IV.6Научные исследования, математика и новые материалы

MolGen-7b — генеративная модель молекул, разработанная ZJUNLP и обученная работать с молекулярным языком SELFIES. Она построена на плотной архитектуре LLaMA с причинно-языковой моделью и содержит 6,5 млрд параметров; доступна в формате PyTorch, а длина контекста составляет 2048 токенов. Модель предназначена для генерации молекул с нуля и продолжения частичной структуры, заданной в SELFIES. Это позволяет применять её для получения кандидатов молекул и дополнения известных молекулярных структур. Репозиторий распространяется по лицензии Apache-2.0. README не сообщает о валидации химических свойств или пригодности сгенерированных структур для экспериментов. Результаты следует проверять специализированными химическими инструментами; модель рассчитана на последовательности SELFIES, а контекст ограничен 2048 токенами.

NexaMass-V3-Struct — компактный энкодер спектров MS/MS, разработанный в рамках пайплайна Nexa MS/MS. Это encoder-only трансформер с 14 106 690 обучаемыми параметрами: он преобразует тандемный масс-спектр в спектральный эмбеддинг и предсказывает вероятности 2048-битных отпечатков Morgan из RDKit. Модель использует спектральный трансформер с 6 слоями, 8 головами внимания и скрытым размером 384; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для построения эмбеддингов и кластеризации спектров, сужения набора молекулярных кандидатов, поиска по известной базе кандидатов и исследований представлений MS/MS, связанных с химической структурой. Она адаптирует самоконтролируемый энкодер NexaMass-V3, предварительно обученный на спектрах, к размеченным данным с целевыми отпечатками Morgan. Лицензия — Apache-2.0. Это исследовательский инструмент для ранжирования короткого списка кандидатов с последующей химической проверкой. Модель не генерирует молекулярные структуры de novo и не декодирует SMILES или молекулярные графы; предсказанный лучший кандидат нельзя считать подтверждённой идентификацией. Оценки и разрывы между оценками не калиброваны как вероятности, а качество обобщения на более широкое химическое пространство требует дополнительной проверки.

Это плотная авторегрессионная языковая модель на архитектуре OLMo с 6,7 млрд параметров, созданная полным дообучением Codemaster67/Olmo-7b-spe. Модель обучалась на химических строках SMILES из набора Codemaster67/Causal_lm_chemistry_1M_rows; токенизатор расширен примерно 300 токенами SPE для кодирования фрагментов SMILES, а эмбеддинги и выходной слой адаптированы к новым токенам. Модель предназначена для генерации и продолжения SMILES, химического языкового моделирования и последующего дообучения для предсказания свойств молекул. Она принимает и генерирует текст, включая записи SMILES; базовый контекст составляет 2048 токенов. В README приведены итоговые eval loss 0,918 и perplexity 2,505. Модель опубликована harindhar10 под лицензией Apache-2.0. Она обучена преимущественно на SMILES, поэтому способность следовать инструкциям на естественном языке может быть ниже, чем у базовой модели; аугментация данных в этом обучении не применялась.

Pix2Text-MFR — модель распознавания математических формул, разработанная Breezedeus для проекта Pix2Text. Она принимает изображения формул и преобразует их в текстовое представление LaTeX. Модель построена на архитектуре TrOCR от Microsoft и переобучена на наборе изображений математических формул; в репозитории представлены веса ONNX, а для использования предусмотрена библиотека Transformers. Модель подходит для распознавания отдельных формул, включая выражения разной длины и сложности, группы формул и матрицы. При интеграции с Pix2Text и его детектором формул MFD можно извлекать формулы из изображений, содержащих также обычный текст. Тестирование разработчиков включало 485 формул, отобранных из пользовательских изображений сервиса Pix2Text. Модель обучена на изображениях математических формул и может плохо распознавать изображения другого типа; при прямом использовании она рассчитана на изображения, содержащие только формулы. Для смешанных изображений требуется связка с Pix2Text и MFD. Лицензия — MIT.

amayuelas/Qwen3.8-27B-MatRL-MT-RL — экспериментальная версия на базе Qwen/Qwen3.8-27B, дообученная автором методом многошагового обучения с подкреплением для генерации новых неорганических кристаллических структур. Это плотная модель семейства Qwen3.5/Qwen3.8 с архитектурой Qwen3_5ForConditionalGeneration; для запуска используются Transformers и веса safetensors. Модель ведёт цикл взаимодействия с инструментами до 10 ходов: предлагает структуры и оценивает их с помощью машинно обученного межатомного потенциала. Она предназначена для безусловной генерации кристаллов, генерации по химической формуле или набору элементов, а также поиска структур с заданными свойствами, включая ширину запрещённой зоны и модуль объёмного сжатия. Чекпойнт рассчитан на исследовательские сценарии в материаловедении и требует поддерживающей инструменты среды для полного цикла работы. Это промежуточный чекпойнт на ранней стадии обучения с подкреплением, а не завершённая модель. В README отмечены нестабильное качество и склонность объединять много вызовов инструментов в одно сообщение: примерно 41% обучающих прогонов достигали лимита генерации посреди пакета вызовов, из-за чего возможны повреждённые завершающие вызовы. Лицензия в предоставленных данных не указана.

6cf/QwQ-32B-Preview-IdeaWhiz-v1 — дообученная модель на базе Qwen/QwQ-32B-Preview, предназначенная для генерации научных идей и пошаговых рассуждений. Она использует архитектуру Qwen2 с 32 млрд параметров и принимает текст, выдавая текст; заявленная длина контекста — 32 768 токенов. Модель обучена на LiveIdeaBench и ориентирована на выдвижение научных гипотез, творческое решение исследовательских задач и мозговой штурм по возможным направлениям работы. В карточке указаны области химии, биологии, климата и медицины. Заявлен стиль рассуждений с пошаговым разбором, похожий на o1. Модель распространяется в формате safetensors по лицензии Apache-2.0. Качество научных идей и рассуждений в карточке не подкреплено количественными оценками; сгенерированные гипотезы требуют проверки, а английский указан как язык карточки и тегов.

roberta_zinc_480m — маскированная языковая модель на архитектуре RoBERTa, разработанная Карлом Хейером. Она обучена на примерно 480 млн канонизированных SMILES-строк из базы ZINC и предназначена для работы с представлениями молекул: модель можно использовать для получения эмбеддингов SMILES, а также для восстановления замаскированных фрагментов последовательности. Модель содержит 134,2 млн параметров и принимает последовательности длиной до 512 токенов. Для корректной работы автор рекомендует подавать канонизированные SMILES. Репозиторий распространяется в форматах PyTorch и safetensors; лицензия — MIT. В экосистеме автора также упомянуты отдельные модели для реконструкции входных строк из эмбеддингов, сжатия эмбеддингов с сохранением косинусного сходства и разложения эмбеддингов на представления строительных блоков. Это отдельные модели, а не функции данного чекпойнта. Модель специализирована на молекулярных строках и не предназначена для обычного текста.

SPECTER2 aug2023refresh base — базовый текстовый энкодер семейства SPECTER2 от Allen AI, разработанный Amanpreet Singh, Mike D'Arcy, Arman Cohan, Doug Downey и Sergey Feldman. Он предназначен для получения эмбеддингов научных статей по заголовку и аннотации, а также коротких текстовых запросов. Модель основана на BERT и обучена на связях цитирования между научными публикациями; для задач классификации, поиска и сравнения статей её используют с подходящим адаптером SPECTER2. Модель содержит 137,1 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Она ориентирована на научные текстовые представления и оценивалась на бенчмарках SciRepEval и MDCR. Для универсальных эмбеддингов карточка рекомендует allenai/specter2; для наилучшего результата на конкретной задаче следует подключить соответствующий адаптер. Лицензия — Apache 2.0.

BioMatrix-1.7B-SFT — мультимодальная биологическая модель, разработанная на основе Qwen3 и дообученная командой QizhiPei. Она объединяет в общей токенизации текст, 1D-последовательности и 3D-структуры малых молекул и белков и выполняет их обработку в единой decoder-only архитектуре с предсказанием следующего токена. Модель содержит около 1,8 млрд параметров, поддерживает контекст до 32 768 токенов по метаданным и распространяется в формате safetensors по лицензии Apache-2.0. Версия SFT настроена на 80 биологических задач: генерацию и анализ молекул, предсказание их свойств, понимание и проектирование белков, работу с их структурами, а также оценку взаимодействий и сродства связывания. Входами и выходами могут быть естественный язык, молекулярные представления SMILES и SELFIES, последовательности белков и их 3D-структуры. Карточка описывает обучение на английском и приводит языковой токенизатор Qwen3; другие поддерживаемые естественные языки не заявлены. Модель показывает результаты на задачах генерации молекул, предсказания свойств, аннотации и проектирования белков и оценки связывания. Ограничения: структуры молекул и белков используют раздельные геометрические системы отсчёта, поэтому модель не представляет нативно комплексы, например позы докинга; специализация может ухудшать общие языковые способности. Поддержка ограничена малыми молекулами и белками, а 3D-геометрия сохраняет ошибку квантования, которую можно уменьшить постобработкой силовым полем.

ChemVLM-8B — мультимодальная языковая модель на 8 млрд параметров для задач химии, разработанная авторами проекта ChemVLM. Она основана на архитектуре InternVLChat и объединяет обработку изображений и текста. Модель обучена на двуязычном мультимодальном наборе данных о химии, включая молекулярные структуры, реакции и экзаменационные вопросы. Модель предназначена для распознавания химической информации на изображениях, понимания молекулярных структур и реакций, а также ответов на вопросы по химии с использованием текста и визуальных данных. В опубликованных оценках приведены результаты для химического OCR, мультимодального понимания и рассуждений, а также классификации типов реакций. В README сообщаются конкурентные результаты на нескольких тестах, но качество зависит от типа задачи. Модель распространяется под лицензией Apache-2.0. Для запуска README рекомендует Transformers и дополнительные библиотеки для обработки изображений и мультимодального ввода.

Intern-S2-Mobius — плотная языковая модель с 35 млрд параметров, разработанная командой InternLM на архитектуре Mobius-v0 и реализованная с поддержкой Xtuner и LMDeploy. Это продолжительно предобученная на основе Qwen3.5-35B и затем дообученная с помощью SFT и обучения с подкреплением модель для диалогов и сложных текстовых задач. Репозиторий содержит веса bfloat16 в формате Safetensors; для запуска предусмотрена поддержка Transformers, LMDeploy и vLLM. Архитектура разделяет хранилище знаний и вычисления рассуждений: несколько модулей Reasoner обращаются к общей памяти, а скрытые состояния уточняются итеративно. Заявлены межслойный доступ к знаниям и латентное рассуждение, позволяющие сокращать видимые цепочки рассуждений. Модель рассчитана на общие и научные задачи, включая биологию и молекулярные науки. В README сообщается о сопоставимых или более высоких результатах на ряде тестов и почти четырёхкратном ускорении вывода относительно Qwen3.5-35B в проведённой оценке. Карточка описывает текстовую модель и не заявляет поддержку изображений, несмотря на тег image-text-to-text в метаданных. В тестах использовались контексты до 64K или 128K токенов; эти значения относятся к настройкам оценки и не подтверждают максимальный собственный контекст модели. Для эксплуатации требуются совместимые версии Transformers, LMDeploy или vLLM и значительные вычислительные ресурсы, соответствующие модели на 35 млрд параметров. Лицензия — Apache-2.0.

MIST — семейство молекулярных моделей Electrochemical Energy Group Мичиганского университета. Этот вариант основан на энкодере MIST-28M, предварительно обученном на строках SMILES с задачей masked language modeling и дообученном на наборе Olfaction для предсказания запаховых свойств молекул. На вход подаются строки SMILES; модель выдаёт признаки последовательности и обучена классифицировать молекулы по 135 меткам запахов. Архитектура включает энкодер RoBERTa-PreLayerNorm с 8 слоями, размером скрытого состояния 512, 8 головами внимания и максимальной длиной последовательности 2048 токенов, а также двухслойную MLP-голову. Обучение для задачи запахов проводилось на 4 983 молекулах с многометочной классификацией. Веса опубликованы в формате Safetensors. Модель подходит для извлечения признаков молекул и прогнозирования категорий запаха по их структуре, например для анализа ароматических соединений. README указывает на исследовательское применение; качество и пригодность результатов для конкретных решений не гарантируются. Лицензия в метаданных — Apache 2.0, однако README отдельно запрещает перераспределение без разрешения и коммерческое использование без соглашения о лицензировании.

MolDeBERTa-base-123M-contrastive_mlc — молекулярный энкодер, разработанный авторами MolDeBERTa на архитектуре DeBERTaV2. Он обучен на 123 миллионах молекул PubChem в формате SMILES с контрастивной MLC-целью, которая формирует представления с учётом свойств молекул и сходства подструктур. Модель содержит 116,3 млн параметров, принимает последовательности SMILES и поддерживает контекст до 128 токенов. Модель предназначена для извлечения эмбеддингов молекул, поиска сходства, визуализации и последующего дообучения для прогнозирования свойств или классификации. В бенчмарках MoleculeNet семейство MolDeBERTa показало конкурентные результаты, однако качество зависит от конкретной задачи и варианта модели. Лицензия CC-BY-NC-ND-4.0 ограничивает коммерческое использование и распространение производных версий.

Mol-LLaMA — разработанная авторами проекта молекулярная языковая модель на базе meta-llama/Llama-3.1-8B-Instruct, дообученная с LoRA и дополненная проекторами для работы с представлениями молекул. Архитектура использует предварительно обученные 2D-энкодер MoleculeSTM и 3D-энкодер Uni-Mol, объединяет их данные с помощью cross-attention и передаёт молекулярные представления в языковую модель через Q-Former на основе SciBERT. Модель предназначена для диалоговых запросов о молекулах, объяснения их характеристик и генерации ответов с опорой на молекулярные представления. Веса хранятся в формате safetensors; для инференса авторы отсылают к примеру кода в репозитории GitHub. В качестве базовой модели используется Llama 3.1 8B Instruct, а обучение проводилось на датасете Mol-LLaMA-Instruct. Лицензия репозитория — Apache-2.0. Карточка не сообщает о контекстном окне или количественных оценках качества, поэтому описание ограничивается заявленными архитектурой и назначением.

Qwen3-4B-MegaScience — плотная языковая модель на базе Qwen3-4B-Base, дообученная на наборе данных MegaScience для научных рассуждений. В карточке указано 3,7 млрд параметров; модель использует архитектуру Qwen3 и доступна в формате safetensors для библиотеки Transformers. Максимальная длина контекста — 32 768 токенов. Модель предназначена для ответов на научные вопросы и рассуждений по естественным наукам, в том числе для поддержки исследователей и работы с учебными материалами. MegaScience объединяет 1,25 млн примеров из открытых наборов данных; описанный в README обучающий рецепт ограничивал длину последовательности 4 096 токенами. Карточка указывает английский язык и лицензию Apache-2.0. Качество ответов может зависеть от научной области и формулировки запроса; модель генерирует текст и может ошибаться в фактах или выводах.

RetroAgent — языковая модель-агент на 3,7 млрд параметров, разработанная для многошагового планирования ретросинтеза. Это дообученная с помощью обучения с подкреплением GSPO модель Qwen3-4B-Instruct-2507. Она строит план разложения целевой молекулы на коммерчески доступные исходные вещества, выполняя поиск по AND-OR-графу молекул и реакций через вызовы инструментов. Модель предназначена для работы в связке с сервером инструментов RetroAgent: ему нужны структурированная память графа, шаблонная модель для отдельных шагов, поиск исходных веществ и оценка молекул. В бенчмарках USPTO-190 и ChEMBL-1000 авторы сообщают результаты, сопоставимые или превосходящие результаты более крупной модели Retro-R1 (7B) при указанных бюджетах поиска. Контекст составляет до 262 144 токенов; модель загружается через Transformers как Qwen3ForCausalLM и поддерживает интерфейс вызова инструментов. RetroAgent не выполняет ретросинтез как самостоятельный чат без необходимой инфраструктуры и инструментов. Репозиторий содержит веса, а для сервера требуются дополнительные файлы данных из внешних источников. Лицензия модели — Apache-2.0; лицензии и условия для дополнительных наборов данных могут отличаться.

SciReasoner-8B — научная языковая модель для рассуждений в разных научных дисциплинах, представленная в статье SciReasoner: Laying the Scientific Reasoning Ground Across Disciplines. В репозитории размещены веса модели; архитектура — плотная Qwen3ForCausalLM с 7,6 млрд параметров, формат — safetensors, библиотека — Transformers. Модель принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Модель предназначена для решения научных задач и оценки способностей к рассуждению; README описывает запуск бенчмарков через OpenCompass, включая оценивание по наборам данных и few-shot-сценарии. Лицензия — Apache-2.0. README не приводит конкретный список поддерживаемых языков или подробные результаты и ограничения качества.

Модель jiayangshi/synchrotron_pixel_diffusion — предварительно обученная диффузионная модель для реконструкции компьютерной томографии, представленная в работе DM4CT. Её разработчики обучили её на реальных синхротронных КТ-изображениях горных пород как безусловный априорный распределитель изображений; для реконструкции её предполагается сочетать с коррекцией согласованности с измеренными данными. Архитектура — 2D UNet в библиотеке Diffusers, реализующая DDPM с предсказанием шума в пространстве пикселей. Модель рассчитана на одноканальные срезы размером 768 × 768, нормализованные в диапазон от −1 до 1; геометрия сканирования в неё не встроена. Лицензия — MIT.

TabPFN-2.6 — трансформерная модель Prior Labs для классификации и регрессии структурированных табличных данных. Она использует обучение в контексте и выполняет предсказание за один прямой проход; архитектура включает 24 слоя с чередованием типов внимания, близким к TabPFN v2. Модель обучена исключительно на синтетических табличных задачах. Модель предназначена для задач с наборами до 50 000 строк и 2 000 признаков. В карточке указаны сценарии в химии, биологии, финансах, праве, климате и медицине. Она не предназначена для неструктурированных текстовых или визуальных данных; качество на наборах, превышающих указанные размеры, не проверено и может снижаться. Веса доступны по лицензии tabpfn-2.6-license-v1.0, которая разрешает исследования, тестирование, оценку и внутренний бенчмаркинг, но запрещает коммерческое и производственное использование модели, её производных и результатов. Для производственных сценариев Prior Labs предлагает отдельную коммерческую лицензию.

AMPLIFY 120M — белковая языковая модель лаборатории FLAIR, основанная на архитектуре AMPLIFY. Это плотный BERT-подобный трансформер-энкодер с 24 слоями, скрытым размером 640 и 10 головами внимания; в метаданных указано 118,2 млн параметров. Модель обучена на последовательностях аминокислот методом masked language modeling, использует токенизацию по аминокислотам с алфавитом из 32 токенов и поддерживает контекст до 2 048 токенов. Модель предназначена для получения представлений отдельных остатков и целых белковых последовательностей, оценки эффектов вариантов по псевдоправдоподобию, а также дообучения для задач оценки стабильности, связывания, функциональной аннотации и белкового фитнеса. Для эмбеддингов и предсказаний на основе маскированных последовательностей применяется библиотека Transformers. Модель выпущена под лицензией MIT.

aakothari разработал DeepBERTa_zinc_base_100k_v4 — предварительно обученную модель RoBERTa для анализа молекулярных структур, записанных в формате DeepSMILES. Модель содержит 57,2 млн параметров, использует 6 слоёв трансформера и 12 голов внимания, а её контекст составляет 514 токенов. Она обучена на 100 000 молекулах из ZINC с помощью маскированного языкового моделирования и токенизатора BPE с размером словаря 767; доступны веса в форматах Safetensors и ONNX. Модель предназначена для получения контекстных представлений молекул, предсказания замаскированных токенов и подготовки представлений для последующего дообучения на задачах классификации химических свойств, например токсичности или биоактивности. Для работы с SMILES их предварительно нужно преобразовать в DeepSMILES. У модели нет готовой классификационной головы, и она не предназначена для авторегрессионной генерации новых молекул. Лицензия — MIT.

DeTi*k*Zifyv2.5 (8b) — мультимодальная языковая модель, разработанная командой DeTi*k*Zify. Она преобразует наброски и научные иллюстрации в редактируемые программы на Ti*k*Z с сохранением визуального смысла. Модель основана на DeTi*k*Zifyv2-8b и дополнительно обучена методом обучения с подкреплением на основе собственной обратной связи (RLSF), используя самостоятельно вычисляемые награды без внешней модели вознаграждения. Модель предназначена для преобразования изображений схем, графиков и других научных рисунков в код Ti*k*Z; также она работает с текстовыми входами через Ti*k*Zero adapters. При выводе может итеративно уточнять результат с помощью поиска по дереву Монте-Карло (MCTS), оценивая визуальное сходство с исходным рисунком. Модель относится к семейству DeTikzify, имеет плотную архитектуру и доступна в формате safetensors для Transformers. В метаданных указана задача text-generation; README отдельно подтверждает обработку изображений и набросков. Лицензия в предоставленных данных не указана.

nvidia/esm2_t30_150M_UR50D — версия модели ESM-2, опубликованная NVIDIA и оптимизированная с помощью TransformerEngine. Это плотный трансформер для работы с последовательностями аминокислот; модель основана на ESM-2 от Facebook Research и сохраняет его веса и выходы с возможными небольшими численными различиями. В метаданных указано 196,6 млн параметров и контекст до 1026 токенов; README приводит максимальную длину входной последовательности 1022 аминокислоты. Модель обучалась предсказывать замаскированные элементы белковых последовательностей на данных UniRef90 и UniRef50. Она выдаёт векторные представления для каждого аминокислотного остатка и всей последовательности, которые можно применять в исследованиях белков и дообучать для задач на основе последовательностей. Хотя карточка описывает её назначение как предсказание структуры белка, непосредственный выход этой версии — эмбеддинги, а не готовая 3D-структура. Модель принимает текстовую запись аминокислотной последовательности и возвращает векторы; поддерживает задачи fill-mask и token classification. Оптимизация ориентирована на NVIDIA GPU, интеграция указана для Transformers и Linux. Лицензия — MIT, разрешено коммерческое и некоммерческое использование.

alephpi/FormulaNet — модель распознавания математических формул на изображениях, опубликованная alephpi и дообученная на базе PaddlePaddle/PP-FormulaNet-S. Она использует архитектуру vision-encoder-decoder и преобразует изображение формулы в текстовое представление, предназначенное для LaTeX OCR. В репозитории указаны 20 млн параметров, наборы данных UniMER-Train, UniMER-Test и UniMER_Dataset; доступны веса Safetensors и ONNX. Модель помечена как англоязычная, имеет лицензию AGPL-3.0. Карточка содержит мало сведений о качестве и граничных условиях распознавания, поэтому надёжность на разных типах формул и изображений не следует предполагать без проверки.

ccdv/lsg-bart-base-16384-pubmed — модель семейства BART, дообученная авторами репозитория на датасете PubMed из набора scientific_papers для суммаризации научных публикаций. Она использует механизм Local-Sparse-Global attention и рассчитана на входные последовательности длиной до 16 384 токенов; в README приведены результаты на тестовой выборке PubMed. Метаданные указывают 95,2 млн параметров, тогда как README сообщает примерно о 145 млн параметров, поэтому размер модели в источниках расходится. Модель принимает текст статьи и генерирует текстовое резюме. README указывает на дообучение в течение одной эпохи и требует Transformers версии не ниже 4.36.1 и загрузки пользовательского кода модели с параметром trust_remote_code=True. Лицензия в предоставленных данных не указана.

Codemaster67/olmo_chem_250k — плотная причинно-языковая модель семейства OLMo с 6,7 млрд параметров, созданная полным дообучением Codemaster67/Olmo-7b-spe на химических строках SMILES из набора Codemaster67/Causal_lm_chemistry_1M_rows. Токенизатор базовой модели расширен примерно 300 токенами SPE для химических строк и специальными токенами; эмбеддинги и выходной слой языковой модели были изменены для поддержки новых токенов. Модель предназначена для языкового моделирования в химической области, генерации и продолжения строк SMILES, а также может служить основой для дообучения под предсказание свойств молекул. Работает с текстовыми последовательностями; в карточке указан контекст 2048 токенов и библиотека Transformers. В README приведены итоговые eval loss 0,973 и perplexity 2,645. Модель обучалась преимущественно на SMILES, поэтому её способность следовать инструкциям на естественном языке может быть ниже, чем у базовой модели. Для этого запуска аугментация данных была отключена. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Chemical-Base-220M — модель OpenMed для распознавания упоминаний химических веществ в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе BC4CHEMD; поддерживает zero-shot извлечение сущностей по заданным типам, включая метку CHEM, без отдельного дообучения под каждую задачу. Модель принимает текст и возвращает найденные фрагменты с типами сущностей. В карточке указана оценка F1 0,90 на тестовой выборке BC4CHEMD, исключённой из обучения. Модель предназначена для извлечения названий химических соединений, лекарств и реагентов из научной литературы, а также для индексации соединений и последующей привязки сущностей к ChEBI или DrugBank. Карточка также описывает более широкие сценарии биомедицинского NER, однако заявленный основной тип сущности этой версии — CHEM. Метаданные указывают английский язык, формат PyTorch и лицензию Apache-2.0. Результаты могут зависеть от выбранных меток и порога обнаружения; карточка советует снижать порог для редких или пользовательских типов сущностей.

quinex-context-v0-248M — модель Juelich Systems Analysis, дообученная на базе FLAN-T5 для извлечения контекста измеряемых величин из текста. Она отвечает на последовательные вопросы о том, какое свойство выражает величина, к какому объекту относится измерение и какие у него есть уточнения: временная и пространственная область, источник, метод измерения и другие ограничения. Для предварительного обнаружения величин авторы рекомендуют использовать отдельные quantity identification models. Модель построена на архитектуре encoder-decoder T5; метаданные указывают 123,8 млн параметров и контекст 512 токенов, тогда как название и карточка модели указывают 248M. Она принимает текст и выдаёт текстовые ответы; заявленный язык — английский. В карточке приведена оценка micro F1 86,31 на описанном авторами тестовом наборе. Это специализированный экстрактор, а качество за пределами оценённого набора не установлено. Лицензия — Apache-2.0.

Qwen2-Math-72B-Instruct-GGUF — квантизированная в формате GGUF инструкционная языковая модель, разработанная командой Qwen на базе Qwen2-Math-72B-Instruct. Квантизацию выполнил bartowski с использованием llama.cpp. Модель предназначена прежде всего для решения математических задач, многошагового рассуждения и сложных логических проблем, а также для диалогового текстового взаимодействия через шаблон ChatML. Модель содержит 72 млрд параметров и обучена на специализированном математическом корпусе, включающем веб-тексты, книги, программный код, экзаменационные задания и синтетические данные. Инструкционная версия дополнительно обучалась с применением математической reward-модели, supervised fine-tuning и Group Relative Policy Optimization (GRPO). В README заявлены высокие результаты на математических и reasoning-бенчмарках, однако конкретные показатели не приведены. Указан английский язык; другие языки и размер контекста не заявлены. Модель подходит для математического анализа, пошагового решения задач и исследовательских сценариев, но из-за большого размера требует значительных вычислительных ресурсов, а квантизация может влиять на точность. Как и другие генеративные модели, она способна ошибаться и выдавать неточные или неподходящие ответы. Лицензия указана как tongyi-qianwen; подробные условия доступны по ссылке на лицензию исходной модели.

UNIST-Eunchan/Research-Paper-Summarization-Pegasus-x-ArXiv — модель UNIST-Eunchan для автоматического создания кратких пересказов научных статей arXiv. Она дообучена на датасете arxiv-summarization, содержащем более 200 тысяч работ, и предназначена для суммирования исследовательских текстов. В основе — плотная encoder-decoder модель PEGASUS-X Base с 187,1 млн параметров; она принимает текстовый контекст длиной до 16 384 токенов и генерирует текст. Модель работает на английском языке. В README приведены результаты на тестовом наборе и настройки генерации с ограничением длины вывода; качество зависит от параметров декодирования. Модель доступна в формате PyTorch по лицензии BigScience OpenRAIL-M. Она специализирована на научных статьях, поэтому её не следует считать универсальным суммаризатором для любых текстов.