IV.6Научные исследования, математика и новые материалы

Mathstral-7B-v0.1-GGUF — это квантованная в формате GGUF версия модели Mathstral-7B-v0.1, разработанной Mistral AI при сотрудничестве с Project Numina. Квантование подготовлено bartowski на основе llama.cpp. Модель представляет собой дообученную модель семейства Mistral, ориентированную на решение сложных математических задач, требующих многошагового логического рассуждения. Она подходит для генерации ответов и рассуждений в математике, обучения, исследовательских сценариев и других задач, где важны вычисления и последовательный анализ. Модель имеет около 7 миллиардов параметров и поддерживает контекст длиной до 32 768 токенов. В README не указаны полный перечень поддерживаемых языков и дополнительные модальности, поэтому подтверждённые характеристики относятся к текстовой генерации. Для использования в LM Studio рекомендуется шаблон запросов Mistral Instruct. Заявлены результаты 56,6% на MATH и 63,47% на MMLU; при этом модель может ошибаться, а точность зависит от формулировки задачи, выбранного варианта квантования и настроек запуска. Модель распространяется по лицензии Apache-2.0. README не уточняет ограничения, связанные с отдельными вариантами квантования, поэтому перед коммерческим или производственным использованием следует проверить условия исходного репозитория и конкретного файла GGUF.

PubMedNCL — англоязычная модель для получения векторных представлений научных биомедицинских публикаций. Она разработана на основе PubMedBERT, обученного на аннотациях и полных текстах из PubMed Central, и дообучена методом контрастивного обучения на соседствах цитирования, предложенным в SciNCL. Модель использует архитектуру BERT и содержит 136,7 млн параметров; максимальная длина контекста составляет 512 токенов. Модель предназначена для извлечения признаков из текстов биомедицинских статей, например для поиска и сравнения публикаций по их содержанию. Она принимает текст и выдаёт векторные представления. Данные указывают на специализацию в биомедицинской научной литературе на английском языке; другие языки не заявлены. Модель распространяется по лицензии MIT.

EMBO разработала EMBO/SourceData_NER_v1_0_0_BioLinkBERT_base — дообученную на наборе source_data модель BioLinkBERT-base для классификации токенов. Она предназначена для распознавания сущностей в биомедицинских текстах, например для извлечения терминов из научных публикаций. Модель построена на архитектуре BERT, содержит 135,4 млн параметров и принимает последовательности длиной до 512 токенов. В README указаны результаты оценки: accuracy 0,9565, precision 0,8159, recall 0,8538 и F1 0,8344; они относятся к использованному набору оценки и не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0.

Kevincp560/bart-large-finetuned-pubmed — модель для суммаризации научных текстов из PubMed, созданная дообучением facebook/bart-large на наборе pub_med_summarization_dataset. Она построена на архитектуре BART и содержит 252,8 млн параметров; максимальная длина контекста — 1024 токена. Модель принимает текст и генерирует его краткое изложение. В карточке приведены результаты оценки на тестовой выборке: Loss 1,8135, ROUGE-1 10,946, ROUGE-2 5,0933, ROUGE-L 9,5608 и ROUGE-Lsum 10,4259. Эти значения сами по себе не позволяют судить о качестве без сведений о протоколе оценки и шкале. Модель распространяется под лицензией Apache-2.0.

QuantFactory/deepseek-math-7b-instruct-GGUF — квантизированная версия DeepSeek-Math-7B-Instruct, разработанная QuantFactory на основе модели deepseek-ai/deepseek-math-7b-instruct с использованием llama.cpp. Это текстовая авторегрессионная модель примерно на 7 миллиардов параметров в формате GGUF, предназначенная для локального запуска и генерации текста. Модель ориентирована прежде всего на решение математических задач и ответы с пошаговым рассуждением. В README приведены шаблоны запросов для английского и китайского языков, в которых рекомендуется явно просить рассуждать по шагам и помещать итоговый ответ в \boxed{}. Модель поддерживает сценарии чат-взаимодействия и text generation, однако точный размер контекста и перечень поддерживаемых языков не указаны. Сильными сторонами являются специализация на математике, возможность локального использования через llama.cpp и сниженные требования к ресурсам благодаря квантизации. Ограничения включают отсутствие мультимодальности в описании, неизвестные параметры конкретной квантизации и необходимость учитывать особенности шаблона запросов: system prompt для этой версии не рекомендуется использовать. Репозиторий распространяется по MIT License, а использование самой модели регулируется отдельной DeepSeek Model License; README указывает, что коммерческое использование поддерживается.

Einstein-v4-Qwen-1.5-32B — дообученная Weyaxi версия Qwen/Qwen1.5-32B, созданная с помощью QLoRA и Axolotl; обучение спонсировал sablo.ai. Это плотная авторегрессионная модель Qwen2 с 31,7 млрд параметров, предназначенная для генерации текста и диалогов по шаблону ChatML. Контекст составляет 32 768 токенов. Модель обучалась на наборах данных для естественных наук, физики, химии, биологии, математики и общего следования инструкциям. Она подходит для ответов на научные и учебные вопросы, решения STEM-задач и диалоговой помощи. В карточке приведены результаты Open LLM Leaderboard, включая среднюю оценку 68,54 и 62,37 на AI2 Reasoning Challenge, но эти показатели сами по себе не гарантируют точность ответов. Основной язык карточки — английский. Модель опубликована в формате Safetensors. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

Einstein-v6.1-Llama3-8B — полноразмерная дообученная языковая модель Weyaxi на основе Meta-Llama-3-8B, обученная при поддержке sablo.ai. Модель с архитектурой Llama и 7,5 млрд параметров предназначена для диалоговой генерации текста и выполнения инструкций; используется шаблон ChatML. В обучении применялись наборы данных по физике, химии, биологии и математике, а также общие диалоговые и инструкционные данные. Модель подходит для ответов на вопросы по STEM-дисциплинам, решения математических и научных задач и общего диалогового взаимодействия на английском языке. Контекст составляет 8192 токена. В репозитории указаны результаты оценок на Open LLM Leaderboard и Open LLM Leaderboard v2. Лицензия обозначена как other, поэтому условия использования следует сверять с карточкой модели и лицензией базовой модели.

gemma4-4b-sci — научно-ориентированная диалоговая модель, разработанная Michele Banfi на базе Gemma 4 E4B Instruct от Unsloth. Она дообучена методом QLoRA с SFT на 30 тысячах примеров из OpenSciLM/OS_Train_Data и SciRIFF; обучение длилось одну эпоху, а визуальный энкодер базовой модели оставлен замороженным. Модель предназначена для генерации ответов на научные вопросы и работы со сценариями оценки научных утверждений и медицинских исследований. Это генеративная модель без встроенного поиска или системы извлечения источников, поэтому ей нужно отдельно передавать контекст статей, если ответы должны опираться на конкретные публикации. В README приведены предварительные результаты ScholarQABench по SciFact, PubMedQA и QASA. Карточка описывает ранний исследовательский эксперимент и предупреждает о галлюцинациях и фактических ошибках. Указана лицензия Gemma Terms of Use. Метаданные отмечают англоязычную карточку, поддержку чата и форматы GGUF и Safetensors; модель основана на архитектуре Gemma 4.

OpenMath-CodeLlama-13b-Python-hf — языковая модель NVIDIA для решения математических задач с помощью текстовых рассуждений и фрагментов кода, исполняемых в Python. Она дообучена на CodeLlama-13b-Python-hf на наборе OpenMathInstruct-1, содержащем 1,8 млн пар «задача — решение», сгенерированных моделью Mixtral-8x7B. Модель имеет плотную архитектуру LlamaForCausalLM и 12,9 млрд параметров, принимает текст и генерирует текст, включая код. Контекст составляет до 16 384 токенов; в карточке указан английский язык. Модель подходит для генерации пошаговых решений математических задач, написания вспомогательных Python-программ и проверки вычислений через исполнение кода. Обучающий конвейер открыт, для разработки и инференса используется NVIDIA NeMo. Репозиторий распространяется по лицензии Llama 2. Результаты могут содержать ошибки в рассуждениях или коде; README не описывает специальные гарантии корректности решений.

Original-PubMedBERT-BC5CDRChemical — биомедицинская модель на архитектуре BERT, размещённая пользователем ghadeermobasher и дообученная для разметки химических сущностей в научных текстах. Модель основана на PubMedBERT, разработанном Microsoft для работы с биомедицинской литературой, и предназначена для задачи token classification на корпусе BC5CDR-Chemical. Модель содержит 136,7 млн параметров и поддерживает контекст длиной до 512 токенов. Она рассчитана на англоязычные биомедицинские тексты и может применяться для извлечения названий химических веществ из аннотаций и других научных документов. Ограничения включают специализированность на химической сущностной разметке, контекстное окно 512 токенов и зависимость качества от предметной области и формата текста. Лицензия в доступных данных не установлена.

psgrghvuo/pubmedbert_bc5cdr — дообученная модель на основе microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext для распознавания именованных сущностей в биомедицинских текстах из области химических веществ и заболеваний. Она использует архитектуру BERT с классификацией токенов и предназначена, в частности, для извлечения упоминаний химических веществ и заболеваний из научных публикаций. Модель содержит 136,7 млн параметров, принимает текстовые фрагменты длиной до 512 токенов и работает с английским языком. На оценочной выборке BC5CDR модель показала точность 0,8882, полноту 0,9258 и F1 0,9066. Веса представлены в формате PyTorch. Лицензия MIT разрешает использование и модификацию в соответствии с её условиями.

Qwen2-Math-72B — базовая языковая модель для математических задач из серии Qwen2-Math, разработанной командой Qwen. Модель предназначена для дополнения текста, решения арифметических и математических задач, а также многошаговых рассуждений; её можно использовать для few-shot-инференса или как основу для дальнейшего дообучения. Для диалогового режима предназначена отдельная версия Qwen2-Math-72B-Instruct. Модель имеет плотную архитектуру Qwen2ForCausalLM и около 71,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык; контекст составляет 4096 токенов. В карточке указана лицензия other, поэтому условия использования следует проверять в сопровождающих материалах проекта. Основное ограничение — преимущественная поддержка английского языка; модель ориентирована на математику, а не на широкий круг повседневных задач.

Это модель для распознавания именованных сущностей в биомедицинских текстах: она выделяет упоминания химических веществ и заболеваний. Модель разработана на основе roberta-large и дообучена авторами T-NER на наборе данных tner/bc5cdr; архитектура — RobertaForTokenClassification, размер — 454,1 млн параметров, контекст — до 514 токенов. Модель предназначена для извлечения химических веществ и заболеваний из научных и других биомедицинских текстов. В тестовой оценке BC5CDR она показала micro-F1 0,884; F1 для химических веществ составил 0,926, для заболеваний — 0,834. Для использования авторы рекомендуют библиотеку T-NER: при работе через Transformers слой CRF не поддерживается. Лицензия в предоставленных данных не указана.

fran-martinez/scibert_scivocab_cased_ner_jnlpba — модель распознавания именованных сущностей на основе SciBERT, разработанного Allen Institute for AI и дообученного для задачи BioNLP/JNLPBA. SciBERT построен на архитектуре BERT и предварительно обучен на корпусе научных публикаций Semantic Scholar; для него используется специализированный словарь scivocab. Модель содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель размечает слова и фрагменты текста в научных аннотациях, выделяя, в частности, белки, типы клеток и клеточные линии. В описанной оценке на данных JNLPBA она достигла макро F1 0,7498 на уровне сущностей и F1 0,8093 на уровне слов. Для обучения использовались 2 000 аннотаций PubMed; оценка проводилась на 404 аннотациях. Модель предназначена для извлечения биомедицинских сущностей из научных текстов. В README отмечено, что результаты ниже приведённого показателя исходной работы Allen Institute for AI; одним из возможных объяснений называется отсутствие слоя CRF. Лицензия в предоставленных данных не указана.

NetworkIsLife/SciBert_sentence_transformer — учебное зеркало модели S-SciBERT, созданное для курса по тематическому моделированию на основе трансформеров в R. Это неизменённая копия весов и токенизатора pritamdeka/S-Scibert-snli-multinli-stsb в форматах PyTorch и safetensors; исходная модель SciBERT дообучена в Sentence Transformers на SNLI, MultiNLI и STS-B для сопоставления предложений. Архитектура — BERT с mean pooling, размер модели по метаданным — 137,1 млн параметров, размерность эмбеддинга — 768, контекст — до 512 токенов. Модель превращает английские предложения и абзацы, в том числе научные тексты, в плотные векторы для семантического поиска, кластеризации и тематического моделирования. Её научная лексика полезна для биомедицины, химии, информатики и машинного обучения; для обработки издан репозиторий в safetensors, чтобы упростить загрузку на CPU и использование из R. Качество на длинных документах может снижаться: модель обучалась на последовательностях длиной 75 токенов, поэтому полные статьи лучше разбивать на фрагменты. Для обычных веб-текстов может подойти лучше универсальная модель эмбеддингов. Лицензия — Apache-2.0.

VFIG-4B — дообученная мультимодальная модель на 4 млрд параметров, разработанная для преобразования сложных научных и технических иллюстраций в редактируемый SVG-код. Она принимает изображение фигуры и генерирует векторное описание, которое можно масштабировать и изменять. Модель основана на Qwen/Qwen3-VL-4B-Instruct. Обучение включало SFT и обучение с подкреплением GRPO с визуальными вознаграждениями, учитывающими результат рендеринга. Языковая часть дообучалась с помощью LoRA, а визуальный энкодер и проектор оставались замороженными. Модель предназначена для восстановления схем и графиков, а не для общих задач понимания изображений. Лицензия — CC BY 4.0.

Модель tner/xlm-roberta-base-bc5cdr — дообученная для распознавания именованных сущностей версия XLM-RoBERTa base из проекта TNER. Она выполняет поклассовую разметку токенов и предназначена для извлечения сущностей в тексте. Число параметров — 305,2 млн, максимальная длина контекста — 514 токенов; модель доступна в формате PyTorch. Название указывает на настройку для набора BC5CDR, связанного с распознаванием химических и медицинских сущностей в биомедицинских текстах. Модель подходит для извлечения таких упоминаний из научных публикаций и других текстовых материалов. README указывает на использование через Transformers, а базовую модель можно загрузить как asahi417/tner-xlm-roberta-base-bc5cdr. Это производная модель XLM-RoBERTa, дообученная для NER. README не сообщает лицензию и конкретный набор поддерживаемых языков; по названию набора BC5CDR назначение связано с англоязычными биомедицинскими текстами. Ограничение контекста составляет 514 токенов.

BC5CDRbioBERTNER — англоязычная модель распознавания именованных сущностей в биомедицинских текстах, разработанная дообучением dmis-lab/biobert-v1.1. Она выделяет названия химических веществ и заболеваний и предназначена для автоматической разметки научных и медицинских текстов в задачах биомедицинского NLP. Модель построена на архитектуре BERT и содержит 135,5 млн параметров; максимальная длина контекста — 512 токенов. В отчёте оценки указаны F1 0,98 для химических веществ и 0,85 для заболеваний. Карточка не раскрывает набор данных и подробности обучения; результаты относятся к приведённому оценочному набору и не гарантируют такую же точность на других текстах. Лицензия в предоставленных данных не указана.

ktrapeznikov/biobert_v1.1_pubmed_squad_v2 — англоязычная модель семейства BERT, разработанная на основе monologg/biobert_v1.1_pubmed и дообученная на SQuAD V2 для извлечения ответов из текста. Она принимает вопрос и отрывок текста и предсказывает фрагмент, который отвечает на вопрос, а также позволяет оценивать, отсутствует ли ответ в отрывке. Модель подходит для поиска ответов в биомедицинских публикациях и других текстах на английском языке. Модель имеет 135,5 млн параметров, использует регистрозависимую токенизацию и поддерживает контекст до 512 токенов. В README приведены результаты на валидационной выборке SQuAD V2: exact match 75,97 и F1 79,37; подбор порога для определения отсутствующего ответа не проводился. Доступны веса PyTorch и Flax. Лицензия в предоставленных данных не указана.

Карточка модели EdgeAIMed/EdgeAIMed-NER-ChemicalDetect-BigMed-278M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-ChemicalDetect-BigMed-278M, поэтому описание составлено по ней. OpenMed-NER-ChemicalDetect-BigMed-278M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученный XLM-RoBERTa с архитектурой XLMRobertaForTokenClassification и 305,2 млн параметров. Модель принимает токенизированный текст и возвращает BIO-разметку: B-CHEM и I-CHEM. Контекст — до 514 токенов. Модель предназначена для извлечения названий химических соединений и веществ из научных публикаций, клинических текстов и медицинских документов. Её можно применять для поиска упоминаний лекарств, анализа литературы и построения биомедицинских баз знаний. В README заявлены обучение на BC4CHEMD и F1 0,94, однако приведённые показатели не сопровождаются описанием методики оценки. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0.

Einstein-v7-Qwen2-7B — полноценно дообученная Weyaxi языковая модель на базе Qwen/Qwen2-7B с архитектурой Qwen2 и 7,1 млрд параметров. Она предназначена для диалоговой генерации текста и ответов на вопросы, с особым акцентом на естественные науки, физику, химию, биологию и математику. Модель обучалась два прохода по разнообразным наборам данных; карточка указывает шаблон диалога ChatML и контекст до 131 072 токенов. Модель работает с текстом и поддерживает инструкции и диалог на английском языке. В оценке Open LLM Leaderboard v2 указаны результаты IFEval 41,00 и BBH 32,84; эти показатели не гарантируют точность отдельных ответов. Весовые файлы доступны в формате safetensors. Указана лицензия other, поэтому конкретные условия использования следует проверять в карточке и сопутствующих материалах модели.

OpenMed-NER-ChemicalDetect-SuperMedical-355M — разработанная OpenMed модель распознавания химических сущностей в биомедицинских текстах. Это дообученная архитектура RoBERTa для классификации токенов: она размечает упоминания химических соединений и веществ BIO-тегами B-CHEM и I-CHEM. Модель обучена на корпусе BC4CHEMD с аннотациями химических сущностей в аннотациях PubMed. Модель предназначена для извлечения химических веществ из научной литературы, клинических записей и медицинских документов, в том числе для поиска упоминаний лекарств, анализа нежелательных явлений и построения биомедицинских баз знаний. README сообщает результаты на BC4CHEMD: F1 0,95, точность 0,94, полнота 0,95 и accuracy 0,99. Репозиторий содержит веса Safetensors; размер модели по метаданным — 454,1 млн параметров, контекст — 514 токенов. Поддерживается английский язык. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-DNADetect-BioMed-109M — дообученную модель семейства BERT для распознавания биомедицинских сущностей в тексте. Она размечает токены в последовательности BIO и выделяет белки, ДНК, РНК, клеточные линии и типы клеток. Модель предназначена для анализа научных публикаций и биомедицинских документов, включая извлечение сущностей для последующего поиска и анализа. Модель основана на BiomedNLP-BiomedELECTRA-base-uncased-abstract, обучена на корпусе JNLPBA и имеет 136,7 млн параметров. Она принимает текст на английском языке, имеет контекст до 512 токенов и выдаёт метки токенов. В README приведены показатели на JNLPBA: F1 0,79, точность 0,74, полнота 0,85 и accuracy 0,93. Доступна по лицензии Apache-2.0.

OpenMed-ZeroShot-NER-Chemical-Multi-209M — модель OpenMed для распознавания упоминаний химических веществ в биомедицинских текстах. Она основана на архитектуре GLiNER и дообучена на корпусе BC4CHEMD; заявленный размер — 209 млн параметров. Модель принимает текст и возвращает найденные сущности с метками, поддерживая zero-shot настройку типов сущностей. Основное назначение — извлечение названий химических соединений, лекарств, реагентов и их синонимов из научной литературы. Это подходит для индексирования соединений, поиска упоминаний в фармакологических публикациях и последующего связывания сущностей с ChEBI или DrugBank. В README приведён результат F1 0,87 на тестовом наборе, однако описание также содержит неоднозначные цифры и сравнения с другими размерами модели, поэтому показатель стоит считать заявленным автором, а не независимой оценкой. Модель ориентирована на англоязычные биомедицинские тексты. Репозиторий распространяется по лицензии Apache-2.0. Расширение на произвольные типы сущностей заявлено как возможность GLiNER, но качество на типах, отличных от химических сущностей, в карточке не подтверждено.

Это полно-параметрическая дообученная модель на базе Google T5Gemma 2, созданная для SciHigh-2026 Task 1. Она преобразует аннотации научных статей в краткие исследовательские тезисы. Модель использует архитектуру encoder-decoder и рассчитана на обработку входного текста длиной до 1024 токенов с целевым текстом до 320 токенов; обучалась на 10 000 примерах из набора SciHigh Task 1 MixSub-SciHigh. На проверочной выборке из 1 985 примеров указаны метрики ROUGE-1 0,3818, ROUGE-2 0,1389 и ROUGE-L 0,2590. Для использования требуются библиотека Transformers и совместимое окружение PyTorch; в карточке приведён пример запуска на CUDA с bfloat16 и SDPA. Лицензия — Gemma, поэтому модель необходимо использовать в соответствии с условиями Google Gemma.

Phi-4-mini-flash-reasoning — компактная языковая модель Microsoft семейства Phi-4 для пошагового решения математических задач. Это плотная авторегрессионная модель с архитектурой Phi4FlashForCausalLM; в метаданных указано 3,7 млрд параметров. Модель принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. В карточке модели заявлено окно контекста 64 тыс. токенов, тогда как метаданные указывают 262 144 токена; это расхождение требует проверки при настройке инференса. Модель дообучена на синтетических математических данных, созданных более крупной моделью. Она предназначена для многошагового математического рассуждения в условиях ограниченных вычислительных ресурсов или требований к задержке: например, для символьных вычислений, сложных текстовых задач и генерации формальных доказательств. README сообщает о результатах на математических и логических бенчмарках и повышенной скорости декодирования в определённых условиях; эти результаты не гарантируют точность в прикладных сценариях. Модель тестировалась прежде всего для математического рассуждения, поэтому её качество для других задач и языков может отличаться; ответы следует проверять, особенно в критичных сценариях. Лицензия — MIT.

FutureMa разработала эту мультимодальную модель на основе Qwen3.5-35B-A3B для распознавания математических формул на изображениях и преобразования рукописных выражений в LaTeX. Это модель зрения и языка с архитектурой Mixture of Experts: 35 млрд параметров всего, около 3 млрд активных; для адаптации применён LoRA. Модель рассчитана на распознавание рукописных формул, уравнений и математической записи в образовательных и исследовательских сценариях. Обучение проводилось на 2 000 примерах из поднабора human_handwrite датасета linxy/LaTeX_OCR. Модель поддерживает английский и китайский языки. Она не оптимизирована для общего описания изображений и распознавания нематематического почерка; из-за небольшого обучающего набора может хуже справляться с необычными стилями письма и сложной нотацией. Для инференса рекомендуется около 30 ГБ видеопамяти или больше. Указана лицензия Qwen License.

SeongryongJung/Qwen3-8B-Chemistry-SRPO-TR — дообученная версия языковой модели Qwen3-8B, созданная для химических задач методом SRPO-TR. В репозитории размещён лучший и одновременно финальный чекпойнт, выбранный по валидационной метрике mean@16; для набора Chemistry указано значение 73,63%. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и принимает контекст до 40 960 токенов. Модель предназначена для генерации текста и решения задач по химии. Она основана на многоязычной Qwen3-8B, предназначенной для диалога, рассуждений, следования инструкциям, кода и вызова инструментов, однако README сообщает только о химическом обучении и не приводит перечня поддерживаемых языков или подробной оценки отдельных сценариев. Весы доступны в формате safetensors для загрузки через Transformers. Лицензия — Apache-2.0.

RKMVNLP-scihigh-task1-bart-large-run1 — англоязычная модель команды RKMV_NLP для генерации кратких научных highlights. Она создана дообучением BART-Large с помощью LoRA на задаче FIRE SciHigh Subtask 1, набор MixSub-SciHigh, и предназначена для преобразования научного текста в краткие основные выводы. Модель использует архитектуру BART encoder-decoder, принимает текст и генерирует текст; базовая модель имеет контекст до 1024 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

menadsa/S-BioELECTRA — модель эмбеддингов на базе ELECTRA, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучалась на данных PubMed с функцией MultipleNegativesRankingLoss и косинусным сходством, что указывает на специализацию на биомедицинских текстах. Её можно применять для семантического поиска и группировки публикаций или фрагментов научных текстов. Доступны веса PyTorch; лицензия и конкретные языки в предоставленных сведениях не обозначены.