IV.6Научные исследования, математика и новые материалы

OpenMed-NER-GenomeDetect-BioPatient-108M — дообученная модель OpenMed для распознавания упоминаний генов и белков в биомедицинских текстах. Она использует архитектуру BERT с классификационной головой для токенов и содержит 135,5 млн параметров. Модель обучена на корпусе BC2GM и выдаёт BIO-разметку сущностей B-GENE/PROTEIN и I-GENE/PROTEIN; максимальная длина контекста составляет 512 токенов. Модель предназначена для извлечения генов и белков из научной литературы и медицинских документов, включая автоматизированный анализ биомедицинских текстов и построение баз знаний. В README приведены результаты на BC2GM: F1 0,89, точность 0,88 и полнота 0,89. Указана лицензия Apache-2.0. Разметка ограничена упоминаниями генов и белков; показатели на других типах текстов в карточке не приведены.

OpenMed разработала эту модель для распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученная RoBERTa-модель для классификации токенов с 151,8 млн параметров и контекстом до 514 токенов; она принимает токенизированный текст и выдаёт BIO-разметку сущностей B-GENE/PROTEIN и I-GENE/PROTEIN. Модель обучена на корпусе BC2GM и предназначена для анализа научной литературы и медицинских документов, извлечения сущностей для последующего поиска и построения биомедицинских баз знаний. В карточке указаны F1 0,87, точность 0,85 и полнота 0,89 на BC2GM. Эти результаты относятся к указанному набору данных и не гарантируют такого же качества на клинических записях или текстах из других источников. Модель распознаёт именно гены и белки; карточка не подтверждает распознавание лекарств или побочных эффектов. Лицензия — Apache-2.0.

OpenMed/OpenMed-NER-GenomicDetect-BioMed-109M — модель OpenMed для распознавания именованных сущностей в биомедицинских текстах. Это дообученная архитектура BERT для token classification, основанная на BiomedNLP-BiomedELECTRA-base-uncased-abstract. Модель принимает токенизированный текст и выдаёт BIO-разметку; в карточке указана метка сущности B-Cell-line-name/I-Cell-line-name. Размер модели — 136,7 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для извлечения генетических и биомедицинских упоминаний из научной литературы и медицинских документов, включая поиск клеточных линий для последующего анализа и текстового майнинга. В README также перечислены сценарии клинической аналитики и поиска по литературе, однако заявленные там показатели качества и более широкие типы сущностей не подтверждены приведённым списком меток. Карточка указывает обучение на корпусе GELLUS. Язык карточки — английский. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-GenomicDetect-TinyMed-65M — специализированную модель для распознавания именованных сущностей в биомедицинских текстах. Это дообученная версия DistilBERT с архитектурой DistilBertForTokenClassification, примерно 65 млн параметров и контекстом до 512 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей; в карточке указаны метки B-Cell-line-name и I-Cell-line-name, поэтому подтверждённая область распознавания — названия клеточных линий. Модель предназначена для извлечения таких сущностей из научной литературы и других биомедицинских документов, а также для последующего поиска и структурирования упоминаний в корпусах. В README приведены результаты на GELLUS: F1 0,98, точность 0,99 и полнота 0,98; эти показатели относятся к описанной оценке и не гарантируют такого же качества на других данных. Язык карточки — английский. Репозиторий использует формат Safetensors, лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-OncologyDetect-BioMed-335M — дообученную модель на архитектуре BERT для распознавания биомедицинских сущностей в текстах по онкологии и генетике рака. Модель обучена на корпусе BioNLP 2013 CG и выделяет сущности, включая гены и продукты генов, виды рака, клетки, ткани, органы и химические вещества. Она принимает токенизированный текст и возвращает предсказания классов для токенов в формате BIO. Размер модели — около 433,9 млн параметров, длина контекста — 512 токенов; в карточке указан английский язык. Модель предназначена для извлечения сущностей из научной литературы и биомедицинских документов, например для поиска генов и биомаркеров, анализа онкологических исследований и построения биомедицинских графов знаний. В README заявлены F1 0,87, точность 0,85 и полнота 0,88 на целевом корпусе. Эти показатели относятся к описанному набору данных и не гарантируют такую же работу на других типах текстов. Лицензия — Apache-2.0.

OpenMed-NER-ProteinDetect-EuroMed-212M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученный EuroBERT с архитектурой EuroBertForTokenClassification и 211,7 млн параметров; модель принимает токенизированный текст и выдаёт BIO-разметку. Контекст — до 8192 токенов. В карточке перечислены белки, белковые комплексы, семейства и группы белков, а также варианты белков; модель обучена на корпусе FSU, посвящённом взаимодействиям белков и молекулярной биологии. Модель предназначена для извлечения упоминаний белков из научной литературы и других биомедицинских текстов, а также для построения систем текстового анализа и баз знаний. README сообщает F1, precision и recall 0,95 на FSU, но не приводит подробностей протокола оценки. Английский указан среди языков модели. Доступна по лицензии Apache-2.0.

OpenMMReasoner-RL — мультимодальная модель для рассуждений по изображениям, созданная авторами проекта OpenMMReasoner. Она дообучена методом обучения с подкреплением на базе Qwen/Qwen2.5-VL-7B-Instruct и предназначена для визуальных задач, включая решение математических задач по изображениям, логические вопросы и анализ диаграмм. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. Заявленная длина контекста — 128 000 токенов. Авторы описывают двухэтапный подход OpenMMReasoner: обучение с учителем на 874 тыс. примеров и последующее обучение с подкреплением на наборе из 74 тыс. примеров. В README сообщается об улучшении относительно базовой модели на девяти мультимодальных бенчмарках и о сильных результатах на MathVista, MathVerse и WeMath. Модель распространяется под лицензией Apache-2.0. Результаты README относятся к указанным бенчмаркам и не гарантируют аналогичного качества на других задачах. Карточка не приводит подробных ограничений модели и сообщает лишь базовые сведения об использовании.

Phi-4-mini-flash-reasoning — компактная языковая модель семейства Phi-4, разработанная Microsoft и дообученная на синтетических данных с упором на математические рассуждения. Она предназначена для многошагового решения задач, где важны логика, точность и низкие требования к вычислениям или задержке: от сложных текстовых задач и символических вычислений до построения формальных доказательств. Модель имеет 3,7 млрд параметров, архитектуру Phi4FlashForCausalLM и поддерживает генерацию текста и диалоговый режим. README заявляет контекст до 64 тыс. токенов, а метаданные каталога — 262 144 токена; фактический предел следует сверить с конфигурацией используемого чекпойнта. Модель рассчитана прежде всего на английский язык. По данным README, на отдельных математических бенчмарках она превосходит Phi-4-mini-reasoning и обеспечивает более высокую скорость декодирования в описанных условиях. Модель оптимизирована и оценивалась главным образом для математических рассуждений; её качество в других задачах и языках не гарантировано. Ответы требуют проверки, особенно при использовании в ответственных сценариях. Лицензия — MIT.

Phi-4-mini-reasoning — компактная языковая модель Microsoft семейства Phi-4 на архитектуре Phi3ForCausalLM с 3,8 млрд параметров. Она дообучена на синтетических данных с упором на математические рассуждения и поддерживает генерацию текста; в метаданных указан контекст 4096 токенов. Модель предназначена для пошагового решения сложных математических задач при ограничениях по памяти, вычислительным ресурсам и задержке. Её можно применять для решения задач по математике, символьных вычислений, формальных доказательств и учебного тьюторства. В карточке также заявлена поддержка контекста до 128 тысяч токенов, что расходится с длиной контекста в метаданных. Модель разработана и выпущена Microsoft по лицензии MIT. Она ориентирована прежде всего на математические рассуждения, а не на все типы задач; из-за компактного размера может ошибаться в фактах. Карточка рекомендует оценивать точность и безопасность для конкретного применения.

Карточка модели Openintelligent123/Phi-4-mini-reasoning на Hugging Face совпадает с карточкой microsoft/Phi-4-mini-reasoning, поэтому описание составлено по ней. Phi-4-mini-reasoning — компактная языковая модель Microsoft семейства Phi-4 на архитектуре Phi3ForCausalLM с 3,8 млрд параметров. Она дообучена на синтетических данных с упором на математические рассуждения и поддерживает генерацию текста; в метаданных указан контекст 4096 токенов. Модель предназначена для пошагового решения сложных математических задач при ограничениях по памяти, вычислительным ресурсам и задержке. Её можно применять для решения задач по математике, символьных вычислений, формальных доказательств и учебного тьюторства. В карточке также заявлена поддержка контекста до 128 тысяч токенов, что расходится с длиной контекста в метаданных. Модель разработана и выпущена Microsoft по лицензии MIT. Она ориентирована прежде всего на математические рассуждения, а не на все типы задач; из-за компактного размера может ошибаться в фактах. Карточка рекомендует оценивать точность и безопасность для конкретного применения.

heretic-org/Phi-4-mini-reasoning-heretic — производная версия Microsoft Phi-4-mini-reasoning, изменённая методом abliteration, который снижает частоту отказов модели. Это компактная трансформерная языковая модель с 3,8 млрд параметров, предназначенная прежде всего для многошагового математического рассуждения, решения логических задач и генерации объяснений в условиях ограниченных вычислительных ресурсов или требований к низкой задержке. По карточке модели, в сравнении с исходной версией доля отказов в указанной проверке снизилась с 84 до 9 из 100, при этом зафиксировано ненулевое расхождение распределений ответов (KL divergence 0,4867). Модель принимает текстовые запросы и генерирует текст. Она подходит для решения математических задач, формальных доказательств, символьных вычислений и учебного сопровождения. README указывает контекст 128K токенов, тогда как метаданные репозитория указывают native context 4096 токенов; фактически доступная длина контекста может зависеть от конфигурации и реализации. Карточка характеризует исходную Phi-4-mini-reasoning как проверенную преимущественно для математических рассуждений, а также предупреждает о фактических ошибках, ограниченной ёмкости и возможном снижении качества на разных языках. Лицензия репозитория — MIT.

Qwen2.5-Math-1.5B-Instruct — языковая модель с архитектурой Qwen2, разработанная командой Qwen. Это версия с инструкционной настройкой и 1,5 млрд параметров, предназначенная прежде всего для решения математических задач на английском и китайском языках с пошаговыми рассуждениями (CoT) и tool-integrated reasoning (TIR). Модель работает через Transformers и поддерживает контекст до 4096 токенов. TIR помогает выполнять точные вычисления, символьные преобразования и алгоритмические рассуждения; модель подходит для ответов на математические вопросы и решения задач, включая вычислительно сложные примеры. В карточке приведён результат 79,7 на бенчмарке MATH для версии 1.5B-Instruct при использовании TIR. Разработчик не рекомендует применять семейство для задач вне математики. Модель распространяется по лицензии Apache-2.0.

Qwen2-Math-7B-Instruct-GGUF — это квантизированная версия языковой модели Qwen2-Math-7B-Instruct, подготовленная пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалогового взаимодействия, прежде всего для решения математических задач и формулирования ответов на английском языке. Она распространяется в формате GGUF и может запускаться, в частности, через LM Studio. Модель содержит около 7 миллиардов параметров; архитектура исходной модели в README не описана. Доступны варианты от F32 до низкобитных Q2–Q8-квантизаций с размером файлов примерно от 2,78 до 30,47 ГБ. Более высокие уровни квантизации обычно сохраняют лучшее качество, тогда как варианты Q3 и Q2 рассчитаны на системы с меньшим объёмом оперативной памяти. Для отдельных вариантов эмбеддинги и выходные веса сохранены в формате Q8_0. Рекомендуемый формат prompt использует специальные токены чата Qwen. Сильной стороной является выбор вариантов квантизации, позволяющий запускать модель на различном оборудовании при компромиссе между качеством и требованиями к памяти. Ограничения включают отсутствие в README сведений о размере контекстного окна, поддерживаемых модальностях помимо текста и результатах оценки качества; заявлен только английский язык. Модель и её квантизированные файлы распространяются по лицензии Apache-2.0.

Qwen3-2e5 — диалоговая языковая модель семейства Qwen3, разработанная formalmathatepfl и дообученная на наборе SFT на основе formalmathatepfl/qwen3-cpt. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовые запросы, генерируя текстовые ответы. Длина контекста — до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. Название репозитория указывает на обратную связь и исправление доказательств, но README не раскрывает конкретные сценарии, состав обучающих данных или результаты оценки. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели.

SAND-MathScience-DeepSeek-Qwen32B — плотная языковая модель на архитектуре Qwen2, разработанная AMD и дообученная на базе DeepSeek-R1-Distill-Qwen-32B. Модель содержит 32 млрд параметров и рассчитана на генерацию текста с пошаговыми рассуждениями, прежде всего для решения задач по математике и естественным наукам. Для дообучения использованы 27 тысяч синтетических примеров: 15 тысяч по математике и 12 тысяч по науке; обучение проводилось методом SFT на синтетических данных с использованием AMD ROCm и ускорителей AMD Instinct MI325. Модель принимает текст и генерирует текстовые ответы. В метаданных указан контекст до 131072 токенов; README приводит пример запуска с ограничением длины до 32768 токенов. Карточка сообщает об английском языке и результатах на математических и научных бенчмарках, включая AIME, MATH500 и GPQA. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке репозитория. Как и другие генеративные модели, она может допускать ошибки в решениях и объяснениях; бенчмарки сами по себе не гарантируют точность на пользовательских задачах.

Skywork-OR1-Math-7B-GGUF — это набор квантизированных версий текстовой генеративной модели Skywork-OR1-Math-7B, разработанной Skywork и преобразованной в формат GGUF пользователем bartowski. Квантизация выполнена с помощью llama.cpp b5074 с использованием метода imatrix и предназначена для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель ориентирована на задачи генерации текста, прежде всего на математическое рассуждение и решение задач. Она имеет размер 7B параметров; из README подтверждена текстовая модальность, однако языки, размер контекста и подробности архитектуры не указаны. Доступны версии от BF16 до низкобитных вариантов Q2 и IQ3, поэтому можно выбирать между качеством ответов, требованиями к памяти и скоростью работы. Для использования предусмотрен специальный формат prompt с системным сообщением, запросом пользователя и секцией рассуждений. Сильной стороной набора является широкий выбор квантизаций: варианты Q4–Q6 отмечены как рекомендуемые и обеспечивающие хорошее или очень высокое качество при меньшем размере файлов, а более компактные версии подходят для систем с ограниченным объёмом оперативной памяти. Низкобитные варианты могут заметно уступать по качеству. Лицензия в предоставленном README не указана; перед использованием следует проверить условия лицензирования исходной модели Skywork/Skywork-OR1-Math-7B.

ToRA-13B-v1.0 — языковая модель семейства LLaMA, разработанная авторами проекта ToRA как агент для решения математических задач с использованием внешних инструментов. Она объединяет рассуждения на естественном языке с вычислительными библиотеками и символьными решателями; для работы с инструментами нужна соответствующая среда инференса. Модель дообучена методом supervised fine-tuning на корпусе ToRA-Corpus 16k с траекториями решения задач GSM8K и MATH, а затем обучена лучше формировать ответы для интеграции с инструментами. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 4096 токенов. Репозиторий содержит веса PyTorch; в метаданных отмечена поддержка английского языка и задач, связанных с кодом и математикой. Предназначена для генерации пошаговых решений и применения в сценариях математического reasoning с вычислительной проверкой. Лицензия — llama2.

Yakult-70B — языковая модель Jan, дообученная на математических данных на базе LLaMA 3 70B. Она предназначена для диалогового взаимодействия и решения математических задач; запускать её можно через Jan Desktop на macOS, Windows и Linux. Модель использует плотную архитектуру LlamaForCausalLM, содержит 69,5 млрд параметров и поддерживает контекст до 8192 токенов. Карточка указывает английский язык, формат весов safetensors и шаблон диалога Llama 3. Лицензия — Llama 2.

AStar-Thought-V2 — дообученная на Qwen/Qwen3.6-27B модель от xxang для подхода A*-Thought-V2 к эффективному рассуждению. Она чередует явные текстовые шаги с непрерывными латентными токенами, сжимая отклоняющиеся шаги цепочки рассуждений; обучение проводилось на OpenR1-Math-3k. Модель предназначена для генерации ответов с рассуждениями, в частности для математических задач. В метаданных указаны архитектура Qwen3.5, 27 млрд параметров, библиотека Transformers и формат safetensors; карточка также отмечает чат-возможности. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Карточка модели allenai/BAR-2x7B-Code 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.

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.

Карточка модели allenai/BAR-2x7B-Math-SFT 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.

Карточка модели allenai/BAR-7B 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.

ghadeermobasher/BC4-Original-bluebert_pubmed_uncased_L-12_H-768_A-12 — дообученная для токен-классификации модель BlueBERT, разработанная на основе BlueBERT от NCBI. Базовая модель представляет собой BERT-base без учета регистра, предварительно обученный на англоязычных аннотациях PubMed; исходный BlueBERT разработан для переноса обучения в задачах биомедицинской обработки естественного языка. Модель предназначена для извлечения сущностей из биомедицинских текстов в рамках набора BC4CHEMD, в частности для распознавания упоминаний химических веществ и лекарственных соединений. Она использует архитектуру BERT с 12 слоями, размером скрытого представления 768 и 12 головами внимания; объем модели по метаданным составляет 136,7 млн параметров, а максимальная длина входа — 512 токенов. Модель работает с англоязычным текстом и предназначена для использования через Transformers/PyTorch. Сильной стороной является специализация на научно-медицинской лексике PubMed и задаче извлечения химических сущностей. Модель не является генеративной и не предназначена для свободного диалога, суммаризации или перевода; качество вне биомедицинских англоязычных текстов и за пределами распределения BC4CHEMD может снижаться. Лицензия для производной модели в доступных источниках не установлена.

Mardiyyah/CeLLaTe-ner-2class-pubmedbert-tapt-tokenizer-adapted-spanmask-comData-lr_2 — англоязычная BERT-модель для классификации токенов, дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Она предназначена для выделения и разметки сущностей в биомедицинском тексте. Модель содержит 138,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и опубликована в формате safetensors для библиотеки Transformers. В карточке приведены результаты оценки: micro F1 0,7577, precision 0,7753, recall 0,7408 и accuracy 0,9841. Эти показатели относятся к указанному evaluation set и не гарантируют аналогичное качество на других данных. Модель распространяется по лицензии Apache-2.0.

CeLLaTe-ner-2class-pubmedbert-tapt-tokenizer-adapted-spanmask-lr_2.16 — англоязычная модель BERT для классификации токенов, разработанная Mardiyyah и дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Она предназначена для разметки последовательностей в биомедицинских текстах; название указывает на задачу NER с двумя классами. Модель содержит 138,2 млн параметров, использует библиотеку Transformers и принимает последовательности длиной до 512 токенов. На оценочном наборе указаны precision 0,8024, recall 0,7348, micro F1 0,7671, weighted F1 0,7668, macro F1 0,7754 и accuracy 0,9841. Эти показатели относятся к конкретному набору оценки и не гарантируют такое же качество на других данных. Модель распространяется по лицензии Apache-2.0.

CeLLaTe-ner-2class-tapt-pubmedbert-tokenizer-adapted-spanmask — англоязычная модель для классификации токенов, разработанная Mardiyyah. Это дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final модель CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask на архитектуре BERT; она предназначена для разметки последовательностей в биомедицинских текстах. Модель содержит 138,2 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки токенов. На оценочном наборе указаны micro F1 0,7588 и accuracy 0,9839. Распространяется по лицензии Apache-2.0.

InfoDensity-DeepSeek-R1-Distill-Qwen-7B — языковая модель amao0o0, созданная дообучением DeepSeek-R1-Distill-Qwen-7B с методом InfoDensity. Она использует архитектуру Qwen2, содержит 7,1 млрд параметров и предназначена для генерации текста с рассуждениями, в особенности для математических и научных задач. По данным README, обучение поощряет информационно насыщенные цепочки рассуждений, которые приводят к правильному ответу, помогая сокращать их длину. Модель подходит для диалогового решения задач и генерации ответов с пошаговым обоснованием. В README приведены результаты оценки на AMC23, AIME24, MATH500 и GPQA-Diamond: средняя точность pass@1 составила 72,2 при средней длине генерации 4,5 тыс. токенов; сравнение с базовой моделью зависит от указанного в карточке протокола оценки. Метаданные указывают контекст до 131 072 токенов и поддержку Transformers. Модель распространяется по лицензии MIT. Карточка ссылается на статью EMNLP 2026, но не приводит полный код и инструкции использования.

Instella-3B-Math — языковая модель AMD с 3 млрд параметров, предназначенная для математических задач и пошаговых рассуждений. Это дообученная версия amd/Instella-3B-Instruct с архитектурой InstellaForCausalLM; модель принимает текст и генерирует текст. Она обучалась в несколько этапов: на математических примерах с учителем и с подкреплением по алгоритму GRPO. Для обучения использовались наборы OpenMathInstruct-2, AM-DeepSeek-R1-Distilled-1.4M, Big-Math-RL-Verified, DeepMath-103K и DeepScaleR-Preview-Dataset. Модель подходит для решения математических задач, подготовки разборов и развёрнутых цепочек рассуждений, в том числе для задач повышенной сложности. Контекст составляет до 32 768 токенов. В метаданных указан английский язык; заявленные мультиязычные возможности не проверялись. AMD выпустила веса, код обучения и наборы данных в открытом доступе. Лицензия обозначена как other, поэтому условия использования следует уточнить в материалах репозитория. Авторы предупреждают, что модель предназначена для исследований и не гарантирует точность или безопасность ответов.

MMR1-Math-v0-7B — мультимодальная модель для математических задач, разработанная авторами проекта MMR1 и дообученная на базе Qwen2.5-VL-7B-Instruct. Она принимает изображения и текст и формирует текстовые ответы, рассуждая над задачами, представленными в визуальной или текстовой форме. Модель предназначена для математического и логического анализа изображений и задач с визуальными данными. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст длиной до 128 000 токенов. В README описано обучение с GRPO на 6 тысячах отобранных примеров и приведены результаты оценки на MathVista, MathVision, LogicVista и MathVerse. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.