IV.6Научные исследования, математика и новые материалы

OpenMath-Nemotron-1.5B — языковая модель NVIDIA для решения математических задач. Она получена дообучением Qwen/Qwen2.5-Math-1.5B на наборе OpenMathReasoning. Это декодерный трансформер Qwen2.5 с 1,5 млрд параметров; модель принимает текст и генерирует текст, поддерживая контекст до 131 072 токенов. Модель предназначена для математических рассуждений и предлагает режимы пошагового решения (CoT), рассуждения с использованием инструментов (TIR) и выбора решения (GenSelect). В README приведены результаты на математических бенчмарках, но они не гарантируют точность для каждой задачи. Метаданные указывают английский язык; модель построена на математической версии Qwen, для которой каталог также отмечает английский и китайский. Лицензия — CC BY 4.0; README сообщает о готовности к коммерческому использованию.

OpenMed разработала ElectraMed-33M — специализированную модель на архитектуре BERT для распознавания химических сущностей в биомедицинских текстах. Она выделяет названия химических соединений и веществ, присваивая токенам BIO-метки B-CHEM и I-CHEM. Модель дообучена на корпусе BC4CHEMD и предназначена для извлечения химических сущностей из научных публикаций, медицинских записей и других биомедицинских документов. Такие результаты можно использовать для поиска упоминаний препаратов, анализа литературы и построения биомедицинских баз знаний. Размер модели — около 40 млн параметров, максимальная длина контекста — 512 токенов; входом служит текст, выходом — разметка токенов. В README заявлены F1 0,92, точность 0,91 и полнота 0,93 на BC4CHEMD. Модель распространяется по лицензии Apache-2.0. Результаты предназначены для выделения химических сущностей и сами по себе не подтверждают клинические выводы или обнаружение лекарственных взаимодействий. README называет базовую архитектуру e5-small-v2, тогда как метаданные указывают семейство BERT; точная связь с конкретным базовым репозиторием не подтверждена.

OpenMed-NER-ChemicalDetect-PubMed-109M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученная модель семейства BERT на основе BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext, построенная для классификации токенов и выдачи BIO-разметки B-CHEM и I-CHEM. В README указано 136,7 млн параметров; метаданные указывают контекст до 512 токенов и формат safetensors. Модель обучена на корпусе BC4CHEMD и предназначена для извлечения названий химических соединений и веществ из научных публикаций, медицинских записей и других биомедицинских документов. Такие результаты могут использоваться для поиска упоминаний препаратов, анализа литературы и построения биомедицинских баз знаний. Для работы предусмотрена интеграция с Transformers. README приводит на BC4CHEMD F1 0,949, precision 0,9447 и recall 0,9534 для этой версии. Эти показатели относятся к указанному корпусу и не гарантируют качество на других типах текста. Модель ориентирована на английский язык. Лицензия — Apache-2.0.

OpenMed-NER-ChemicalDetect-TinyMed-65M — дообученная OpenMed модель на архитектуре DistilBERT для распознавания химических соединений и веществ в биомедицинских текстах. Она выполняет токенную классификацию с BIO-метками B-CHEM и I-CHEM; базовая архитектура в карточке указана как distilbert-base-cased. Модель принимает токенизированный текст и выдаёт метки химических сущностей для найденных фрагментов. Модель предназначена для извлечения химических названий из научных публикаций, медицинских записей и других биомедицинских документов. Возможные сценарии — поиск упоминаний лекарств, анализ литературы для разработки препаратов и подготовка данных для биомедицинских баз знаний. В README приведены результаты на BC4CHEMD: F1 и precision 0,93, recall 0,93, accuracy 0,98. Контекст — 512 токенов; поддерживаемый язык карточки — английский. Лицензия — Apache-2.0. Результаты относятся к распознаванию химических сущностей в домене обучающего набора и не подтверждают пригодность для всех клинических задач. README заявляет о проверке на клинических тестах, но подробности протокола и метрики для таких тестов не приведены.

OpenMed-NER-DNADetect-ElectraMed-335M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученный трансформер семейства BERT с 433,9 млн параметров, рассчитанный на классификацию токенов; модель принимает токенизированный текст и возвращает BIO-разметку для белков, ДНК, РНК, клеточных линий и типов клеток. В README базовая архитектура названа e5-large-v2, а обучающим набором — JNLPBA, содержащий аннотации биомедицинских сущностей в рефератах MEDLINE. Модель предназначена для извлечения сущностей из научной литературы и медицинских текстов, например для биомедицинского майнинга, анализа записей и построения баз знаний. Заявленные в README показатели на JNLPBA: F1 0,78, точность 0,74, полнота 0,83 и accuracy 0,91. Контекст ограничен 512 токенами. Доступна в формате safetensors, совместима с Transformers и распространяется по лицензии Apache-2.0.

OpenMed-NER-DNADetect-PubMed-109M — модель организации OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученный трансформер на архитектуре BERT с головой классификации токенов, основанный на BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Модель обучена на корпусе JNLPBA и выделяет белки, ДНК, РНК, клеточные линии и типы клеток, возвращая BIO-разметку. Размер — 136,7 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для извлечения сущностей из биомедицинской литературы и клинических текстов, включая поиск упоминаний генов и белков, анализ медицинских записей и построение биомедицинских баз знаний. В README указаны F1 0,79, точность 0,74, полнота 0,84 и accuracy 0,93 на JNLPBA. Эти результаты относятся к указанному бенчмарку и сами по себе не подтверждают клиническую надёжность. Модель рассчитана на английский текст; лицензия — Apache-2.0.

OpenMed-NER-GenomeDetect-BigMed-278M — разработанная OpenMed и дообученная на корпусе BC2GM модель XLM-RoBERTa для распознавания упоминаний генов и белков в биомедицинском тексте. Она классифицирует токены с BIO-метками B-GENE/PROTEIN и I-GENE/PROTEIN; заявленный размер — 305,2 млн параметров, максимальный контекст — 514 токенов. Модель предназначена для извлечения генов и белков из научных публикаций, медицинских записей и других текстов, чтобы поддерживать биомедицинский поиск и анализ. В README указаны F1 0,86, точность 0,85 и полнота 0,88 на BC2GM. Модель принимает текст и выдаёт разметку токенов. Карточка указывает лицензию Apache-2.0; обучение и оценка описаны для англоязычного корпуса BC2GM.

OpenMed-NER-GenomeDetect-BigMed-560M — модель OpenMed для распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученный трансформер XLM-RoBERTa для классификации токенов с 658,7 млн параметров и контекстом до 514 токенов. Модель размечает найденные упоминания тегами BIO типов B-GENE/PROTEIN и I-GENE/PROTEIN; репозиторий содержит веса в формате safetensors. Модель предназначена для извлечения генов и белков из научных статей, медицинской документации и других биомедицинских текстов. Её можно применять для поиска сущностей в литературе, анализа клинических записей и построения биомедицинских баз знаний. В README приведены результаты на BC2GM: F1 0,88, точность 0,87 и полнота 0,88; эти показатели относятся к указанному корпусу и не гарантируют такое же качество на других текстах. Обучение описано на корпусе BC2GM. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-GenomeDetect-ElectraMed-335M — модель для распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученная модель токенной классификации на архитектуре BERT с 433,9 млн параметров; README указывает базовую архитектуру e5-large-v2 и обучение на корпусе BC2GM, размеченном для задачи поиска упоминаний генов. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей B-GENE/PROTEIN и I-GENE/PROTEIN. Контекст — до 512 токенов, заявленный язык — английский. Модель предназначена для извлечения генов и белков из научной литературы, клинических записей и других биомедицинских документов, например для поиска по публикациям и построения биомедицинских баз знаний. В README приведены результаты на BC2GM: F1 0,88, точность 0,87 и полнота 0,88; эти показатели относятся к указанному корпусу. Доступны веса safetensors, лицензия — Apache-2.0. Специализация на BC2GM ограничивает применимость к текстам других жанров и распределений; README не подтверждает заявленные широкие сценарии вроде извлечения лекарств или выявления взаимодействий препаратов.

OpenMed разработала специализированную модель распознавания упоминаний генов и белков в биомедицинском тексте. Это дообученная на корпусе BC2GM модель семейства RoBERTa на базе distilroberta-base с архитектурой RobertaForTokenClassification; размер — 95,2 млн параметров, контекст — до 514 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей B-GENE/PROTEIN и I-GENE/PROTEIN. Модель предназначена для извлечения генов и белков из научной литературы, медицинских записей и других биомедицинских документов, например для поиска по публикациям и построения биомедицинских баз знаний. В README приведены результаты на BC2GM: F1 0,85, точность 0,82 и полнота 0,87. Модель рассчитана на англоязычные тексты. Лицензия — Apache-2.0.

OpenMed разработала специализированную модель распознавания именованных сущностей для геномики и клинических текстов. Это дообученный ModernBERT с архитектурой ModernBertForTokenClassification, 149 млн параметров и контекстом до 8192 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку; карточка описывает распознавание сущностей типа Cell-line-name и указывает датасет GELLUS. Основной язык карточки — английский. Модель предназначена для извлечения упоминаний биомедицинских сущностей из медицинских записей и научной литературы, а также для геномного текстового майнинга и построения баз знаний. В README приведены результаты на GELLUS: F1 0,97, точность 1,00 и полнота 0,95; эти показатели относятся к указанному набору данных. Распространяется под лицензией Apache-2.0.

OpenMed-NER-GenomicDetect-PubMed-109M — дообученная модель OpenMed для распознавания сущностей в биомедицинском тексте. Она использует архитектуру BERT и решает задачу token classification, присваивая токенам BIO-метки. В карточке указана поддержка сущности Cell-line-name; модель обучена на корпусе GELLUS и предназначена для поиска генетических и геномных упоминаний в научной литературе и других биомедицинских текстах. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт разметку сущностей. В метаданных указан английский язык. Карточка также перечисляет сценарии извлечения сущностей из медицинских записей и научных публикаций, однако заявленные высокие показатели качества относятся к описанию автора и не подкреплены здесь подробностями протокола оценки. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-OncologyDetect-ElectraMed-109M — специализированная модель OpenMed для распознавания и классификации биомедицинских сущностей, связанных с онкологией и генетикой рака. Это дообученный трансформер с архитектурой BERT для token classification; в метаданных указано 136,7 млн параметров, а карточка описывает обучение на корпусе BioNLP 2013 CG. Модель принимает токенизированный текст и возвращает BIO-метки сущностей, включая гены и их продукты, опухоли, клетки, ткани, органы и химические вещества. Английский язык указан в карточке модели; максимальный контекст — 512 токенов. Модель предназначена для извлечения сущностей из научной литературы и биомедицинских текстов, например для поиска генов, связанных с раком, и построения баз знаний. В README приведены результаты на BioNLP 2013 CG: F1 0,73, точность 0,72 и полнота 0,74; результаты следует оценивать в контексте этого набора данных. Карточка указывает лицензию Apache-2.0. Модель распознаёт сущности, но сама по себе не выполняет извлечение отношений, диагностику или проверку лекарственных взаимодействий.

OpenMed-NER-OncologyDetect-SuperMedical-355M — модель OpenMed для распознавания и классификации биомедицинских сущностей в текстах об онкологии и генетике рака. Это дообученная модель архитектуры RoBERTa для token classification, основанная на roberta-large; в метаданных указано 454,1 млн параметров и контекст до 514 токенов. На вход подаётся токенизированный текст, на выходе — BIO-разметка сущностей, включая гены и продукты генов, виды рака, клетки, ткани, органы и химические вещества. Модель предназначена для извлечения сущностей из научной литературы, клинических текстов и медицинских документов, в том числе для поиска генетических маркеров и подготовки данных для биомедицинских графов знаний. Она обучена на корпусе BioNLP 2013 CG; в README приведены результаты на этом наборе: F1 0,899, точность 0,893 и полнота 0,906. Эти показатели относятся к указанному корпусу и сами по себе не подтверждают клиническую надёжность на других данных. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-ProteinDetect-BigMed-560M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученная трансформерная модель XLM-RoBERTa с архитектурой XLMRobertaForTokenClassification и примерно 658,7 млн параметров. Она принимает токенизированный текст и выдаёт BIO-разметку сущностей; в карточке перечислены белки, белковые комплексы, семейства и группы белков, а также варианты белков. Для одного фрагмента текста длина контекста составляет 514 токенов. Модель предназначена для извлечения белковых сущностей из научной и биомедицинской литературы, клинических текстов и документов, а также для поддержки анализа взаимодействий белков, поиска по литературе и построения биомедицинских баз знаний. В README сообщаются результаты на корпусе FSU: F1 0,95, точность 0,95, полнота 0,96 и accuracy 0,98; эти показатели относятся к описанной оценке и не гарантируют аналогичного качества на других данных. Карточка указывает датасет FSU и лицензию Apache-2.0.

Platypus2-7B — авторегрессионная языковая модель с инструкционной настройкой, разработанная Коулом Хантером и Ариэлем Ли на основе LLaMA 2. Веса содержат около 6,6 млрд параметров; модель использует плотную архитектуру LlamaForCausalLM и принимает текстовые инструкции по шаблону с разделами Instruction и Response. Для работы заявлен контекст длиной 4096 токенов. Модель обучена на наборе Open-Platypus с примерами по STEM-дисциплинам и логике. Она предназначена для ответов на инструкции, решения учебных задач и рассуждений на английском языке. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — CC BY-NC-SA 4.0, поэтому коммерческое использование не разрешено. Как и другие модели семейства LLaMA 2, Platypus2-7B может выдавать неточные, предвзятые или нежелательные ответы; её проверка проводилась на английском языке и не охватывает все сценарии. В карточке также отмечена особенность дообучения LLaMA 2 7B: авторы указывают на необходимость настроек fp16=False и bf16=True в HF Trainer.

Qwen3-4B Math RL Specialist — это специализированная языковая модель для математических задач, созданная разработчиком pb09204048 на основе Qwen/Qwen3-4B. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовые запросы, в том числе в диалоговом формате. Длина контекста — до 40 960 токенов по метаданным; в описанном протоколе оценки применялся контекст 24 576 токенов. Модель обучена методом domain RL с GRPO-подобными групповыми преимуществами на наборе zhuzilin/dapo-math-17k. Она предназначена для решения математических задач и может выступать учителем в экспериментах по многомодельной on-policy дистилляции. В оценке на AIME24 pass@1 составил 50,00% против 22,50% у базовой Qwen3-4B; математический прирост сопровождается более длинными ответами. Это отдельная модель-учитель: результаты обучения или оценки дистиллированной студенческой модели в релизе не представлены. Чекпойнт получен с помощью LoRA ранга 16, слитой с базовыми весами, и сохранён в BF16 в формате Safetensors. Для запуска в README указана совместимая версия Transformers с PyTorch и Accelerate. Лицензия — Apache-2.0.

SeongryongJung/qwen3-8b-chemistry-srpo-ema005 — дообученная языковая модель на архитектуре Qwen3 с 7,6 млрд параметров, созданная на базе Qwen/Qwen3-8B методом SRPO с EMA-обновлением учителя. Она предназначена для генерации текста и решения задач по химии; в README приведена оценка на валидации chemistry: mean@16 80,48% на шаге 100. Опубликован последний чекпойнт global_step_100 в формате Transformers Safetensors; указано контекстное окно 40 960 токенов. Базовая модель поддерживает несколько языков, однако язык и состав химического датасета здесь не уточнены. Модель можно использовать для ответов на химические вопросы и генерации рассуждений или решений по химическим задачам. Оценка отражает результат валидации с 16 сэмплами и не гарантирует аналогичного качества в других задачах или на иных данных. Лицензия — Apache-2.0.

Модель StivenLancheros — дообученная RoBERTa-base для распознавания именованных сущностей в биомедицинских и клинических текстах. Она выделяет шесть типов сущностей: последовательности, клетки, белки, гены, таксоны и химические вещества. Модель обучалась на корпусе CRAFT, включая исходные английские данные, машинный перевод корпуса на испанский и данные с заменой части сущностей; обучение выполнялось в два этапа с переносом обучения. Модель принимает текст и возвращает разметку токенов с типами сущностей. Она предназначена для извлечения биомедицинских сущностей из англоязычных и испаноязычных текстов; заявленные на тестовом наборе CRAFT показатели F1 — 0,8639 и точность — 0,9734. Размер модели — 153,2 млн параметров, контекст — до 514 токенов. Распространяется в формате PyTorch по лицензии Apache-2.0.

Карточка модели allenai/BAR-2x7B-Safety 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.

BioSimCSE-BioLinkBERT-BASE — модель на архитектуре BERT, опубликованная Kamalraj. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, семантического поиска и кластеризации. Модель обучена с MultipleNegativesRankingLoss и косинусным сходством; число параметров составляет 135,4 млн, контекст — до 512 токенов. Название и базовая модель BioLinkBERT указывают на биомедицинскую направленность, поэтому модель подходит для поиска и группировки текстов в этой области. Она принимает текст и выдаёт векторные представления. В карточке приведены примеры применения, но нет количественных результатов оценки. Доступные материалы не содержат сведений о лицензии.

Cedar-GRPO-Qwen2.5-Math-7B — полноразмерный чекпойнт Qwen2.5-Math-7B, дообученный zbeeb методом GRPO на наборе Cedar GRPO DAPO Math из 17 005 примеров. Это плотная авторегрессионная модель семейства Qwen2, содержащая 7,1 млрд параметров и предназначенная для генерации решений математических задач в диалоговом формате. Модель принимает текст и генерирует текст; заявленные языки — английский и китайский. Контекст составляет 4 096 токенов. Обучение проводилось с проверкой математической эквивалентности конечного ответа; отдельная языковая модель-судья и награда за форматирование не применялись. Репозиторий содержит веса в сохранённой плавающей точке, разбитые на файлы Safetensors, и токенизатор. README приводит самооценку итогового запуска на математических тестах, однако численные результаты в доступном тексте не приведены. Лицензия — Apache-2.0.

CeLLaTe-ner-2class-tapt-pubmedbert-tokenizer-adapted-lr3.89 — англоязычная модель на архитектуре BERT для классификации токенов. Она дообучена Mardiyyah на базе Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask с использованием набора OTAR3088/CeLLaTe-ner-2class-iob_final. Модель содержит 138,2 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для распознавания именованных сущностей в биомедицинском тексте с двухклассовой разметкой IOB. В карточке приведены результаты оценки: micro F1 0,7817, precision 0,7896 и recall 0,7739. Модель распространяется по лицензии Apache-2.0.

Карточка модели EdgeAIMed/EdgeAIMed-NER-ChemicalDetect-PubMed-335M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-ChemicalDetect-PubMed-335M, поэтому описание составлено по ней. OpenMed-NER-ChemicalDetect-PubMed-335M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученный трансформер архитектуры BERT с 433,9 млн параметров, основанный на BiomedNLP-BiomedBERT-large-uncased-abstract. Модель принимает токенизированный текст и присваивает токенам BIO-метки B-CHEM и I-CHEM; максимальная длина контекста — 512 токенов. Модель обучена на корпусе BC4CHEMD с аннотациями химических упоминаний в научных публикациях PubMed. Её можно применять для извлечения названий соединений из биомедицинской литературы и медицинских записей, поиска упоминаний лекарств и подготовки данных для фармакологических исследований и графов знаний. В README приведены результаты на BC4CHEMD: F1 0,954, точность 0,950 и полнота 0,958. Карточка указывает совместимость с Transformers и лицензию Apache-2.0. Модель рассчитана на английские биомедицинские тексты и химические сущности; качество на других языках и вне этой области не подтверждено. Результаты из карточки относятся к указанному корпусу и не гарантируют качество в каждом клиническом или исследовательском сценарии.

internlm2-math-plus-7b-IMat-GGUF — это квантизированная версия языковой модели internlm/internlm2-math-plus-7b, подготовленная пользователем legraphista в формате GGUF для запуска через llama.cpp. Базовая модель имеет размер 7B параметров, исходный тип данных BF16 и ориентирована на генерацию текста, прежде всего на математические задачи. Заявлены английский и китайский языки; поддержка других модальностей и размер контекста в README не указаны. Репозиторий предоставляет варианты с разными уровнями квантизации — от BF16 и FP16 до Q2, Q3, Q4, Q5, Q6, Q8 и IQ — что позволяет выбирать между качеством ответов и требованиями к памяти. Для ряда вариантов применена IMatrix-квантизация, предназначенная для улучшения сохранения качества при уменьшенной разрядности. Модель подходит для локального текстового вывода и математических сценариев при использовании совместимого ПО, однако квантизация может снижать точность по сравнению с исходной BF16-моделью, особенно на наиболее компактных вариантах. В README указана лицензия other, без дополнительных условий ее использования.

DeepGlint-AI/llava-mlcd-qwen2.5-7b — мультимодальная модель семейства LLaVA-Next, разработанная DeepGlint-AI. В ней визуальный энкодер MLCD используется вместе с языковой моделью Qwen2.5-7B, дообученной на общедоступных наборах LLaVA-Pretrain и LLaVA-NeXT-Data. Модель содержит 7,1 млрд параметров, имеет контекст 32 768 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для диалога и генерации ответов с учётом изображений. В экспериментах авторы заменили CLIP в LLaVA-Next на MLCD и сообщили о результатах на бенчмарках AI2D и ScienceQA_img; это демонстрирует применение модели к визуальным вопросам и задачам на понимание изображений. Метаданные Hugging Face классифицируют её как text-generation, поэтому задача image-text-to-text не добавляется к pipeline-тегам. README отмечает, что модели, обученные на более крупных наборах данных, могут лучше справляться с большим числом задач. В карточке приведены результаты экспериментов, но нет подробных инструкций по использованию или оценки качества за пределами указанных бенчмарков.

MA-Retriever — плотный ретривер, выпущенный вместе с набором данных MetaSyn и дообученный на базе BAAI/bge-large-en-v1.5. Он предназначен для поиска статей, связанных со списками включённых исследований в систематических обзорах, scoping-обзорах и метаанализах. Модель кодирует запросы и документы в нормализованные текстовые эмбеддинги, а затем ранжирует статьи по косинусному сходству. Запрос включает исследовательский вопрос и поля Population, Intervention или Exposure, Comparison и Outcome; документ состоит из заголовка и аннотации. Архитектура — BERT, размер — 433,9 млн параметров, максимальный контекст — 512 токенов. Основной язык — английский. На тестовом наборе из 86 отложенных обзоров средний Recall@20 составил 53,5%, а Recall@200 — 91,7%. Модель обучена на обзорах Nature Portfolio и корпусе, ориентированном на PubMed; качество может отличаться на других базах, языках и предметных областях. Результаты поиска требуют последующего отбора по протоколу и не должны трактоваться как решение о включении статьи. Лицензия — MIT.

Math IIO 7B Instruct — дообученная PrithivMLmods языковая модель на архитектуре Qwen2.5-7B-Instruct с 7,1 млрд параметров. Она предназначена для математических задач, пошаговых вычислений и ответов на инструкции; поддерживает диалоговый режим и контекст до 32 768 токенов. В карточке заявлена поддержка математической нотации с помощью дополнительных токенов. Модель подходит для решения задач от арифметики до математического анализа и линейной алгебры, объяснения решений в учебных сценариях и аналитических запросов. Она принимает текст и генерирует текст. Обучение связано с набором данных prithivMLmods/Math-IIO-68K-Mini. Лицензия — CreativeML Open RAIL-M.

MetaMath-Mistral-Pro — языковая модель TencentARC, дообученная на наборе математических задач MetaMathQA и основанная на Mistral-Pro. Это плотная авторегрессионная модель семейства Mistral с 8,9 млрд параметров, предназначенная для генерации текста и решения задач по математике. Модель принимает текстовые запросы и генерирует текстовые ответы; заявленная длина контекста составляет 32 768 токенов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-ChemicalDetect-BioMed-109M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученный трансформер на архитектуре BERT с 136,7 млн параметров, основанный на BiomedNLP-BiomedELECTRA-base-uncased-abstract. Модель выполняет токенную классификацию и присваивает токенам метки B-CHEM и I-CHEM; контекст — до 512 токенов. Модель обучена на корпусе BC4CHEMD и предназначена для извлечения названий химических соединений и веществ из научных публикаций, клинических записей и других медицинских документов. Её можно использовать для анализа упоминаний препаратов, мониторинга нежелательных явлений, поиска по биомедицинской литературе и построения графов знаний. README сообщает о F1 0,95 на BC4CHEMD, но не приводит подробностей независимой проверки этих показателей. Модель обрабатывает англоязычный текст и распространяется под лицензией Apache-2.0. Она выдаёт разметку химических сущностей, но не устанавливает взаимодействия препаратов, причинность нежелательных явлений или клиническую значимость найденных упоминаний.