатах на бенчмарках SciAssess и SciRIFF, но подробные сценарии, языковой охват и сравнительные условия приведены не полностью. Модель распространяется под лицензией MIT.

farleyknight/arxiv-summarization-t5-base-2022-09-21 — модель T5-base, дообученная разработчиком farleyknight на наборе ccdv/arxiv-summarization для суммаризации научных статей arXiv. Она принимает текст и генерирует краткое изложение; архитектура — T5ForConditionalGeneration, размер — 123,7 млн параметров, формат весов — PyTorch, контекст — до 512 токенов. В README приведены результаты оценки на тестовом наборе: ROUGE-1 40,68, ROUGE-2 14,72 и ROUGE-L 26,64. Модель подходит для подготовки кратких изложений научных текстов из области arXiv. Контекст в 512 токенов ограничивает длину обрабатываемого входа. Лицензия — Apache-2.0.

allenai/aspire-biencoder-biomed-spec — BERT-биэнкодер от Allen Institute for AI для оценки сходства биомедицинских научных публикаций. Модель инициализирована энкодером SPECTER и дообучена на 1,2 млн пар совместно цитируемых биомедицинских статей в контрастивной постановке. На вход подаются заголовок и аннотация статьи, на выходе — один вектор документа, сформированный из представлений CLS по слоям энкодера. Модель предназначена для поиска похожих статей и информационного поиска по биомедицинским публикациям, в том числе для поиска релевантных аннотаций по запросу в виде научной аннотации. В README описана оценка на RELISH и TRECCOVID. В этой версии отсутствуют параметры scalar mix, которые использовались при обучении и важны для качества; для наиболее полного варианта авторы указывают отдельный архив aspire-biencoder-biomed-spec-full. Модель обучена преимущественно на биомедицинских данных, поэтому в других областях её качество может быть ниже. Контекст — до 512 токенов; лицензия Apache-2.0.

BioMatrix-4B-SFT — биологическая мультимодальная модель, разработанная авторами проекта BioMatrix и дообученная на базе BioMatrix-4B-Base. Это плотная авторегрессионная модель семейства Qwen3 примерно с 3,7 млрд параметров: она обрабатывает и генерирует текст, последовательности и 3D-представления малых молекул и белков в общем пространстве токенов. Для неё заявлены 80 биологических задач, включая генерацию и анализ молекул, предсказание их свойств, работу с белковыми последовательностями и структурами, обратный фолдинг и оценку связывания. Метаданные указывают контекст до 32 768 токенов, а README — 8 192 токена; точное значение контекста поэтому расходится между источниками. Модель предназначена для исследовательских и прикладных задач биоинформатики и разработки лекарств. Авторы сообщают о конкурентных результатах на 77 из 80 задач, но конкретные показатели относятся к выбранным бенчмаркам и не гарантируют качество в иных условиях. Модель не представляет комплексы молекула-белок в общей системе координат, поддерживает только малые молекулы и белки, а дискретизация вносит погрешность в точную 3D-геометрию. Лицензия — Apache-2.0.

ManasaKaza/knowledge-search-dense-scifact-v1 — текстовый Sentence Transformer, дообученный на базе sentence-transformers/all-MiniLM-L6-v2 для семантического поиска по научным материалам SciFact. Модель кодирует текст в нормализованные плотные векторы размерности 384; сходство между ними можно оценивать косинусной мерой. Архитектура включает энкодер BERT, усредняющий pooling и нормализацию эмбеддингов. Модель подходит для семантического поиска и сопоставления научных утверждений с релевантными документами, а также для сравнения предложений, поиска перефразировок и кластеризации текстов. README указывает максимальную длину последовательности 256 токенов; метаданные каталога сообщают нативный контекст 512 токенов. Обучающий набор содержит 733 пары anchor-positive. По примерам и базовой модели она ориентирована на английские научные тексты. В метаданных указана лицензия Apache-2.0.

MMFineReason-4B — мультимодальная модель рассуждений OpenDataArena, дообученная на базе Qwen/Qwen3-VL-4B-Instruct. Она принимает изображения и текстовые запросы и предназначена для визуальных вопросов и задач, где требуется связать изображение с математическим или научным рассуждением, решить головоломку либо извлечь сведения из текста на изображении. Модель обучали в два этапа: на 1,8 млн примеров с подробными визуально обоснованными объяснениями, затем с применением обучения с подкреплением GSPO. В карточке указано среднее значение 73,9 на наборе бенчмарков, использованном авторами. Архитектура — плотная Qwen3-VL с 4 млрд параметров; формат весов — Safetensors. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Длина контекста в предоставленных сведениях не указана.

OpenMed разработала специализированную модель на архитектуре GLiNER для распознавания химических сущностей в биомедицинских текстах. Модель дообучена на корпусе BC4CHEMD и предназначена для поиска названий химических соединений, лекарств, реагентов и их синонимов в аннотациях и полных текстах научных статей. Модель выполняет zero-shot распознавание именованных сущностей: пользователь может задавать типы сущностей при запросе, не переобучая модель. В карточке указана оценка F1 0,9343 на тестовом наборе BC4CHEMD, исключённом из обучения. Модель рассчитана на англоязычные биомедицинские тексты и может применяться для индексирования соединений, поиска по научной литературе и подготовки данных для последующей привязки сущностей к справочникам вроде ChEBI или DrugBank. Файлы представлены в формате PyTorch. Лицензия — Apache-2.0. Заявленные результаты относятся к BC4CHEMD; качество распознавания других типов сущностей и на других корпусах может отличаться.

menadsa/S-PubMedBERT — модель Sentence-Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска и кластеризации текстов; README также описывает обучение с MultipleNegativesRankingLoss и косинусной мерой сходства на данных PubMed. Модель содержит 136,7 млн параметров, принимает текст и формирует векторные представления. Контекст ограничен 512 токенами. Для работы подходят Sentence-Transformers и Transformers с корректной операцией pooling. Карточка не сообщает лицензию и точные языковые характеристики, поэтому их нельзя установить по доступным данным.

allenai/aspire-sentence-embedder — модель Allen Institute for AI для оценки сходства предложений и поиска научных документов. Она основана на SciBERT и кодирует предложение одним вектором, извлечённым из токена CLS. Модель содержит 137,1 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Модель обучена на 4,3 млн пар контекстных предложений, ссылающихся на одни и те же научные работы, с контрастивным обучением. Она предназначена прежде всего для поиска семантически близких предложений и информационного поиска по научным аннотациям; для ранжирования документов можно сравнивать предложения запросов и кандидатов. Около половины обучающих данных относятся к биомедицине, поэтому модель может лучше работать в этой области. Обучающие данные — на английском языке. Модель распространяется в формате PyTorch и доступна по лицензии Apache-2.0. Дообучение может потребоваться для классификации или переноса на задачи и области за пределами научного текста.

recobo/chemical-bert-uncased-simcse — модель семейства BERT, опубликованная пользователем или организацией Recobo. Это sentence-transformer для получения векторных представлений химических текстов и оценки сходства между ними. Модель поддерживает извлечение признаков и сравнение предложений; её можно применять для поиска похожих химических описаний и семантического поиска по текстам. Веса опубликованы в формате PyTorch, число параметров — 137,1 млн, максимальная длина контекста — 512 токенов. Лицензия — Apache-2.0. README содержит пример загрузки через библиотеку sentence-transformers.

tner/deberta-v3-large-bc5cdr — модель распознавания именованных сущностей, разработанная на базе microsoft/deberta-v3-large и дообученная проектом T-NER на наборе tner/bc5cdr. Она выделяет в тексте названия химических веществ и заболеваний, например при разборе биомедицинских публикаций. Модель содержит 533,8 млн параметров, использует архитектуру DeBERTa-v2 для классификации токенов и принимает текстовые фрагменты длиной до 512 токенов. На тестовом наборе авторы сообщают micro F1 0,890 и macro F1 0,886; F1 для химических веществ составил 0,930, для заболеваний — 0,843. Модель можно использовать через библиотеку T-NER; авторы отмечают, что применение через Transformers не рекомендуется, поскольку в этой конфигурации не поддерживается CRF-слой. Лицензия в предоставленных данных не указана.

DeepSeek-V4-Pro-Qwen3.5-9B — компактная языковая модель класса 9B, созданная Kottk14-02-09 на основе unsloth/Qwen3.5-9B. Это reasoning-ориентированная дистилляция ответов DeepSeek-V4-Pro в режиме Max Effect с дополнительной настройкой под математику и STEM-задачи. В README также указано сотрудничество с инженером по аппаратному обеспечению Kyle Hessling, который помогал с инфраструктурой, обучением и оцениванием. Модель предназначена для генерации текста, многошагового решения математических и научных задач, структурированного рассуждения, а также может применяться в программировании, tool use и function calling. Обучение включало примерно 250 000 примеров по математике и STEM; при этом заявлены небольшие улучшения в программировании и использовании инструментов даже без специализированных данных для SFT по коду. Поддерживаются английский, китайский, корейский, японский, испанский и русский языки. Модель относится к текстовым генеративным моделям; сведения о мультимодальности и размере контекста в README не указаны. К сильным сторонам относятся относительно небольшой размер, практичная развёртываемость и фокус на математическом и научном рассуждении. Для запуска и оценки упомянуты vLLM с NVFP4 и llama.cpp с MTP-Q8_0. Ограничения модели, точные результаты бенчмарков, качество по отдельным языкам и требования к аппаратному обеспечению не приведены, поэтому их следует проверять самостоятельно. Модель распространяется по лицензии Apache-2.0.

Einstein-v7-Qwen2-7B-GGUF — набор квантизированных GGUF-версий модели Einstein-v7-Qwen2-7B, разработанной Weyaxi и подготовленной квантизатором bartowski с использованием llama.cpp. В качестве базовой модели указана Qwen/Qwen2-7B. Модель предназначена для генерации текста и диалоговых сценариев, включая задачи по физике, химии, биологии, математике, естественным наукам, инженерии, ответам на вопросы и общим инструкциям. Обучение выполнялось на смесях научных, математических, диалоговых и instruction-датасетов, включая AI2 ARC, ScienceQA, MathInstruct, MetaMathQA, OpenAssistant и другие. Это текстовая decoder-only LLM примерно на 7 млрд параметров; поддерживается английский язык. Модель использует формат запросов ChatML с ролями system, user и assistant. В репозитории представлены варианты квантизации от Q8 до Q3 и IQ3/IQ4 с размером файлов примерно от 3,5 до 9,1 ГБ. Более высокие разрядности обеспечивают лучшее качество, тогда как варианты Q3 предназначены для устройств с ограниченной оперативной памятью. Для большинства сценариев автор рекомендует варианты Q4–Q6, при этом Q6 и Q8 описаны как высококачественные. К сильным сторонам относятся специализация на STEM-задачах, широкий набор обучающих источников и возможность локального запуска через llama.cpp благодаря GGUF-квантизации. Ограничения включают возможное снижение качества на низких уровнях квантизации, отсутствие заявленной мультимодальности, неизвестный размер контекстного окна и неопределённые характеристики на других языках. Лицензия обозначена как other, но её конкретные условия в README не указаны.

QuantFactory/mathstral-7B-v0.1-GGUF — квантизированная версия модели Mathstral-7B-v0.1, разработанной Mistral AI и основанной на Mistral 7B. Квантизация выполнена QuantFactory с использованием llama.cpp. Модель предназначена для генерации текста с особой специализацией на математических и научных задачах, включая решение задач в диалоговом формате и рассуждения по количественным вопросам. Модель содержит около 7 миллиардов параметров и распространяется в формате GGUF. В README не указаны точные варианты квантизации, поддерживаемые языки, максимальная длина контекста и набор модальностей; по имеющимся данным, это текстовая модель без заявленной поддержки изображений или других типов входных данных. В опубликованной оценке Mathstral 7B показала высокие результаты на математических тестах, включая MATH, Odyssey Math и AMC 2023, а также результат 77,1 на GSM8K. Сильной стороной модели является специализация на математике и научных сценариях при относительно компактном размере, что делает её подходящей для локального запуска через совместимые инструменты llama.cpp и для диалогового решения задач. Ограничения связаны с тем, что квантизация может влиять на точность по сравнению с исходной моделью, а README не содержит подробностей о конкретном уровне квантизации и системных требованиях. Модель распространяется по лицензии Apache 2.0.

OpenMed/OpenMed-ZeroShot-NER-Chemical-XLarge-770M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Она основана на архитектуре GLiNER и дообучена на корпусе BC4CHEMD для поиска химических соединений, лекарств, реагентов и их синонимов в аннотациях и полных текстах научных статей. Модель поддерживает zero-shot извлечение сущностей: пользователь может задавать типы сущностей при обработке, хотя карточка отдельно описывает обучение на типе CHEM. Модель принимает текст и возвращает распознанные сущности с классификацией по типам. В README приведён результат F1 0,9247 на тестовой выборке BC4CHEMD. Среди сценариев применения — поиск химических соединений в литературе, индексация веществ и подготовка данных для связывания с ChEBI или DrugBank. Доступна по лицензии Apache-2.0; для интеграции README указывает библиотеку GLiNER и экосистему Hugging Face Transformers.

PeytonT/paper-link-prediction — модель классификации научных текстов, дообученная на базе allenai/scibert_scivocab_uncased. Она предсказывает сходство между научными статьями или наличие связи между ними в графе публикаций и служит компонентом системы Repository Library для работы с научными материалами. Модель построена на энкодерной архитектуре BERT и содержит 137,1 млн параметров; максимальная длина контекста — 512 токенов. Она принимает текст и выдаёт результат классификации. Модель предназначена для определения связей между статьями, а также для последующего поиска, ранжирования и анализа научных публикаций в целевых сценариях Repository Library. В качестве обучающих данных использовались признаки графа статей из paper_universe_graph. В карточке заявлены accuracy и macro-F1, однако отдельный отчёт с результатами бенчмарка не приведён. Лицензия в предоставленных данных не указана.

PaSa-7B-Crawler — языковая модель ByteDance Research для поиска научных статей. Карточка связывает модель с работой «PaSa: An LLM Agent for Comprehensive Academic Paper Search»; по метаданным это плотная архитектура Qwen2 на 7,1 млрд параметров, дообученная на Qwen/Qwen2.5-7B-Instruct. Модель предназначена для агентного поиска научных публикаций. Модель принимает текст и генерирует текст; метаданные указывают поддержку чата и контекст до 32 768 токенов. В карточке указан английский язык. Данных о конкретных инструментах поиска, полноте покрытия источников и качестве результатов нет. Лицензия — CC BY-NC-SA 4.0, с условиями атрибуции, распространения на тех же условиях и ограничением на коммерческое использование.

PP-FormulaNet_plus-S — модель распознавания математических формул на изображениях, разработанная командой PaddleOCR. Это версия S семейства PP-FormulaNet_plus, использующая backbone PPHGNetV2_B4; она ориентирована на улучшенное распознавание формул на английском языке. Модель преобразует изображение формулы в текстовое представление LaTeX и может использоваться как модуль распознавания в конвейере обработки документов. При обучении использовался более разнообразный набор формул из китайских диссертаций, профессиональных и учебных книг, экзаменационных работ и математических журналов. В README приведены оценки BLEU для английских и китайских формул, а также время GPU-инференса для семейства моделей. Репозиторий распространяется по лицензии Apache-2.0.

SPECTER2 Base — базовый текстовый энкодер Allen AI для создания эмбеддингов научных статей и коротких поисковых запросов. Модель построена на BERT и содержит 137,1 млн параметров; для задач, адаптированных под конкретный формат, её используют вместе с соответствующим адаптером. Контекст — до 512 токенов. Модель предназначена для семантического поиска научных публикаций, поиска близких статей и подготовки признаков для классификации или регрессии. Базовый энкодер обучен на связях цитирования более чем 6 млн научных статей; система адаптеров обучалась на задачах SciRepEval. В карточке указана поддержка английского языка. Для прикладного использования нужна библиотека Transformers и совместимый адаптер из семейства SPECTER2; сам базовый чекпойнт не включает специализированные адаптеры. Лицензия — Apache 2.0.

Agents-K1 — языковая модель на 3,7 млрд параметров, разработанная InternScience путём дообучения Qwen/Qwen3-4B-Instruct-2507 с помощью GRPO. Она предназначена для извлечения сущностей и отношений из научных и общих текстов на английском языке. Модель выдаёт структурированные извлечения в формате JSON и рассчитана на работу по заданной схеме; её можно использовать как компонент систем построения графов знаний, связывания цитирований и многошаговых ответов на вопросы. Для обучения использован англоязычный набор IEPile с 22 источниками данных для распознавания именованных сущностей и извлечения отношений. В README сообщается об улучшении среднего F1 на 3,3 пункта по десяти тестовым наборам относительно базовой модели, включая домены, не представленные в обучении. Модель использует плотную архитектуру Qwen3, работает через библиотеку Transformers и поддерживает контекст до 262 144 токенов. Лицензия — Apache-2.0. Для надёжного получения результата нужны явный формат и списки типов сущностей и отношений в запросе. Свободные вопросы могут приводить к некорректному JSON; модель специализирована на извлечении информации и не предназначена для универсального диалога.

Это модель на основе BERT, дообученная ghadeermobasher для классификации токенов в задаче извлечения химических веществ и заболеваний из биомедицинских текстов набора BC5CDR. Репозиторий указывает архитектуру BertForTokenClassification, около 137,1 млн параметров и контекст до 512 токенов; модель загружается через Transformers и PyTorch. Базовая модель SciBERT разработана Allen Institute for AI и предварительно обучена на научных публикациях; её карточка указывает английский язык и специализированный словарь scivocab. Настройка под BC5CDR позволяет размечать в тексте упоминания химических соединений и заболеваний. Модель принимает текст и выдаёт метки токенов; сведений о лицензии этой производной модели в доступных данных нет.

Bespoke-MiniChart-7B — открытая модель для понимания диаграмм, разработанная Bespoke Labs и поддерживаемая Liyan Tang и Bespoke Labs. Это дообученная версия VLM Qwen2.5-VL с 7,1 млрд параметров, которая принимает изображения диаграмм и текстовые вопросы, а отвечает текстом. Основной сценарий — ответы на вопросы по данным, представленным в графиках и диаграммах; модель также сочетает визуальное восприятие с текстовыми рассуждениями. По заявлению разработчиков, модель показывает лучшие результаты среди моделей сопоставимого размера на семи публичных тестах Chart-QA и превосходит некоторые более крупные закрытые модели. В метаданных указаны контекст до 128 000 токенов и поддержка английского языка. Репозиторий содержит веса safetensors. Лицензия в предоставленных данных не указана.