IV.6Научные исследования, математика и новые материалы

OpenMed разработала OpenMed-NER-DNADetect-SuperClinical-141M — дообученную модель DeBERTa для распознавания биомедицинских сущностей в тексте. Она принимает токенизированный текст и присваивает токенам BIO-метки для белков, ДНК, РНК, клеточных линий и типов клеток; предназначена для обработки научной литературы, клинических записей и других биомедицинских документов. Модель содержит 155 млн параметров, использует архитектуру DeBERTa-v2 и рассчитана на контекст до 512 токенов. Карточка указывает обучение на корпусе JNLPBA и приводит для него F1 0,80, точность 0,75 и полноту 0,86. Это английская модель для извлечения сущностей, а не для постановки диагноза или самостоятельных клинических решений; качество зависит от жанра текста и совпадения его разметки с целевыми категориями. Лицензия — Apache-2.0.

OpenMed-NER-DNADetect-SuperClinical-434M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученный трансформер DeBERTa v2 для классификации токенов; в README базовая архитектура названа DeBERTa v3 Large. Модель принимает токенизированный текст и возвращает BIO-разметку для белков, ДНК, РНК, клеточных линий и типов клеток. Размер по метаданным — 533,8 млн параметров, длина контекста — 512 токенов; заявлена поддержка английского языка. Модель предназначена для извлечения сущностей из биомедицинских публикаций и клинических текстов, включая анализ медицинских записей, мониторинг нежелательных явлений, поиск по научной литературе и построение биомедицинских баз знаний. В README приведён результат F1 0,8188 на JNLPBA. Лицензия — Apache-2.0. Качество на иных жанрах и типах текста может отличаться от результата на JNLPBA; распознавание химических соединений и лекарств не входит в перечисленные метки сущностей.

OpenMed-NER-GenomeDetect-SuperClinical-434M — модель OpenMed для распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученный трансформер DeBERTa для классификации токенов; в README базовая архитектура указана как deberta-v3-large. По метаданным модель содержит 533,8 млн параметров, принимает последовательности токенов и имеет контекст до 512 токенов. Модель размечает сущности тегами B-GENE/PROTEIN и I-GENE/PROTEIN. Она предназначена для извлечения генов и белков из научных публикаций и клинических текстов, например для поиска по литературе и построения биомедицинских баз знаний. В README приведены результаты на BC2GM: F1 0,901, точность 0,895 и полнота 0,907; эти показатели относятся к указанному набору данных и не гарантируют такого же качества на других текстах. Поддерживается английский язык. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-ProteinDetect-MultiMed-335M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученная модель токеновой классификации на архитектуре BERT с 433,9 млн параметров и контекстом до 512 токенов; она выдаёт BIO-разметку для белков, белковых комплексов, семейств и вариантов белков. В README указано обучение на корпусе FSU, посвящённом белковым взаимодействиям и молекулярной биологии. Модель предназначена для извлечения сущностей из научных публикаций, медицинских документов и биомедицинских текстов, например для поиска упоминаний белков при анализе литературы и построении баз знаний. Заявленные в README показатели на FSU: F1 0,92, точность 0,91, полнота 0,93 и accuracy 0,97. Карточка сообщает об английском языке; лицензия — Apache-2.0. Показатели приведены авторами и не подтверждают качество на иных корпусах или клинических сценариях.

OpenMed-NER-ProteinDetect-SuperClinical-434M — модель OpenMed для распознавания биомедицинских сущностей в научных и клинических текстах. Это дообученная модель DeBERTa V2 для классификации токенов; по карточке она выделяет белки, белковые комплексы, семейства и группы белков, а также варианты белков. Размер по метаданным — 533,8 млн параметров, длина контекста — 512 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей. Модель предназначена для извлечения белковых сущностей из медицинских записей и научной литературы, включая поиск упоминаний, полезных для анализа взаимодействий белков, биомедицинского майнинга и построения графов знаний. В README приведены показатели на корпусе FSU: F1 0,94, точность 0,94 и полнота 0,95. Эти результаты относятся к указанному корпусу; качество на иных типах текстов может отличаться. Лицензия — Apache-2.0.

win10/Qwen2.5-Math-12.3B-Instruct — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом passthrough на основе Qwen/Qwen2.5-Math-7B-Instruct. Она предназначена для генерации текста в диалоге и решения математических задач с пошаговым рассуждением; карточка базовой модели также указывает английский и китайский языки и поддержку использования инструментов. Модель содержит 11,7 млрд параметров, принимает текст и имеет контекст длиной 4096 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

WaltonFuture/Qwen2.5-VL-7B-MM-UPT-MMR1 — мультимодальная модель WaltonFuture, полученная дообучением Qwen2.5-VL-7B-Instruct в рамках метода MM-UPT с GRPO и самонаграждением на основе голосования между несколькими ответами. Модель предназначена для визуальных задач на рассуждение, в частности решения математических задач по изображениям и диаграммам. Модель имеет плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров, принимает текст и изображения и выдаёт текст. Контекстное окно составляет 128 000 токенов. В статье сообщается об улучшении результатов базовой Qwen2.5-VL-7B на MathVista и We-Math; обучение проводилось без внешней разметки ответов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT.

SeongryongJung/Qwen3-8B-Chemistry-SDPO-TR — дообученная авторами репозитория модель Qwen3-8B, полученная в экспериментальном запуске SDPO-TR для химии с размером обучающего батча 32. В репозитории размещён чекпойнт global_step_100, выбранный по валидационному mean@16; в описанном тестировании на наборе Chemistry результат составил 75,36%. Модель предназначена для генерации текста на химические темы; базовая Qwen3-8B поддерживает диалог, рассуждения, следование инструкциям, код и вызов инструментов. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, работает с текстом и поддерживает контекст до 40 960 токенов. Лицензия — Apache-2.0. Результат 75,36% относится к указанной в карточке валидационной метрике и сам по себе не гарантирует аналогичного качества на других задачах; сведения о языках и специализированных ограничениях химического применения в карточке не приведены.

Steiner-preview — экспериментальная модель рассуждений, созданная разработчиком Yichao «Peak» Ji как личный проект. Она основана на Qwen2.5-32B-Instruct и использует обучение на синтетических данных с подкреплением. Архитектура — плотная Qwen2 с 32 млрд параметров; модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и интерфейс вызова инструментов. Модель предназначена для решения задач, требующих рассуждений, включая ответы на вопросы и выполнение тестовых заданий без обязательного CoT-промптинга. В README приведены результаты на GPQA Diamond, в том числе по физике, органической химии и квантовой механике. Проект задуман как попытка воспроизвести o1 и исследовать масштабирование вычислений на этапе вывода, однако Steiner-preview пока не демонстрирует улучшения от увеличения числа шагов рассуждения. Лицензия — Apache-2.0.

Карточка модели allenai/BAR-2x7B-Tool-Use на Hugging Face совпадает с карточкой allenai/BAR-2x7B-Math, поэтому описание составлено по ней. BAR-2x7B-Math — языковая модель для генерации текста с усиленными математическими возможностями. Её разработали в Allen Institute for AI в рамках подхода BAR (Branch-Adapt-Route): модель расширяет Olmo 2 7B доменным экспертом, который прошёл дополнительное обучение, supervised fine-tuning и обучение с подкреплением по проверяемым решениям (RLVR). Архитектура — смесь экспертов (MoE); в репозитории указано 6,9 млрд параметров, формат весов — safetensors, длина контекста — до 65 536 токенов. Модель предназначена прежде всего для решения математических задач и рассуждений с пошаговой генерацией ответа. Она также может вести диалог и генерировать обычный текст. В оценках из карточки BAR-2x7B-Math набрала 55,8 балла в категории математики; оценки зависят от использованных бенчмарков и не гарантируют точность отдельных ответов. Модель рассчитана на англоязычное использование; карточка не подтверждает поддержку других языков. Лицензия Apache-2.0 разрешает использование на её условиях. Как и другие генеративные языковые модели, она может выдавать неверные решения или обоснования, поэтому результаты важно проверять.

mse30/bart-base-finetuned-pubmed — дообученная модель facebook/bart-base, созданная для генерации текста на научных публикациях из набора scientific_papers. Она предназначена для задач преобразования текста, в частности для подготовки кратких изложений научных статей. Модель основана на архитектуре BART и содержит 95,2 млн параметров; максимальный контекст составляет 1024 токена. Доступны веса в формате PyTorch. Лицензия — Apache-2.0. В карточке приведены результаты оценки на тестовой выборке: Loss 1,9804, ROUGE-1 9,1984, ROUGE-2 4,3091 и ROUGE-L 7,9739. Описание ограничений и подробности обучения не приведены; указанные результаты сами по себе не подтверждают пригодность для других типов текстов или качество в практических сценариях.

Это модель для разметки биомедицинского текста, опубликованная пользователем ghadeermobasher на Hugging Face. Она выполняет распознавание сущностей в последовательности токенов, в частности химических веществ и заболеваний в корпусе BC5CDR; название указывает на использование SapBERT, построенного на PubMedBERT с обучением на полнотекстовых статьях. Модель основана на архитектуре BERT и содержит около 136,7 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для извлечения упоминаний химических веществ и заболеваний из биомедицинских публикаций и подобных текстов на английском языке. Это специализированная модель разметки токенов, а не универсальная модель для генерации текста. Данных о лицензии для этой конкретной карточки недостаточно, чтобы указать условия использования.

Bespoke-Stratos-7B — языковая модель Bespoke Labs, дообученная на Qwen/Qwen2.5-7B-Instruct на наборе Bespoke-Stratos-17k. Набор получен дистилляцией DeepSeek-R1 с использованием модифицированного конвейера Berkeley NovaSky Sky-T1. Модель предназначена для генерации текста в диалоге и решения задач, требующих математических рассуждений. Модель имеет плотную архитектуру Qwen2 и 7,1 млрд параметров; принимает текст и генерирует текст. Контекст — до 32 768 токенов. В опубликованных тестах она показала более высокие результаты по AIME 2024, MATH500 и GPQA-Diamond, чем исходная Qwen2.5-7B-Instruct, однако уступила приведённым результатам DeepSeek-R1-Distill-Qwen-7B. Модель выпущена под лицензией Apache 2.0.

EulerMath-Mistral-7B-GGUF — это набор GGUF-квантизаций языковой модели EulerMath-Mistral-7B, опубликованный и квантованный пользователем bartowski. Исходная модель разработана Weyaxi и основана на meta-math/MetaMath-Mistral-7B. Модель предназначена для генерации текста и решения математических задач, включая математические задачи в текстовой форме, а также для использования в сценариях instruction-following. Она обучалась с применением наборов данных TIGER-Lab/MathInstruct и microsoft/orca-math-word-problems-200k; заявленный язык — английский. Модель имеет архитектуру Mistral и размер 7B параметров. В данном репозитории представлены варианты с разной степенью квантизации, от Q8_0 размером 7,69 ГБ до IQ1_S размером 1,61 ГБ. Более высокие уровни квантизации обычно сохраняют лучшее качество, тогда как компактные варианты требуют меньше оперативной памяти, но могут заметно уступать по качеству; для большинства сценариев автор рекомендует Q6_K, Q5_K_M, Q5_K_S и варианты Q4. Используется формат prompt: «### Instruction: {prompt}» и «### Response:». Сильными сторонами являются специализация на математических задачах, широкий выбор размеров файлов и совместимость с экосистемой llama.cpp. Ограничения включают отсутствие данных о длине контекста, мультимодальности, результатах оценивания и поддерживаемых языках, кроме английского. Лицензия указана как other, без дополнительных условий в README; перед использованием следует проверить лицензионные условия исходной модели и производных компонентов.

MicrobELP_NER — модель распознавания сущностей микробиома, разработанная как часть инструментария microbELP. Она извлекает из биомедицинских и научных текстов названия бактерий, архей и грибов, помогая автоматизировать анализ литературы и курирование данных о микробиоме. Модель дообучена на BioBERT-Base v1.1 и решает задачу разметки токенов; число параметров — 135,5 млн, максимальный контекст — 512 токенов. Поддерживается обработка на CPU и GPU. Модель предназначена для извлечения упоминаний микроорганизмов из неструктурированных текстов и может использоваться через Transformers или пакет microbELP, который предоставляет постобработку и привязку найденных сущностей к позициям в тексте. Она работает с английскими текстами. Лицензия — MIT. README также упоминает отдельную модель нормализации сущностей, но описанная здесь модель выполняет распознавание именованных сущностей.

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.

OpenMed-NER-ChemicalDetect-ElectraMed-560M — модель организации OpenMed для распознавания названий химических соединений и веществ в биомедицинских текстах. Это трансформер XLM-RoBERTa с классификационной головой для токенов, дообученный на корпусе BC4CHEMD. Модель содержит 658,7 млн параметров, принимает токенизированный текст и выдаёт BIO-метки B-CHEM и I-CHEM; длина контекста — 514 токенов. В карточке указаны английский язык и совместимость с библиотекой Transformers. Модель предназначена для извлечения химических сущностей из научной литературы, медицинских записей и других биомедицинских документов. Её можно применять для поиска упоминаний лекарств и соединений, анализа литературы и построения биомедицинских баз знаний. README заявляет F1 0,95 на BC4CHEMD, однако не приводит подробностей протокола оценки. Модель выпущена по лицензии Apache-2.0.

OpenMed-NER-DNADetect-BioPatient-108M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученный BERT-классификатор токенов с 135,5 млн параметров и контекстом до 512 токенов; он размечает сущности BIO-тегами и предназначен для работы через экосистему Hugging Face Transformers. Модель выявляет белки, ДНК, РНК, клеточные линии и типы клеток. Она подходит для извлечения биомедицинских терминов из научных публикаций и клинических записей, анализа медицинских документов и поиска сущностей в корпусах для исследований. В README приведены результаты на JNLPBA: F1 0,81, точность 0,76 и полнота 0,86; эти показатели относятся к указанному набору данных и не гарантируют качество на других текстах. Модель обучена на корпусе JNLPBA, основанном на MEDLINE-аннотациях из GENIA. Язык карточки — английский. Лицензия — Apache-2.0. Возможности извлечения лекарств, химических соединений и взаимодействий, заявленные в README, шире перечисленных классов сущностей; такие результаты карточка не подтверждает метриками.

OpenMed разработала OpenMed-NER-DNADetect-MultiMed-335M — модель BERT для распознавания биомедицинских сущностей в тексте. Она выделяет белки, ДНК, РНК, клеточные линии и типы клеток, присваивая токенам BIO-метки. Модель дообучена на корпусе JNLPBA и предназначена для анализа научных публикаций, клинических записей и других биомедицинских текстов. Модель содержит 433,9 млн параметров, принимает токенизированный текст и имеет контекстное окно 512 токенов. README приводит для JNLPBA F1 0,81, точность 0,76 и полноту 0,85. Модель можно интегрировать через библиотеку Transformers; заявленная лицензия — Apache-2.0. Результаты извлечения сущностей могут использоваться для поиска белков и генов в литературе, анализа медицинских записей и построения биомедицинских баз знаний. Однако распознавание сущностей само по себе не подтверждает клинические выводы и зависит от качества и предметного соответствия текста обучающим данным; показатели в README относятся к JNLPBA.

OpenMed-NER-DNADetect-MultiMed-568M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученная для token classification модель XLM-RoBERTa с 658,7 млн параметров и контекстом до 8194 токенов. Она размечает упоминания белков, ДНК, РНК, клеточных линий и типов клеток BIO-тегами; обучающие данные основаны на корпусе JNLPBA. Модель предназначена для извлечения сущностей из научной биомедицинской литературы и медицинских текстов, включая поиск упоминаний генов и белков, анализ клинических записей и построение биомедицинских баз знаний. В README приведены результаты на JNLPBA: F1 0,8157, точность 0,7758 и полнота 0,8599. Эти показатели относятся к указанному набору данных и сами по себе не подтверждают клиническую пригодность на других текстах. Модель принимает токенизированный текст и выдаёт метки сущностей. В метаданных указан английский язык. Распространяется по лицензии Apache-2.0; для работы описана интеграция с Transformers.

OpenMed разработала OpenMed-NER-DNADetect-SnowMed-568M — модель XLM-RoBERTa для распознавания биомедицинских сущностей в тексте. Она выделяет белки, ДНК, РНК, клеточные линии и типы клеток, присваивая токенам BIO-метки. Модель содержит 658,7 млн параметров, принимает текст и имеет контекст до 8 194 токенов. Модель предназначена для извлечения сущностей из научной литературы и медицинских текстов, включая поиск биомедицинских упоминаний и подготовку данных для баз знаний. Она дообучена на корпусе JNLPBA; в карточке указаны F1 0,79, точность 0,75 и полнота 0,84. Заявления карточки о клинической надёжности не заменяют проверку на целевых данных: обучение описано на корпусе научных аннотаций, поэтому качество на медицинских записях может отличаться. Распространяется по лицензии Apache-2.0.

OpenMed-NER-GenomeDetect-MultiMed-568M — модель OpenMed для распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученный трансформер XLM-RoBERTa для токенной классификации с 658,7 млн параметров и контекстом до 8194 токенов. Модель принимает текст и выдаёт BIO-разметку сущностей типов B-GENE/PROTEIN и I-GENE/PROTEIN. Модель предназначена для извлечения генов и белков из научных публикаций, клинических записей и других медицинских документов, например для поиска по литературе и построения биомедицинских баз знаний. В карточке заявлены обучение на корпусе BC2GM и показатели F1 0,88, точности 0,88, полноты 0,89 и accuracy 0,97. Указана совместимость с Transformers. Карточка описывает задачу распознавания генов и белков на английском языке; лицензия — Apache-2.0. Заявленные показатели относятся к BC2GM, поэтому качество на иных типах текстов и в клинических сценариях может отличаться.

OpenMed разработала OpenMed-NER-GenomeDetect-PubMed-335M — модель на основе BERT, дообученную для распознавания упоминаний генов и белков в биомедицинских текстах. Она принимает токенизированный текст и присваивает токенам BIO-метки B-GENE/PROTEIN и I-GENE/PROTEIN. Размер модели — 433,9 млн параметров, максимальная длина контекста — 512 токенов. Модель обучена на корпусе BC2GM с аннотациями упоминаний генов и белков в медицинских публикациях. Её можно применять для извлечения сущностей из научной литературы и медицинских документов, поиска упоминаний генов и поддержки построения биомедицинских баз знаний. В README приведены результаты на BC2GM: F1 0,8963, точность 0,8924 и полнота 0,9002. Это специализированная модель для англоязычных биомедицинских текстов; метаданные указывают поддержку английского языка. Максимальная длина контекста ограничена 512 токенами. Лицензия — Apache-2.0.

OpenMed разработала специализированную модель распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученная для классификации токенов модель семейства BERT на архитектуре BiomedNLP-BiomedBERT-base-uncased-abstract; в репозитории указано 136,7 млн параметров и контекст до 512 токенов. Модель принимает токенизированный текст и возвращает BIO-разметку сущностей генов и белков. Модель предназначена для извлечения генов и белков из научных публикаций, медицинских записей и других биомедицинских документов, в том числе для поиска по литературе и построения биомедицинских баз знаний. В README приведены результаты на BC2GM: F1 и точность 0,89, полнота 0,89 и accuracy 0,97; эти показатели относятся к указанному набору данных и не гарантируют такую же эффективность на других типах текстов. Поддерживается английский язык. Лицензия — Apache-2.0.

OpenMed-NER-GenomeDetect-TinyMed-66M — специализированная модель OpenMed для распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученная DistilBERT-модель с архитектурой DistilBertForTokenClassification, примерно 66 млн параметров согласно названию репозитория, контекстом до 512 токенов и метками BIO для сущностей B-GENE/PROTEIN и I-GENE/PROTEIN. Модель предназначена для извлечения генов и белков из научной литературы, медицинских документов и клинических текстов, например для анализа биомедицинской литературы и построения графов знаний. Она обучена на корпусе BC2GM; в карточке указаны F1 0,86, точность 0,85 и полнота 0,87. Показатели относятся к описанному корпусу и сами по себе не подтверждают такую же эффективность на иных типах текстов. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей. Указанная лицензия — Apache-2.0.

OpenMed-NER-ProteinDetect-SuperClinical-141M — модель OpenMed для распознавания биомедицинских сущностей в текстах. Это дообученная модель на архитектуре DeBERTa-v2 для классификации токенов; в README базовая архитектура указана как deberta-v3-small. Модель обучена на корпусе FSU и выделяет белки, белковые комплексы, семейства и группы белков, варианты белков и другие связанные сущности. Размер по метаданным — 155 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения сущностей из биомедицинской литературы и клинических текстов, например для поиска белков и молекулярных взаимодействий, анализа путей и построения биомедицинских баз знаний. README приводит F1 0,92 на FSU, но не описывает независимую проверку этих результатов. Поддерживается английский язык. Лицензия — Apache-2.0.

Qwen2.5-Math-7B — базовая плотная языковая модель семейства Qwen2.5-Math, разработанная командой Qwen. Она содержит 7,1 млрд параметров и предназначена для генерации решений математических задач на английском и китайском языках с рассуждением по шагам (CoT) и интегрированным использованием инструментов (TIR). Эту базовую версию используют для продолжения текста и few-shot вывода; она также служит основой для дальнейшего дообучения. Модель построена на архитектуре Qwen2 и запускается через Transformers. Для работы с моделью нужна версия Transformers 4.37.0 или новее; контекст составляет 4096 токенов. Модель специализирована на математике и не рекомендуется для других задач. Карточка не приводит отдельных ограничений точности. Лицензия — Apache-2.0.

Hao0oWang/Qwen2.5-Math-7B-16k-think — модель на архитектуре Qwen2, основанная на Qwen2.5-Math-7B-Base и использованная как базовая модель в CurioSFT. В README указано, что она связана с работой «Learning While Staying Curious: Entropy-Preserving Supervised Fine-Tuning via Adaptive Self-Distillation for Large Reasoning Models». Модель предназначена для генерации текста и рассуждений, в частности решения математических задач. Веса представлены в формате safetensors, размер модели — 7,1 млрд параметров, контекстное окно — 16 384 токена. Для модели изменены chat template и rope_theta, а контекстное окно настроено для рассуждений на длинном контексте. Она поддерживает чатовый сценарий и опубликована под лицензией MIT. README не сообщает результаты оценки качества или конкретные ограничения применения; математическая специализация следует из названия и базовой модели.

zbeeb/Qwen2.5-Math-7B-GRPO-Staleness-4 — дообученная модель семейства Qwen2.5, созданная на основе Qwen/Qwen2.5-Math-7B. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров для генерации решений математических задач; она поддерживает диалоговый режим и принимает текст, выдавая текст.

Qwen2-Math-72B-Instruct — специализированная языковая модель семейства Qwen2, разработанная командой Qwen для диалогового решения математических задач. Она предназначена для арифметики, математических вопросов и задач, требующих многошаговых логических рассуждений; версия Instruct настроена для общения по инструкциям, а не только для продолжения текста. Модель имеет плотную архитектуру Qwen2ForCausalLM и около 71,5 млрд параметров, работает с текстом и поддерживает контекст до 4096 токенов. Карточка отмечает, что на момент публикации модель в основном поддерживала английский язык; метаданные также указывают английский. Модель распространяется в формате safetensors и используется через Transformers. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке модели. По сравнению с общей языковой моделью Qwen2, эта версия ориентирована на математическое рассуждение; доступная информация не содержит конкретных результатов тестирования или гарантии точности.