IV.6Научные исследования, математика и новые материалы

ChatTS-14B-0801 — разработанная командой ByteDance Research мультимодальная модель для понимания и анализа временных рядов с помощью диалога и рассуждений. Она дообучена на Qwen/Qwen2.5-14B-Instruct и предназначена для работы с многомерными рядами переменной длины и размерности. Модель принимает временные ряды и отвечает на вопросы о закономерностях и числовых значениях, в том числе на статистические вопросы о величине пика в заданный момент времени. Она сохраняет исходные числовые значения ряда и поддерживает интерактивный диалог; интегрируется с конвейерами LLM, включая vLLM. В метаданных указаны 14 млрд параметров и контекст 32768 токенов. Карточка приводит лицензию Apache-2.0.

DeepSeek-V4-Pro-Qwen3.5-9B — компактная языковая модель для генерации текста и рассуждений, разработанная Jackrong на базе Qwen3.5-9B. Она создана методом дистилляции ответов DeepSeek-V4-Pro в режиме Max Effect и ориентирована прежде всего на математические и STEM-задачи, многошаговое решение проблем, структурированное рассуждение, программирование, использование инструментов и function calling. Модель содержит около 9 миллиардов параметров и обучалась примерно на 250 000 примерах по математике и научному рассуждению. Указана поддержка английского, китайского, корейского, японского, испанского и русского языков. Модель относится к текстовым генеративным системам; сведения о точной архитектуре и размере контекстного окна не приведены. Отдельно заявлены оценка MTP и варианты развертывания через vLLM с NVFP4 и llama.cpp с MTP-Q8_0. Сильными сторонами являются компактный размер, ориентация на математическое и научное рассуждение, перенос улучшений на программирование и использование инструментов без специализированного SFT по коду, а также пригодность для практического локального развертывания. Ограничения включают узкую специализацию обучающих данных и отсутствие подробных количественных результатов оценки; качество в других доменах не подтверждено. Модель распространяется по лицензии Apache-2.0.

InternVL3-78B-Instruct — мультимодальная чат-модель OpenGVLab, версия SFT семейства InternVL3. Она сочетает визуальный энкодер InternViT и языковую модель в архитектуре ViT-MLP-LLM; в этой версии использована плотная архитектура InternVLChatModel. Модель дообучена на базе OpenGVLab/InternVL3-78B-Pretrained и не проходила этап MPO. Разработчики рекомендуют использовать основную версию InternVL3-78B, если нет особой причины выбирать эту SFT-версию. Модель принимает текст, изображения и видео и формирует текстовые ответы. Она предназначена для диалога по изображениям и видео, визуального восприятия и рассуждений, понимания длинного контекста, анализа промышленных изображений и научных диаграмм, работы с GUI и 3D-сценами, а также использования инструментов. Динамическая обработка изображений разбивает их на фрагменты размером 448×448 пикселей; поддерживаются несколько изображений и видеоданные. Карточка заявляет многоязычную поддержку, но не перечисляет отдельные языки и размер контекстного окна. Модель распространяется в формате safetensors для Transformers. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке репозитория Hugging Face.

Nougat base — модель для преобразования страниц научных PDF в текст Markdown по их изображениям. Она разработана командой Nougat и впервые опубликована в репозитории facebook/nougat-base; модель соответствует версии 0.1.0-base и описана в статье «Nougat: Neural Optical Understanding for Academic Documents». Архитектура vision encoder-decoder сочетает визуальный энкодер Swin Transformer и текстовый декодер mBART; модель авторегрессионно генерирует Markdown по пикселям страницы. Модель предназначена для транскрибирования научных документов, в том числе извлечения их содержимого в структурированный Markdown. В метаданных указаны форматы PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Результаты могут быть неточными: модель транскрибирует содержимое по изображению страницы, поэтому качество зависит от читаемости и представления документа. README не приводит количественных оценок качества или явного списка поддерживаемых языков.

Open-Reasoner-Zero-7B — языковая модель на архитектуре Qwen2, разработанная командой Open-Reasoner-Zero. Это policy-модель, дообученная с помощью масштабируемого обучения с подкреплением для генерации рассуждений; её можно использовать как чат-модель через Transformers и vLLM. В карточке указано 7,1 млрд параметров и контекст до 131 072 токенов. Модель предназначена для задач, требующих пошагового рассуждения, в частности для решения математических задач и ответов на научные вопросы. В README сообщается об оценке на AIME2024, MATH500 и GPQA Diamond. Модель выпущена в формате safetensors по лицензии MIT. README не сообщает языки обучения или поддержки, поэтому они здесь не перечислены.

PP-FormulaNet_plus-M — модель распознавания математических формул по изображениям, разработанная командой PaddleOCR. Она входит в линейку PP-FormulaNet_plus и предназначена для преобразования формул в изображениях в исходный код LaTeX, в том числе при разборе страниц с учебниками, диссертациями, экзаменационными материалами и научными журналами. Версия M поддерживает китайские формулы и обрабатывает последовательности до 2 560 токенов, что позволяет распознавать сложные выражения. Модель рассчитана на английские и китайские формулы; в качестве библиотеки используется PaddleOCR. Лицензия — Apache-2.0. Модель можно применять отдельно или как модуль распознавания формул в конвейерах анализа документов PaddleOCR. Показатели качества и скорости в README не приводятся для версии M, поэтому их нельзя оценить по имеющимся сведениям.

Skywork-R1V-38B — мультимодальная модель Skywork для диалогового анализа изображений с пошаговым визуальным рассуждением. Она сочетает визуальный энкодер InternViT-6B-448px-V2_5 с языковой моделью DeepSeek-R1-Distill-Qwen-32B; репозиторий содержит веса в формате safetensors и предназначен для работы через Transformers. Модель принимает изображения и текстовые запросы, а отвечает текстом. Карточка заявляет поддержку многошагового решения задач по изображениям, включая визуальную математику, научные и медицинские изображения, а также контекстное понимание текста и изображения. Метаданные отмечают диалоговый режим и интерфейс вызова инструментов. Лицензия репозитория — MIT. Карточка не приводит результаты оценивания в доступном тексте и не уточняет ограничения или поддерживаемые естественные языки, поэтому качество на конкретных типах изображений и языках по этим данным оценить нельзя.

UniChart-Base — модель семейства UniChart для понимания и анализа диаграмм, представленная Ahmed Masry. Она принимает изображение диаграммы и по текстовому запросу генерирует ответ на естественном языке. Модель предназначена для суммаризации диаграмм и преобразования их данных в таблицу; семейство UniChart также обучалось для ответов на вопросы по диаграммам. Модель использует архитектуру vision-encoder-decoder и распространяется в формате PyTorch. В карточке указана поддержка английского языка. Лицензия — GPL-3.0. Карточка не сообщает размер модели и длину контекста.

pruas/BENT-PubMedBERT-NER-Chemical — англоязычная модель Pedro Ruas и Francisco M. Couto для распознавания химических сущностей в биомедицинских текстах. Это PubMedBERT, дообученная для разметки токенов; в обучении использованы датасеты по химическим веществам, лекарствам и соединениям, включая CHEMDNER, BC5CDR, DDI и NLM-CHEM. Модель подходит для извлечения названий химических веществ из научных публикаций и других биомедицинских документов, а также для подготовки текстов к последующему поиску и анализу сущностей. Она построена на архитектуре BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Репозиторий содержит веса PyTorch; модель распространяется по лицензии Apache-2.0.

QuantFactory/internlm2-math-plus-7b-GGUF — квантизированная версия языковой модели InternLM2-Math-Plus-7B, созданная с использованием llama.cpp на основе модели internlm/internlm2-math-plus-7b. Модель предназначена для генерации текста и решения математических задач, включая неформальное математическое рассуждение, пошаговое объяснение решений, работу с Python для вычислений, перевод математических утверждений в LEAN 4 и формальное доказательство теорем. Известно, что модель относится к классу 7B и поддерживает английский и китайский языки. Формат GGUF ориентирован на запуск через совместимые инструменты экосистемы llama.cpp и может быть удобен для локального инференса, однако конкретный уровень квантизации, требования к памяти, размер контекста и точная архитектура в README не указаны. В опубликованных результатах базовая версия InternLM2-Math-Plus-7B показывает 53,0 на MATH, 59,7 на MATH с Python, 85,8 на GSM8K и 43,4 на MiniF2F-test. Сильная сторона модели — специализация на математическом рассуждении, включая как прикладные задачи, так и формальную математику. Ограничения связаны с отсутствием сведений о конкретной схеме квантизации и системных требованиях, а также с тем, что приведённые показатели относятся к исходной версии InternLM2-Math-Plus-7B и не обязательно полностью отражают характеристики квантизированного файла. Лицензия указана как other, без дополнительных условий в README.

Llemma 34B — языковая модель для математических задач, разработанная командой EleutherAI и соавторами. Она основана на весах Code Llama 34B и дообучена на корпусе Proof-Pile-2 на 50 млрд токенов; число параметров — 33,5 млрд. Модель использует плотную архитектуру Llama и доступна в формате PyTorch. Модель предназначена для пошагового математического рассуждения, решения задач и применения вычислительных инструментов, включая Python и системы формальной проверки доказательств. В карточке отмечены сильные результаты в математических тестах и задачах на рассуждение. Контекст составляет 4096 токенов, указанный язык — английский. Llemma 34B генерирует текст и может ошибаться в вычислениях или доказательствах, поэтому результаты следует проверять. Модель распространяется по лицензии Llama 2.

Llemma 7B — языковая модель для математических задач, созданная командой авторов, перечисленных в карточке модели. Она основана на весах Code Llama 7B и дообучена на 200 млрд токенов корпуса Proof-Pile-2; архитектура — плотная LlamaForCausalLM с 6,6 млрд параметров. Модель предназначена для математических рассуждений с пошаговым выводом, решения задач и применения вычислительных инструментов, включая Python и системы формальной проверки теорем. В оценках авторов Llemma 7B показала сильные результаты на задачах математических рассуждений и STEM по сравнению с Llama 2 и Code Llama аналогичного размера. Модель принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Карточка указывает лицензию Llama 2. Результаты оценок не гарантируют точности в произвольных задачах, а сама модель может ошибаться в вычислениях и рассуждениях.

MAXWELL — дообученная модель Xerv-AI на базе Qwen2.5-Math-1.5B-Instruct, предназначенная для математических вычислений, аналитических рассуждений и решения задач по физике. Она использует архитектуру Qwen2 с плотной causal language model на 1,5 млрд параметров и рассчитана на контекст до 4096 токенов. Модель принимает текст и генерирует текст; в метаданных указан английский язык. Для повышения устойчивости ответов авторы предлагают использовать STSS: генерировать несколько вариантов ответа при разных температурах, затем передавать их модели для объединения и проверки. Этот подход требует шесть проходов генерации, поэтому увеличивает задержку и расход токенов примерно в шесть раз. Длинные вычисления и доказательства могут превысить контекст при подаче нескольких вариантов. Модель опубликована под лицензией Apache-2.0.

N3N_gemma-2-9b-it_20241029_1532 — разговорная языковая модель, созданная дополнительным обучением Gemma 2 9B Instruct. Разработчик сообщает, что для дообучения использован датасет на основе 1,6 миллиона научных статей arXiv; в метаданных указана архитектура Gemma2 с плотной моделью и 9 млрд параметров. Модель принимает текст и генерирует текст, поддерживает диалог и контекст до 8192 токенов. Модель предназначена для генерации ответов и продолжения текста, в том числе для математических рассуждений и решения сложных задач. Карточка приводит результаты Open LLM Leaderboard и заявляет высокие результаты в рассуждениях, но не предоставляет подробных независимых подтверждений этих заявлений. Указанные язык обучения и карточки — английский. Лицензия — Gemma.

Nougat Small — модель семейства Nougat, разработанная командой Nougat для преобразования страниц научных PDF-документов в Markdown. Это версия 0.1.0-small; модель обучена на задаче транскрибации PDF в Markdown и предсказывает текст по изображению страницы. Архитектура состоит из визуального кодировщика Swin Transformer и текстового декодировщика mBART в схеме vision-encoder-decoder. Модель принимает изображение страницы и генерирует текстовую разметку Markdown. Лицензия — CC BY 4.0. Основное применение — извлечение и структурированная транскрибация содержимого научных документов. Карточка рекомендует использовать модель для преобразования PDF в Markdown; отдельные количественные характеристики и ограничения качества в README не приведены.

quinex-quantity-v0-82M — англоязычная модель разметки последовательностей от Jülich Systems Analysis для поиска упоминаний количеств в тексте. Она основана на ClimateBERT (climatebert/distilroberta-base-climate-f), энкодерной модели DistilRoBERTa, и дообучена для выделения чисел и, когда применимо, единиц измерения. В метаданных указаны 95,4 млн параметров, архитектура RobertaForTokenClassification, библиотека Transformers и контекст до 514 токенов; в README размер округлён до 82 млн параметров. Модель подходит для извлечения числовых величин и измерений из научных, новостных и корпоративных текстов, включая материалы о климате. README сообщает о последовательном дообучении на примерах из Wiki-Quantities и нескольких размеченных наборах данных. Для этого чекпойнта заявлены F1 94,56, точность 93,92, полнота 95,21 и accuracy 99,15 на тестовом наборе статьи. Модификаторы количества, например «примерно», «более» или отрицание, не входят в выделяемые спаны; метрики также зависят от неоднозначных вариантов разметки. Лицензия — Apache-2.0.

Qwen2.5-Math-7B-Instruct-GGUF — это квантизированная в формате GGUF версия модели Qwen2.5-Math-7B-Instruct, разработанной командой Qwen. Файл подготовлен сообществом LM Studio, а GGUF-квантизация выполнена bartowski на основе llama.cpp b3772; LM Studio не является создателем модели. Модель предназначена для генерации текста и решения математических задач на английском языке. Она поддерживает пошаговое рассуждение Chain-of-Thought (CoT) и Tool-integrated Reasoning (TIR), поэтому подходит для математического анализа, объяснения хода решения и сценариев, где требуется интеграция с инструментами. Указанный стандартный размер контекста составляет 4096 токенов. Ключевые характеристики включают размер 7B параметров, текстовую модальность и англоязычную специализацию. Сильными сторонами являются ориентация на математическое рассуждение и возможность инструментально поддерживаемого решения задач. Ограничениями выступают контекст в 4096 токенов и потенциальные ошибки, неточности или неподходящие ответы, свойственные генеративным моделям; сведения о конкретном методе квантизации и поддерживаемых дополнительных языках не указаны. Модель распространяется по лицензии Apache 2.0.

AstaBrief-8B — языковая модель Allen Institute for AI (Ai2), предназначенная для подготовки англоязычных научных отчётов по исследовательскому вопросу и предоставленным фрагментам научной литературы. Она генерирует связный текст с цитатами, опираясь на переданные материалы. Модель построена на архитектуре Qwen3, содержит 7,6 млрд параметров и принимает текстовый ввод, выдавая текст; размер контекста — до 40 960 токенов. Чекпойнт дообучен методом supervised fine-tuning и offline direct preference optimization на основе allenai/AstaBrief_8B_SFT. По результатам оценки на ScholarQA-CS2 DPO-версия улучшила показатели относительно SFT-чекпойнта и базовой Qwen3-8B; результаты также приведены для DeepScholarBench и сравнений с Asta ScholarQA и DR-Tulu-8B. Для стабильной работы рекомендуется использовать формат промпта, применявшийся при дообучении; иные форматы могут ухудшить или сделать поведение менее последовательным. Лицензия — Apache 2.0. Разработчик указывает исследовательское и образовательное назначение и рекомендует следовать Responsible Use Guidelines Ai2.

judithrosell/BC5CDR_PubMedBERT_NER — модель на архитектуре BERT, дообученная на базе microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext для извлечения из биомедицинского текста упоминаний химических веществ и заболеваний с классификацией токенов. Она содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель предназначена для разметки научных публикаций и других биомедицинских текстов; в карточке приведены результаты оценки: F1 0,98 для класса Chemical и 0,81 для Disease. Репозиторий распространяется под лицензией MIT.

EMBO/dot_only — модель векторных представлений из проекта SODA-VEC, разработанная для научных текстов в биомедицине и науках о жизни. Она дообучена на базе answerdotai/ModernBERT-base с контрастивным обучением и функцией потерь на основе скалярного произведения; архитектура ModernBERT-base включает 12 слоёв и 149 млн параметров. Модель принимает текст и формирует 768-мерные L2-нормализованные эмбеддинги с mean pooling. Её можно применять для семантического поиска научных публикаций и сравнения смысловой близости текстов. Обучение проводилось на 26,473,900 парах заголовков и аннотаций из PubMed Central, поэтому модель лучше подходит для английских биомедицинских заголовков и аннотаций, чем для текстов общей тематики. Контекст модели — до 8192 токенов, однако для длинных документов может потребоваться разбиение на фрагменты. Модель распространяется по лицензии Apache-2.0.

OpenMath-CodeLlama-7b-Python-hf — языковая модель NVIDIA для решения математических задач с помощью текстовых рассуждений и фрагментов кода, исполняемых в Python. Она дообучена на базе codellama/CodeLlama-7b-Python-hf на наборе OpenMathInstruct-1, содержащем 1,8 млн пар «задача—решение», сгенерированных моделью Mixtral-8x7B. Модель построена на плотной авторегрессионной архитектуре LlamaForCausalLM и содержит 6,6 млрд параметров. Модель предназначена для генерации решений математических задач, в том числе с использованием кода для вычислений. Она принимает текст и выдаёт текст, включая рассуждения и Python-код; максимальный контекст составляет 16 384 токена. Карточка описывает открытый конвейер обучения и воспроизведения результатов. Для использования действует лицензия Llama 2.

OpenMed/OpenMed-ZeroShot-NER-Oncology-Medium-209M — специализированная модель OpenMed для распознавания именованных сущностей в онкологических и биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе BioNLP 2013 CG, посвящённом генетике рака. Модель выделяет гены и их продукты, клеточные процессы, опухоли, химические вещества, ткани и другие биомедицинские сущности; метки сущностей можно задавать под конкретную задачу без отдельного дообучения. Модель предназначена для извлечения данных из научной литературы и медицинских документов, включая поиск онкологических биомаркеров, генов-драйверов и элементов молекулярных путей. В README сообщается F1 0,8765 на тестовом наборе BioNLP 2013 CG, исключённом из обучения. Поддерживается английский язык. Модель опубликована в формате PyTorch под лицензией Apache-2.0.

Q3.5-9B-GLM-5.1-v2.0 — экспериментальная модель рассуждений на 9 млрд параметров, разработанная prithivMLmods на базе Qwen/Qwen3.5-9B. Это плотная мультимодальная архитектура Qwen3.5 для диалога и обработки изображений; модель дообучена в несколько этапов на трассах математических, научных и других сложных рассуждений, включая около 1,5 тыс. длинноконтекстных примеров GLM-5.1. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0. Модель предназначена для многошагового решения математических задач, научного анализа, следования инструкциям, экспериментов с длинноконтекстными рассуждениями и локального инференса. Метаданные указывают английский язык карточки; доступен ввод изображений. Модель может ошибаться в промежуточных шагах и выводах, а поведение и качество зависят от охвата обучающих данных; автор отмечает возможные артефакты рассуждений.

Qwen2-Math-7B — специализированная базовая языковая модель для математических задач из семейства Qwen2, разработанная командой Qwen. Это плотная причинная модель на 7,1 млрд параметров для генерации продолжений и few-shot-решения задач; в отличие от версии Instruct, она не предназначена прежде всего для диалогового общения. Модель рассчитана на арифметику, математику и задачи, требующие многошаговых рассуждений. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекст длиной 4096 токенов. Карточка характеризует её как математическую модель с усиленными способностями к рассуждению и рекомендует использовать её как основу для дообучения. Для работы требуется Transformers версии 4.40.0 или новее. Распространяется по лицензии Apache-2.0.

Модель tner/xlm-roberta-base-uncased-bc5cdr — вариант XLM-RoBERTa, дообученный для распознавания именованных сущностей (NER) в биомедицинских текстах набора BC5CDR. Она предназначена для токенной разметки упоминаний химических веществ и заболеваний, например при извлечении сущностей из научных аннотаций. Модель основана на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; максимальный контекст — 514 токенов. Репозиторий содержит веса PyTorch. Модель принимает текст и размечает его токены, поэтому её можно использовать для извлечения биомедицинских сущностей из документов и подготовки данных для последующего анализа. README указывает на дообучение XLM-RoBERTa для NER и отсылает за подробностями к проекту TNER. Сведения о лицензии в доступных материалах отсутствуют.

Это модель суммаризации научных публикаций, разработанная на основе BART и дообученная автором репозитория на датасете scientific_papers. Она предназначена для создания краткого пересказа научных текстов; в карточке приведены результаты оценки на тестовой выборке: ROUGE-1 42,58, ROUGE-2 16,19 и ROUGE-L 24,80. Модель содержит около 252,8 млн параметров, использует архитектуру BART для генерации текста и имеет контекстное окно 1024 токена. Модель можно применять для подготовки кратких обзоров статей и ускоренного ознакомления с научными публикациями. README не сообщает, какие именно языки представлены в обучающих данных. Распространяется по лицензии MIT.

ChartMoE — мультимодальная модель с архитектурой Mixture of Experts и коннектором на основе InternLM-XComposer2, разработанная командой IDEA-FinAI. Она предназначена для понимания диаграмм и графиков, их перерисовки, редактирования, выделения элементов и преобразования. Модель содержит 7,4 млрд параметров, принимает изображения и текст и формирует текстовые ответы; для загрузки используется библиотека Transformers с поддержкой пользовательского кода. Контекст составляет 32 768 токенов. Модель представлена на ICLR 2025 и отмечена как устный доклад. Лицензия — Apache 2.0.

GALACTICA 125M — компактная авторегрессионная модель семейства OPT, разработанная командой Papers with Code в Meta AI для работы с научными текстами и данными. Версия содержит около 151,6 млн параметров, использует архитектуру декодера Transformer и обучена на 106 млрд токенов научных публикаций, учебников, справочных материалов и других открытых научных источников. Контекст модели — до 2048 токенов. Модель предназначена для генерации научного текста и может применяться для ответов на научные вопросы, прогнозирования цитирований, математических рассуждений, суммаризации, создания документов, извлечения сущностей и предсказания свойств молекул. Она принимает и генерирует текст; заявленная область подготовки — наука, включая математику, биологию и химию. В README не перечислены языки корпуса, поэтому языковая поддержка отдельно не конкретизируется. Модель показала результаты на знаниях и научных задачах, однако может уверенно выдавать фактические ошибки, особенно по малоизвестным темам; прогнозирование цитат подвержено смещению популярности, также отмечены предвзятость и токсичность. Для использования в реальных системах нужны проверки и safeguards. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

Hercules-2.0-Mistral-7B-GGUF — это набор файлов модели в формате GGUF для Locutusque/Hercules-2.0-Mistral-7B. Исходную модель разработал Locutusque, а квантизированную версию подготовил MaziyarPanahi. Модель относится к семейству Mistral и предназначена для генерации текста. В репозитории представлены варианты квантизации от 2 до 8 бит, включая форматы Q2_K, Q3_K, Q4_K, Q5_K и Q6_K с различным балансом между размером файлов, требованиями к памяти и сохранением качества. README указывает на специализацию исходной модели в задачах, связанных с химией, математикой, программированием и физикой. Размер исходной модели — 7B параметров; сведения о модальностях, поддерживаемых языках и размере контекста не приведены. Формат GGUF подходит для локального запуска через llama.cpp и совместимые приложения, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и другие инструменты. Основные преимущества версии — выбор степени квантизации и возможность локального использования на широком спектре конфигураций. Ограничения связаны с потерями качества при сильной квантизации и отсутствием в README подробных результатов тестирования, характеристик производительности и рекомендаций по выбору конкретного варианта. Лицензия — Apache 2.0.

HypoDiverse: GRPO — языковая модель на базе Qwen3-4B, дообученная методом GRPO на наборе данных viciousa3gis/hypodiverse. Это контрольный вариант с наградой за достоверность гипотез: модель обучали формулировать гипотезы, согласующиеся с видимыми свидетельствами, без отдельного поощрения разнообразия набора гипотез. Модель предназначена для генерации текста и диалоговых сценариев, в которых требуется строить гипотезы по предоставленным свидетельствам. Архитектура — плотная Qwen3ForCausalLM, около 3,7 млрд параметров; заявленная длина контекста — 40 960 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.