IV.6Научные исследования, математика и новые материалы

Карточка модели yifeihu/TF-ID-base на Hugging Face совпадает с карточкой yifeihu/TF-ID-large, поэтому описание составлено по ней. TF-ID-large — модель компьютерного зрения, разработанная Yifei Hu для поиска таблиц и рисунков на страницах научных статей. Это версия семейства TF-ID с 0,77 млрд параметров, дообученная на контрольных точках Microsoft Florence-2. На вход подаётся изображение одной страницы статьи; модель возвращает рамки объектов и их метки, включая подписи к таблицам и рисункам. Модель предназначена для извлечения структурных элементов научных публикаций и подготовки страниц к дальнейшему разбору или индексации. В проверке на 258 страницах статей вне обучающей выборки корректный результат получен для 253 страниц (98,06%); при этом возможны лишние или дробящие один объект рамки. Репозиторий содержит веса PyTorch в формате Safetensors. Лицензия — MIT.

TF-ID-large — модель компьютерного зрения, разработанная Yifei Hu для поиска таблиц и рисунков на страницах научных статей. Это версия семейства TF-ID с 0,77 млрд параметров, дообученная на контрольных точках Microsoft Florence-2. На вход подаётся изображение одной страницы статьи; модель возвращает рамки объектов и их метки, включая подписи к таблицам и рисункам. Модель предназначена для извлечения структурных элементов научных публикаций и подготовки страниц к дальнейшему разбору или индексации. В проверке на 258 страницах статей вне обучающей выборки корректный результат получен для 253 страниц (98,06%); при этом возможны лишние или дробящие один объект рамки. Репозиторий содержит веса PyTorch в формате Safetensors. Лицензия — MIT.

Это модель sentence-transformers на базе BERT, созданная для оценки семантического сходства коротких математических текстов. Разработчики дообучили доменно адаптированную модель math-similarity/Bert-MLM_arXiv на парах заголовков из zbMath, используя коды MSC для определения сходства. Модель кодирует предложение или короткий абзац в плотный вектор размерности 768. Для поиска, кластеризации и сравнения текстов в ней используется mean pooling и дообучение с целью косинусного сходства. Контекст BERT составляет до 512 токенов по метаданным, а карточка модели указывает, что входы длиннее 256 word pieces по умолчанию обрезаются. Модель подходит для поиска и группировки математических публикаций по смыслу, а также для сравнения коротких математических описаний. Она предназначена для английских математических текстов zbMath; в карточке отмечено, что обучающий набор с заголовками нельзя распространять из-за лицензионных ограничений. Лицензия модели в предоставленных данных не указана.

QuantFactory/deepseek-math-7b-rl-GGUF — квантизированная версия модели DeepSeekMath-7B-RL, разработанной командой DeepSeek и преобразованной с использованием llama.cpp. Модель предназначена для генерации текста и решения математических задач с пошаговым рассуждением, включая сценарии, где требуется получить итоговый ответ в формате LaTeX \boxed{}. Модель основана на DeepSeek-Math-7B-RL и содержит около 7 миллиардов параметров. Она работает в текстовой модальности; в README явно указана поддержка запросов на английском и китайском языках. Формат GGUF и квантизация ориентированы на запуск через совместимое программное обеспечение, включая llama.cpp, однако конкретный вариант квантизации и размер контекстного окна не указаны. Сильной стороной модели является специализация на математическом рассуждении и возможность локального запуска в квантизированном формате. К ограничениям относятся отсутствие данных о точности, поддерживаемых уровнях квантизации и контекстном окне, а также потенциальное снижение качества по сравнению с исходной моделью из-за квантизации. Использование моделей DeepSeekMath регулируется отдельной лицензией DeepSeek; README указывает на разрешённое коммерческое использование. Лицензия репозитория при этом обозначена как MIT.

InternLM2-Math-Plus-1.8B — двуязычная языковая модель для математических рассуждений, разработанная командой InternLM. Это плотная авторегрессионная модель семейства InternLM2 с 1,7 млрд параметров, представленная в формате Safetensors; контекст составляет 8192 токена. Модель ориентирована на решение математических задач и заявлена как помощник для доказательств, проверки решений и подготовки математических примеров. Модель предназначена для неформальных рассуждений, включая пошаговые решения и использование кода, а также для формальных задач — перевода математических утверждений в LEAN 4 и доказательства теорем. В README приведены результаты на MATH, GSM8K и MiniF2F; версия 1.8B показала 37,0 на MATH, 41,5 на MATH с Python и 58,8 на GSM8K в указанной оценке. Заявленные языки — английский и китайский. Лицензия обозначена как other; конкретные условия следует проверять в репозитории модели.

Mistral-Small-24B-Instruct-2501-reasoning-GGUF — это квантованное представление в формате GGUF модели Mistral-Small-24B-Instruct-2501-reasoning, разработанной yentinglin и преобразованной пользователем brittlewis12. Модель создана на базе Mistral-Small-24B-Instruct-2501 и дообучена для усиления способностей к математическому рассуждению на наборах данных OpenR1-Math-220k, s1K-1.1 и связанных данных в формате TRL. Она предназначена для генерации текста, решения математических задач и сценариев, где требуется пошаговое рассуждение. Заявлен английский язык и текстовая модальность; размер модели — 24 млрд параметров. Формат GGUF ориентирован на локальный запуск с совместимыми инструментами, включая llama.cpp. Сведения о размере контекстного окна в README отсутствуют. Среди сильных сторон — специализация на математическом reasoning и высокие результаты исходной модели в приведённых оценках: 95,0 на MATH-500, 53,33 на AIME 2025, 66,67 на AIME 2024 и 62,02 на GPQA Diamond. Эти показатели относятся к исходной модели и не обязательно полностью характеризуют конкретную квантованную сборку. Ограничениями являются отсутствие данных о конкретном типе и уровне квантования, требованиях к памяти и производительности, поддерживаемых языках помимо английского и контекстном окне. В метаданных указана лицензия Apache-2.0.

OpenMath-Nemotron-14B-GGUF — это квантизированная версия языковой модели OpenMath-Nemotron-14B, разработанной NVIDIA. Квантизацию в формате GGUF выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и решения математических задач, включая сценарии, где требуется локальный запуск через llama.cpp, LM Studio или совместимые проекты. Модель содержит 14 миллиардов параметров, работает с текстом и ориентирована на английский язык. В репозитории доступны варианты от BF16 до низкобитных форматов Q2 и Q3, а также Q4–Q8, что позволяет выбирать баланс между качеством, размером файла и требованиями к оперативной памяти. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5 или Q6; более сильная квантизация обычно сохраняет качество лучше, но требует больше памяти. Размер контекста в README не указан. Сильной стороной модели является специализация на математическом рассуждении и наличие вариантов для эффективного локального вывода на разных конфигурациях оборудования. Ограничения включают ориентацию на английский язык, отсутствие заявленной поддержки изображений или других модальностей, а также возможное снижение качества в наиболее компактных вариантах квантизации. Указанная лицензия — CC BY 4.0.

OpenMath-Llama-2-70b-hf — языковая модель NVIDIA для решения математических задач. Она дообучена методом instruction tuning на базе meta-llama/Llama-2-70b-hf с использованием набора OpenMathInstruct-1, содержащего 1,8 млн пар математических задач и решений. Модель генерирует текстовые рассуждения и блоки кода, предназначенные для выполнения в интерпретаторе Python. Это подходит для решения задач по математике, где полезны пошаговое объяснение и вычисления с помощью кода. Архитектура — плотная LlamaForCausalLM, размер — 68,7 млрд параметров; контекст — 2048 токенов. В карточке указан английский язык. Модель распространяется в формате safetensors по лицензии Llama 2. Её математические ответы и сгенерированный код следует проверять; код может содержать ошибки, а контекст ограничивает длину задачи и решения.

OpenMath-Mistral-7B-v0.1-hf — языковая модель NVIDIA для решения математических задач. Она дообучена на Mistral-7B-v0.1 с использованием OpenMathInstruct-1 — набора из 1,8 млн пар «задача — решение», созданных с помощью Mixtral-8x7B. Модель относится к семейству Mistral, имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров. Модель генерирует текстовые решения и рассчитана на сценарии, где математические рассуждения можно сочетать с фрагментами кода, исполняемыми интерпретатором Python. Размер контекста — 32 768 токенов. В карточке указана поддержка английского языка; формат весов — safetensors. Модель подходит для получения пошаговых решений и помощи в вычислениях, однако README не приводит количественных оценок качества или перечня математических тем, на которых она особенно надёжна. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-GenomicDetect-PubMed-335M — дообученную модель BERT для распознавания сущностей в биомедицинских текстах. Она принимает токенизированный текст и возвращает BIO-разметку; в карточке указана метка Cell-line-name. Модель обучена на корпусе GELLUS и предназначена для анализа научной литературы и других текстов по геномике и молекулярной биологии. Модель содержит около 433,9 млн параметров, использует архитектуру BertForTokenClassification и обрабатывает контекст длиной до 512 токенов. Указанная лицензия — Apache-2.0. Заявления README о высоких показателях качества не сопровождаются достаточным описанием протокола оценки, поэтому результаты следует проверять на целевых данных.

Phi-4-mini-reasoning-GGUF — GGUF-квантизированная версия модели Phi-4-mini-reasoning, разработанной Microsoft. Квантизацию выполнил bartowski на основе llama.cpp, релиз b5228. Модель предназначена для генерации текста и ориентирована на многошаговое, логически сложное решение математических задач, а также на сценарии, связанные с математикой, рассуждениями и кодом. Модель поддерживает контекст длиной до 128 тысяч токенов и работает с текстовыми входными данными; в карточке указан английский язык. Точные архитектурные параметры и размер модели в README не приведены. Большое контекстное окно и специализация на последовательных рассуждениях являются её ключевыми особенностями, однако результаты могут быть неточными, поэтому математические решения и сгенерированный код требуют проверки. Модель распространяется по лицензии MIT. LM Studio не является разработчиком или владельцем модели и не гарантирует её точность, безопасность или соответствие конкретным требованиям.

EMBO разработала SODA-VEC — модель эмбеддингов для биомедицинских и научных текстов, обученную с функцией потерь VICReg Our. Это дообученная ModernBERT-base с 149 млн параметров, mean pooling и L2-нормализацией: она преобразует текст в векторы размерности 768. Модель рассчитана на английский язык и контекст до 8192 токенов. Модель предназначена для семантического поиска и оценки сходства текстов в биомедицине и науках о жизни. При обучении использовались 26,5 млн пар заголовков и аннотаций из PubMed Central; среди описанных сценариев оценки — поиск публикаций и различение тематически близких и несвязанных статей. Лицензия — Apache-2.0. Модель оптимизирована для заголовков и аннотаций, поэтому длинные документы может потребоваться разбивать на фрагменты. На текстах общего назначения её качество может быть ниже; она наследует смещения корпуса PubMed Central.

EMBO разработала SODA-VEC VICReg Our Contrast — модель для построения векторных представлений биомедицинских и научных текстов. Она дообучена на базе answerdotai/ModernBERT-base и обучена на 26,5 млн пар заголовков и аннотаций из PubMed Central. Модель использует ModernBERT-base с 12 слоями, mean pooling и L2-нормализацией; выдаёт эмбеддинги размерности 768 и поддерживает контекст до 8192 токенов. Она предназначена для семантического поиска, сравнения текстов и извлечения научной литературы, а также может служить основой для дообучения под прикладные задачи. Лицензия — Apache-2.0. Модель ориентирована на англоязычные тексты биомедицины и наук о жизни. Она может хуже работать в других областях; для длинных документов рекомендуется разбивать текст на фрагменты. Представления отражают смещения корпуса PubMed Central.

Это модель для распознавания химических веществ и заболеваний в биомедицинском тексте. Она дообучена пользователем ghadeermobasher на базе BiomedNLP-PubMedBERT для задачи классификации токенов; название указывает на сбалансированную версию для набора BC5CDR. Модель использует архитектуру BERT, содержит 136,7 млн параметров и принимает контекст длиной до 512 токенов. Модель предназначена для извлечения упоминаний химических веществ и болезней из научных публикаций и других биомедицинских текстов на английском языке. Она возвращает метки для токенов, что позволяет выделять найденные сущности. Доступна в формате PyTorch. Условия лицензии карточки не удалось подтвердить.

siddharthtumre/biobert-finetuned-ner — модель на базе BioBERT, дообученная для распознавания именованных сущностей в биомедицинских текстах. Использует архитектуру BERT для классификации токенов, содержит 135,5 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель обучена на наборе JNLPBA. На приведённой в карточке оценочной выборке она достигла F1 0,7056, точности 0,6551, полноты 0,7646 и accuracy 0,9108. Её можно применять для извлечения биомедицинских сущностей из научных текстов. В README не приведены подробности о категориях сущностей и практических ограничениях; лицензия в доступных данных не указана.

CeLLaTe-ner-3class-pubmedbert-tokenizer-adapted-spanmask — англоязычная BERT-модель Mardiyyah для классификации токенов в биомедицинских текстах. Она дообучена на наборе OTAR3088/CeLLaTe-ner-3class-iob_final поверх Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask и рассчитана на распознавание сущностей с разметкой IOB для трёх классов. Модель содержит 138,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки токенов. На указанной в карточке оценочной выборке достигнуты micro F1 0,7488 и accuracy 0,9823. Доступна по лицензии Apache-2.0.

ChemLLM-20B-Chat-DPO — разговорная языковая модель для химии и молекулярных наук, разработанная AI4Chem на базе InternLM2 и дообученная с DPO. Модель содержит 19,3 млрд параметров, использует плотную архитектуру InternLM2 и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для диалога по химическим темам и молекулярным наукам, а также для ответов на профессиональные вопросы и перевода. В карточке приведены результаты ChemLLM на разделах химии, математики и физики теста MMLU; они превосходят указанные сравниваемые модели в этих разделах, но сами по себе не гарантируют точность в практических задачах. Модель принимает и выдаёт текст, поддерживаемые языки по карточке — английский и китайский. Лицензия — Apache-2.0. Ответы могут быть ошибочными, поэтому химические сведения следует проверять.

GALACTICA 6.7B Evol-Instruct — языковая модель, созданная дообучением GALACTICA 6.7B на 70 тысячах пар инструкций и ответов из набора Evol-Instruct. Базовая модель разработана для работы с научными текстами и данными; дообучение позволяет задавать ей инструкции и получать ответы в диалоговом формате. Репозиторий содержит веса PyTorch для библиотеки Transformers. В метаданных указано 8,8 млрд параметров и контекст 2048 токенов. Модель подходит для генерации ответов на вопросы и объяснений по научным темам, а также для экспериментов с применением языковых моделей в научной области. Качественная оценка в карточке указывает на более точное следование запросам по сравнению с версией GALPACA, дообученной на Alpaca. Ответы могут содержать фактические ошибки, поэтому модель не следует использовать в производственной среде без защитных мер и проверки результатов. Лицензия — CC BY-NC 4.0; для моделей на основе Evol-Instruct-70k также применяются условия использования OpenAI.

Newton-7B — диалоговая языковая модель на архитектуре Mistral, созданная Weyaxi путём дообучения openchat/openchat-3.5-0106 с помощью QLoRA и Axolotl. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Модель предназначена для ответов на вопросы и рассуждений в естественных науках, математике и инженерии. При дообучении использовались наборы данных по математике, физике, химии, биологии, электротехнике, а также задания на понимание научных текстов и вопросы с вариантами ответов. Лицензия указана как other; конкретные условия в карточке не раскрыты.

OpenMed-NER-ChemicalDetect-BioMed-335M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученная модель семейства BERT с архитектурой BertForTokenClassification, основанная на BiomedNLP-BiomedELECTRA-large-uncased-abstract. Она содержит 433,9 млн параметров, принимает токенизированный текст и выдаёт BIO-разметку химических упоминаний; длина контекста — 512 токенов. Модель обучена на корпусе BC4CHEMD и распознаёт метки B-CHEM и I-CHEM. Модель предназначена для извлечения названий химических соединений и веществ из научных публикаций, клинических записей и других биомедицинских документов. Такие результаты можно использовать для поиска лекарств в медицинских записях, мониторинга нежелательных явлений, анализа литературы для разработки препаратов и построения биомедицинских графов знаний. В README приведены показатели на BC4CHEMD: F1 0,94, точность 0,94 и полнота 0,95; отдельно указаны сравнительные результаты для модели с другим названием, поэтому их нельзя уверенно приписать этому чекпойнту. Лицензия — Apache-2.0.

OpenMed/OpenMed-NER-ChemicalDetect-SuperMedical-125M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученная RoBERTa-base с архитектурой RobertaForTokenClassification; модель содержит 151,8 млн параметров и принимает токенизированный текст. Она присваивает токенам BIO-метки B-CHEM и I-CHEM, выделяя названия химических соединений и веществ. Указанный размер контекста — 514 токенов. Модель предназначена для извлечения химических упоминаний из научных публикаций, медицинских записей и других биомедицинских документов, в том числе для анализа лекарств, мониторинга нежелательных явлений и поиска сведений для разработки лекарств. README сообщает о метриках F1 0,94, precision 0,93, recall 0,94 и accuracy 0,99 на BC4CHEMD, однако подробности валидации не приведены. Карточка указывает лицензию Apache-2.0.

OpenMed-NER-DNADetect-PubMed-335M — специализированная модель OpenMed для распознавания биомедицинских сущностей в научных текстах и других биомедицинских документах. Это дообученная архитектура BERT для классификации токенов, основанная на BiomedNLP-BiomedBERT-large-uncased-abstract. Модель содержит 433,9 млн параметров, принимает текст и возвращает BIO-разметку для сущностей белков, ДНК, РНК, клеточных линий и типов клеток. Максимальная длина контекста — 512 токенов. Модель предназначена для извлечения биомедицинских сущностей из аннотаций MEDLINE, исследовательских публикаций и медицинских записей, в том числе для поиска упоминаний генов и белков, анализа литературы и построения биомедицинских баз знаний. Для набора JNLPBA в карточке приведены F1 0,81, точность 0,76 и полнота 0,86. Эти показатели относятся к указанному набору данных и не гарантируют аналогичного качества на других жанрах текста или клинических данных. Лицензия — Apache-2.0.

OpenMed-NER-DNADetect-SuperMedical-125M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученная на корпусе JNLPBA архитектура RoBERTa для классификации токенов; в метаданных указано 151,8 млн параметров и контекст до 514 токенов. Модель размечает сущности BIO-тегами и распознаёт белки, ДНК, РНК, клеточные линии и типы клеток. Модель предназначена для извлечения биомедицинских терминов из научных публикаций и медицинских документов, а также для поиска сущностей при анализе литературы и построении биомедицинских баз знаний. В карточке приведены метрики на JNLPBA: F1 0,80, точность 0,76, полнота 0,86 и accuracy 0,93. Заявления карточки о пригодности для клинического применения не заменяют отдельную проверку на целевых данных. Модель принимает токенизированный английский текст и выдаёт метки сущностей; лицензия — Apache-2.0.

domenicrosati/opus-mt-en-es-scielo — модель машинного перевода на архитектуре Marian, дообученная на датасете SciELO. Она предназначена для перевода текстов с английского на испанский; размер модели — 58,4 млн параметров, родной контекст — до 512 токенов. В оценке на тестовой выборке указаны BLEU 41,54 и loss 1,2189. Модель принимает текст и выдаёт перевод текстом. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Platypus2-70B — авторегрессионная языковая модель с открытыми весами, разработанная Коулом Хантером и Ариэлом Ли. Она построена на архитектуре Llama 2 и дообучена следовать инструкциям на наборе Open-Platypus, содержащем задачи по STEM-дисциплинам и логике. Модель предназначена для ответов на вопросы, решения задач и рассуждений на английском языке. Модель имеет плотную архитектуру LlamaForCausalLM и 68,7 млрд параметров. Она принимает текст и генерирует текст; базовая длина контекста — 4096 токенов. В карточке приведены результаты оценки на ARC, HellaSwag, MMLU и TruthfulQA. Модель может выдавать неточные, предвзятые или нежелательные ответы; её тестирование проводилось на английском языке и не охватывает все сценарии. Перед применением рекомендуется проверка и настройка безопасности под конкретную задачу. Указана лицензия CC BY-NC-SA 4.0, предполагающая некоммерческое использование и распространение производных на условиях лицензии.

PubMedBERT_BC5CDR_NER_new — дообученная модель на архитектуре BERT для распознавания именованных сущностей в биомедицинских текстах. Она основана на microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext и содержит около 136,7 млн параметров. Модель принимает текст и помечает в нём токены; максимальная длина контекста — 512 токенов. В README приведены результаты на оценочном наборе: F1 0,9839, точность 0,9857 и полнота 0,9821. Название указывает на BC5CDR NER, однако описание набора данных и меток в карточке отсутствует. Модель выпущена под лицензией MIT; её назначение и качество за пределами указанной оценки отдельно не описаны.

PJiNH/QFFT-repro-S1.1-SFT-7B — независимая репродукция базовой модели S1.1/SFT из работы QFFT: Question-Free Fine-Tuning for Adaptive Reasoning. Это полное дообучение Qwen/Qwen2.5-7B-Instruct с архитектурой Qwen2 dense, 7,1 млрд параметров и форматом safetensors. Модель обучена методом supervised fine-tuning на 1 000 вопросах набора simplescaling/s1K-1.1 с ответами DeepSeek-R1; в обучающий контекст входят системная инструкция рассуждать пошагово и вопрос, а функция потерь применяется к ответу. Модель предназначена для генерации ответов с пошаговым рассуждением, особенно для математических и научных задач. В карточке приведены результаты воспроизведения на GSM8K, MATH500 и AIME25; контекстная длина — 32 768 токенов. Это независимая репродукция, а не чекпойнт авторов статьи и не официальная модель Qwen или Alibaba Cloud. В обучающих данных есть 88 вопросов GPQA, поэтому результаты на GPQA следует интерпретировать с учётом возможного пересечения данных. Лицензия — Apache-2.0; она унаследована от базовой модели, веса которой были изменены дообучением.

Qwen2.5-Math-7B-Instruct-GGUF — GGUF-квантизированные версии инструкционной языковой модели Qwen2.5-Math-7B-Instruct, разработанной командой Qwen. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста в диалоговом формате, прежде всего для решения математических задач и связанных с ними сценариев. В README указана поддержка английского языка и формат применения text-generation. Доступны варианты от F16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K, включая варианты, оптимизированные для ARM. Размер файлов составляет примерно от 3,55 до 15,24 ГБ, что позволяет выбирать баланс между качеством, требованиями к памяти и скоростью локального запуска; поддерживается использование в llama.cpp и LM Studio. Более агрессивная квантизация экономит память, но может снижать качество ответов, особенно у форматов с малым числом бит. Архитектура, размер контекста и дополнительные модальности в README не указаны. Модель распространяется по лицензии Apache 2.0.

Карточка модели internlm/internlm2-math-plus-7b на Hugging Face совпадает с карточкой internlm/internlm2-math-plus-1_8b, поэтому описание составлено по ней. InternLM2-Math-Plus-1.8B — двуязычная языковая модель для математических рассуждений, разработанная командой InternLM. Это плотная авторегрессионная модель семейства InternLM2 с 1,7 млрд параметров, представленная в формате Safetensors; контекст составляет 8192 токена. Модель ориентирована на решение математических задач и заявлена как помощник для доказательств, проверки решений и подготовки математических примеров. Модель предназначена для неформальных рассуждений, включая пошаговые решения и использование кода, а также для формальных задач — перевода математических утверждений в LEAN 4 и доказательства теорем. В README приведены результаты на MATH, GSM8K и MiniF2F; версия 1.8B показала 37,0 на MATH, 41,5 на MATH с Python и 58,8 на GSM8K в указанной оценке. Заявленные языки — английский и китайский. Лицензия обозначена как other; конкретные условия следует проверять в репозитории модели.

Карточка модели internlm/internlm2-math-plus-mixtral8x22b на Hugging Face совпадает с карточкой internlm/internlm2-math-plus-1_8b, поэтому описание составлено по ней. InternLM2-Math-Plus-1.8B — двуязычная языковая модель для математических рассуждений, разработанная командой InternLM. Это плотная авторегрессионная модель семейства InternLM2 с 1,7 млрд параметров, представленная в формате Safetensors; контекст составляет 8192 токена. Модель ориентирована на решение математических задач и заявлена как помощник для доказательств, проверки решений и подготовки математических примеров. Модель предназначена для неформальных рассуждений, включая пошаговые решения и использование кода, а также для формальных задач — перевода математических утверждений в LEAN 4 и доказательства теорем. В README приведены результаты на MATH, GSM8K и MiniF2F; версия 1.8B показала 37,0 на MATH, 41,5 на MATH с Python и 58,8 на GSM8K в указанной оценке. Заявленные языки — английский и китайский. Лицензия обозначена как other; конкретные условия следует проверять в репозитории модели.