IV.6Научные исследования, математика и новые материалы

OpenMed разработала эту специализированную модель для распознавания химических сущностей в биомедицинских текстах. Это дообученная модель семейства ModernBERT с архитектурой ModernBertForTokenClassification и примерно 394,7 млн параметров; она принимает текст и возвращает BIO-разметку токенов. Модель обучена на корпусе BC4CHEMD и распознаёт химические вещества и соединения, отмечая их тегами B-CHEM и I-CHEM. Контекст составляет до 8192 токенов. Модель предназначена для извлечения названий химических соединений и лекарств из научных публикаций, клинических записей и медицинских документов. Эти данные можно использовать для поиска упоминаний препаратов, анализа литературы и построения биомедицинских баз знаний. Карточка сообщает о F1 0,94 на BC4CHEMD, но не приводит подробностей независимой проверки на иных корпусах и типах текстов. Поддерживается английский язык. Лицензия Apache-2.0.

OpenMed разработала OpenMed-NER-DNADetect-ModernClinical-395M — дообученную модель семейства ModernBERT для распознавания и классификации биомедицинских сущностей в тексте. Она предназначена для извлечения белков, ДНК, РНК, клеточных линий и типов клеток из клинических документов, научных публикаций и биомедицинских текстов. В README указана базовая архитектура BioClinical-ModernBERT-large; модель содержит около 394,7 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Она выдаёт BIO-разметку токенов; карточка приводит для JNLPBA F1 0,78, точность 0,74 и полноту 0,83. Модель может применяться для поиска биомедицинских сущностей в медицинских записях и научной литературе, а также как этап извлечения данных для мониторинга нежелательных явлений, поиска информации для разработки лекарств и построения биомедицинских графов знаний. Обучение описано на корпусе JNLPBA с аннотациями пяти типов сущностей. Поддерживаемый язык — английский. Модель распространяется по лицензии Apache-2.0. Показатели относятся к указанному бенчмарку и не гарантируют ту же точность на произвольных клинических документах.

OpenMed разработала эту модель для распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученная модель ModernBERT для классификации токенов: она присваивает им метки BIO `B-GENE/PROTEIN` и `I-GENE/PROTEIN`, чтобы выделять границы сущностей. Веса занимают около 395 млн параметров; модель принимает текст с контекстом до 8192 токенов и распространяется в формате safetensors. Модель обучена на корпусе BC2GM и предназначена для извлечения генов и белков из научных публикаций, клинических записей и других медицинских документов. Такие извлечения можно использовать при поиске по литературе, анализе медицинских текстов и построении биомедицинских баз знаний. В README приведены F1 и precision 0,87, recall 0,87 и accuracy 0,96 на BC2GM; эти показатели относятся к указанному корпусу и не гарантируют такого же качества на других типах текста. Карточка сообщает об Apache 2.0. Модель обучена для англоязычной биомедицинской литературы, поэтому перенос на другие языки, документы с отличающейся терминологией и клинические сценарии требует отдельной проверки. Она выделяет только сущности генов и белков, а не все типы медицинских сущностей.

OpenMed разработала OpenMed-NER-GenomicDetect-ElectraMed-560M — дообученную модель XLM-RoBERTa для распознавания биомедицинских сущностей в тексте. Она классифицирует токены и выделяет сущности типа Cell-line-name в научной литературе и биомедицинских документах; карточка также описывает её как модель для распознавания сущностей, связанных с генами. Модель содержит 658,7 млн параметров, принимает токенизированный текст, выдаёт BIO-разметку и поддерживает контекст до 514 токенов. Модель обучена на корпусе GELLUS и предназначена для извлечения упоминаний клеточных линий и генетических сущностей, например, при анализе научных публикаций и поиске упоминаний в медицинских документах. Для клинических задач её результаты следует проверять: описанные в карточке метрики относятся к GELLUS, а метки, перечисленные для самой модели, ограничены Cell-line-name. Лицензия — Apache-2.0.

OpenMed-NER-GenomicDetect-ModernClinical-395M — модель OpenMed для распознавания и классификации биомедицинских сущностей в тексте. Это дообученный чекпойнт архитектуры ModernBERT для задачи NER; в карточке указана базовая архитектура BioClinical-ModernBERT-large. Модель содержит 394,7 млн параметров, принимает токенизированный текст и выдаёт BIO-разметку токенов. Контекст — до 8192 токенов. Модель предназначена для извлечения упоминаний генов и связанных сущностей из клинических документов и научной литературы, а также для текстового поиска в геномике и молекулярной биологии. README перечисляет метки B-Cell-line-name и I-Cell-line-name и указывает обучение на корпусе GELLUS; описанные результаты на этом корпусе не гарантируют качества на других данных. В метаданных указан английский язык и лицензия Apache-2.0.

OpenMed разработала OpenMed-NER-GenomicDetect-TinyMed-135M — модель DistilBERT для распознавания сущностей в биомедицинском тексте. Она дообучена на корпусе GELLUS и предназначена для извлечения упоминаний, связанных с геномикой; указанная метка сущности — название клеточной линии. Модель принимает токенизированный текст и выдаёт BIO-разметку токенов. Контекст ограничен 512 токенами. Модель подходит для обработки научной литературы и медицинских документов, а также для поиска упоминаний клеточных линий в геномных текстах. README приводит метрики на GELLUS: F1 0,99, точность 0,99 и полнота 0,98; эти результаты относятся к указанному набору данных и не гарантируют такого же качества на других текстах. Модель распространяется по лицензии Apache-2.0.

OpenMed/OpenMed-NER-OncologyDetect-ModernClinical-149M — модель OpenMed для распознавания и классификации биомедицинских сущностей в текстах об онкологии и генетике рака. Это дообученная модель ModernBERT для token classification с 149 млн параметров и контекстом до 8192 токенов. Она принимает токенизированный текст и возвращает метки сущностей в формате BIO, включая типы рака, генов и их продуктов, аминокислот, клеток, тканей, органов и химических веществ. Модель предназначена для извлечения сущностей из научной литературы, клинических текстов и медицинских документов. Её можно применять для поиска онкологических биомаркеров и генов, анализа литературы по раку и построения биомедицинских баз знаний. В README указаны обучение на BioNLP 2013 CG и F1 0,77, точность 0,78, полнота 0,77 и accuracy 0,92; эти результаты относятся к описанному бенчмарку и не гарантируют качество на других данных. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-PharmaDetect-MultiMed-568M — модель OpenMed для распознавания химических сущностей в биомедицинском тексте. Это дообученный трансформер XLM-RoBERTa с примерно 658,7 млн параметров, предназначенный для задачи классификации токенов. Модель принимает токенизированный текст и присваивает токенам BIO-метки B-CHEM и I-CHEM. Модель обучена на наборе BC5CDR_CHEM и предназначена для извлечения названий химических соединений, лекарств и других химических сущностей из научных публикаций и медицинских документов. Это может помогать при анализе литературы, извлечении упоминаний лекарств из записей и подготовке данных для последующей фармаконадзорной аналитики. В README приведены метрики F1 0,95, точность 0,94, полнота 0,96 и accuracy 0,99; они относятся к описанной оценке на BC5CDR_CHEM и не гарантируют такие же результаты на других текстах. Заявленная область контекста — 8194 токена. Карточка указывает английский язык. Модель распространяется под лицензией Apache-2.0. Она распознаёт химические сущности, но сама по себе не устанавливает лекарственные взаимодействия и не заменяет клиническую проверку результатов.

OpenMed-NER-PharmaDetect-TinyMed-65M — модель OpenMed для распознавания химических сущностей в биомедицинском тексте. Это дообученная модель DistilBERT для токенной классификации с примерно 65 млн параметров; она выделяет сущности метками B-CHEM и I-CHEM и возвращает BIO-разметку. Модель обучена на BC5CDR-Chem и рассчитана на англоязычные научные и медицинские тексты; максимальная длина контекста — 512 токенов. Модель предназначена для извлечения названий химических соединений и лекарств из аннотаций PubMed, медицинских записей и других биомедицинских документов. Такие извлечения могут использоваться при мониторинге нежелательных явлений, поиске лекарств в записях и анализе литературы. В карточке приведены показатели на BC5CDR-Chem: F1 0,95, точность 0,94 и полнота 0,95; эти результаты относятся к указанному набору данных и сами по себе не подтверждают качество на других текстах. Лицензия — Apache-2.0.

OpenMed-NER-ProteinDetect-ElectraMed-109M — модель распознавания биомедицинских сущностей, опубликованная OpenMed. Она выполняет токенную классификацию в текстах по биологии и медицине, выделяя белки, белковые комплексы, семейства и группы белков, варианты белков и другие связанные сущности. Модель дообучена на корпусе FSU для исследований взаимодействий белков и молекулярной биологии. Модель использует архитектуру BERT и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Она принимает токенизированный текст и возвращает метки сущностей в формате BIO. В README заявлены F1 0,90, точность 0,89, полнота 0,92 и accuracy 0,97 на FSU. Модель рассчитана на англоязычные биомедицинские тексты. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Oncology-Base-220M — модель OpenMed для распознавания и классификации сущностей в текстах по онкологии и генетике рака. Она основана на архитектуре GLiNER и дообучена на корпусе BioNLP 2013 CG, посвящённом сущностям и регуляторным процессам в онкологических исследованиях. Модель принимает биомедицинский текст и позволяет задавать типы сущностей для zero-shot извлечения без отдельного дообучения под каждый тип. Модель предназначена для извлечения генов и их продуктов, аминокислот, клеток, тканей, химических веществ, опухолевых образований и других биомедицинских сущностей. Её можно применять для анализа онкологической литературы, курирования данных о путях развития рака и поиска генов-драйверов. В README указана оценка F1 0,82 на тестовой выборке; это заявление карточки, а не независимая проверка. Метаданные указывают формат PyTorch, английский язык и лицензию Apache-2.0. Результаты zero-shot распознавания могут зависеть от выбранных меток и порога, а заявленные показатели и применимость к клиническим данным требуют проверки на целевом наборе текстов.

OpenMed/OpenMed-ZeroShot-NER-Oncology-Small-166M — специализированная модель OpenMed для распознавания именованных сущностей в текстах по онкологии и генетике рака. Это модель на архитектуре GLiNER, дообученная на корпусе BioNLP 2013 CG; размер — 166 млн параметров. Она принимает биомедицинский текст и позволяет задавать типы сущностей для извлечения без отдельного дообучения под каждую задачу. Среди поддерживаемых категорий — гены и продукты генов, аминокислоты, клетки, ткани, опухоли, химические вещества и анатомические структуры. Модель предназначена для извлечения сущностей из научной литературы и других биомедицинских текстов, в частности для курирования онкологических путей, анализа генов-драйверов и поиска сведений для прецизионной онкологии. В README указана оценка F1 0,70 на тестовом наборе; результаты зависят от текста, выбранных меток сущностей и порога предсказания. Карточка описывает поддержку английского языка. Модель распространяется по лицензии Apache-2.0.

SeongryongJung/qwen3-4b-chemistry-srpo-ema005 — языковая модель на основе Qwen3-4B, дообученная методом SRPO для задач химии. В репозитории опубликован последний чекпойнт обучения global_step_100 в формате Transformers; архитектура — плотная причинно-авторегрессионная Qwen3ForCausalLM, размер — около 3,7 млрд параметров, контекст — до 40 960 токенов. Модель принимает текст и генерирует текстовые ответы. Модель предназначена для генерации решений и ответов на химические задачи. В README приведена оценка mean@16 на валидации: лучший результат за время обучения составил 78,99% на шаге 70, а результат последнего опубликованного чекпойнта — 76,99%; лучший промежуточный чекпойнт не опубликован, поэтому эта оценка не относится к доступным весам. Доступна по лицензии Apache-2.0.

jackcai1206 выпустил jackcai1206/qwen3-4b-longcot-sft-vanilla — полное supervised fine-tuning модели Qwen3-4B-Base на математических данных с длинными цепочками рассуждений. Это плотная авторегрессионная языковая модель семейства Qwen3 с 3,7 млрд параметров и контекстом 32 768 токенов; архитектура не изменялась. Модель загружается через Transformers как обычная причинная языковая модель. Чекпойнт предназначен прежде всего для генерации подробных рассуждений при решении математических задач. Автор позиционирует его как базовый контрольный вариант для сравнения с другими дообучениями и как замороженную модель-учитель для дистилляции. В README приведена оценка 87,4 на MATH-500 при строгом оценивании. Веса представлены в bf16 и, согласно README, побитово соответствуют bf16-представлению весов, используемому при обучении и инференсе. Модель дообучена на базе Qwen/Qwen3-4B-Base и распространяется по лицензии Apache-2.0. Данных о поддерживаемых естественных языках нет; базовая модель является языковой, но основной язык этого чекпойнта не установлен.

Экспериментальный промежуточный чекпойнт Qwen3-8B-Base, дообученный компанией seomh методом SFT на математических диалогах из набора OpenThoughts3 Math. Модель плотная, авторегрессионная, содержит 7,6 млрд параметров и принимает текст, генерируя текст. Контекст — до 32 768 токенов; веса представлены в формате safetensors и bf16. Чекпойнт предназначен для генерации решений математических задач в формате диалога: обучающие ответы содержат рассуждение и завершаются выражением в \boxed{}. Это шаг 750 из запланированных 2000; автор сообщает, что модель ещё не оценивалась. Для генерации рекомендуется задавать max_new_tokens около 16 384. Лицензия — Apache-2.0.

Qwopus3.6-27B-v4 — мультимодальная модель на 27 млрд параметров, разработанная skiboyvv на основе Qwen3.6-27B. Она дообучена методом supervised fine-tuning на корпусе из 28 тысяч примеров с цепочками рассуждений, охватывающих математику, естественные науки, программирование и логические задачи. Обучение шло поэтапно: от коротких цепочек рассуждений к длинным, вплоть до 32 768 токенов в учебных примерах. Модель предназначена прежде всего для конкурсной математики, научных задач и пошагового решения сложных проблем. Она принимает текст и изображения и выдаёт текст; карточка указывает поддержку чата и обработки изображений. По данным README, на AIME 2025 результат вырос относительно базовой модели, но показатели на HMMT 2025 и GPQA Diamond снизились. Автор также отмечает ухудшение следования общим инструкциям, поэтому модель не рекомендуется как универсальная замена исходной. Лицензия — Apache-2.0.

noystl/recomb-pred-all-mpnet-base — модель Sentence Transformers, дообученная разработчиком noystl на базе sentence-transformers/all-mpnet-base-v2 для поиска и сравнения текстов о предсказании рекомбинации. Она использует архитектуру MPNet с усреднением токенных представлений и нормализацией и преобразует предложения и абзацы в плотные векторы размерностью 768. Для сравнения векторов рекомендуется косинусное сходство. В метаданных указан размер 136,7 млн параметров, библиотека sentence-transformers и контекст до 514 токенов; README указывает максимальную длину последовательности 384 токена. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок и кластеризации текстов. Она обучалась на наборе noystl/Recombination-Pred из 784 827 примеров с контрастивной функцией потерь; данные содержат запросы, ответы и метки. Модель принимает текст и выдаёт векторы, а не готовые ответы на запросы. Лицензия — CC.

Модель hongccccccc/roberta-abstract-section-classifier — дообученная версия RoBERTa-base для классификации предложений научных аннотаций по пяти риторическим разделам: BACKGROUND, OBJECTIVE, METHODS, RESULTS и CONCLUSIONS. Она использует архитектуру RobertaForSequenceClassification, содержит 151,8 млн параметров и принимает текст длиной до 514 токенов. Модель разработана для научных текстов на английском языке, а обучение проводилось на аннотациях PubMed. Модель подходит для автоматической разметки предложений аннотации по их роли, например, при структурировании и анализе научных публикаций. В README сообщается F1 0,92 на отложенной выборке; подробности оценки связаны с работой Wright et al. Модель распространяется по лицензии Apache-2.0.

STM — биомедицинская модель плотного поиска на базе Mistral-7B-Instruct-v0.2, разработанная для извлечения релевантных текстов в биомедицинских коллекциях. Веса четырёх специализированных экспертов объединены методом TIES; репозиторий использует архитектуру Mistral и библиотеку sentence-transformers. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Модель предназначена для поиска и сопоставления предложений и документов по смыслу, в частности для биомедицинского retrieval. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Метаданные также указывают поддержку извлечения признаков и эмбеддингов.

Карточка модели allenai/BAR-2x7B-Code-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.

CeLLaTe-ner-2class-pubmedbert-tapt-combData-tokenizer-adapted-spanmask-gazetters-lr_2.085 — англоязычная модель токенной классификации на архитектуре BERT, разработанная Mardiyyah. Это дообученная версия Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask-combinedData, обученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Модель предназначена для распознавания именованных сущностей в биомедицинских текстах с разметкой двух классов на уровне токенов. Модель содержит 138,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки токенов. На указанном в карточке наборе оценки достигнуты micro F1 0,7664 и accuracy 0,9834. Лицензия Apache-2.0. Карточка не описывает значения двух классов и не приводит подробностей о предполагаемом применении или ограничениях; показатели качества относятся только к указанному набору оценки.

CeLLaTe-ner-2class — англоязычная модель на архитектуре BERT для классификации токенов в биомедицинском тексте. Она дообучена на Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask с набором OTAR3088/CeLLaTe-ner-2class-iob_final и предназначена для извлечения сущностей с разметкой IOB в задаче NER. Модель содержит 138,2 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате Safetensors через Transformers. На оценочном наборе указаны micro F1 0,755, macro F1 0,7691 и точность 0,9837. Высокая точность при более умеренных показателях F1 означает, что для практического применения качество извлечения стоит проверять на целевых текстах. Лицензия — Apache-2.0.

DAM-3B (Describe Anything Model 3B) — мультимодальная модель NVIDIA, разработанная совместно с UC Berkeley и UCSF. Она предназначена для подробного локализованного описания содержимого изображений: пользователь задаёт область интереса с помощью точек, рамок, штрихов или бинарной маски, после чего модель генерирует текстовое описание соответствующего визуального региона с учётом контекста всего изображения. Основные сценарии применения — исследования, разработка и анализ изображений; модель также заявлена для локализованного описания видео, однако приведённые характеристики входных данных относятся к изображениям. Модель основана на VILA-1.5 и использует Transformer-архитектуру с компонентами ViT и Llama. Она содержит около 3 млрд параметров, принимает RGB-изображение и бинарную маску, а выдаёт текстовую строку с подробным описанием выбранной области. В архитектуре применяются механизм focal prompt, объединяющий глобальный контекст с локальными деталями, и визуальный backbone с gated cross-attention. В README указан английский язык. Для входа заявлено разрешение 384×384; поддерживаются NVIDIA Ampere, Hopper и Lovelace, предпочтительная операционная система — Linux, инференс выполняется через PyTorch. Сильная сторона DAM-3B — детальное описание конкретных областей изображения при сохранении связи с общим визуальным контекстом. Ограничения включают зависимость от заданной пользователем области, заявленную поддержку только английского языка, отсутствие сведений о количественных результатах в README и требования к совместимому оборудованию. Модель предназначена для исследований и некоммерческого использования и распространяется по NVIDIA Noncommercial License.

cmcheng/DeepMath-GRPO_DeepSeek-R1-Distill-Qwen-1.5B — языковая модель, дообученная методом GRPO на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Она предназначена для генерации текста и решения математических задач в диалоговом формате. Модель имеет плотную архитектуру Qwen2, 1,5 млрд параметров и контекстное окно до 131 072 токенов; репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Для обучения применялись bf16 и DeepSpeed; указаны 97 870 обучающих примеров из zwhe99/DeepMath-103K и 5 000 шагов обучения. Карточка не сообщает результаты оценки качества или условия лицензии, поэтому их нельзя определить по доступным данным.

Thermostatic/deepseek-math-10.8b-rl — плотная текстовая авторегрессионная модель семейства Llama, созданная объединением предобученных языковых моделей с помощью линейного метода mergekit. В карточке указана DeepSeekMath-7B-RL от DeepSeek как включённая в объединение модель; каталог также связывает её с чекпойнтом как с базовой моделью для дообучения. Размер модели — 10,3 млрд параметров, контекст — 4096 токенов. Модель предназначена для генерации текста в диалоговом формате и решения математических задач. Её можно использовать для получения ответов и пошаговых объяснений по математическим вопросам. Карточка не описывает отдельные оценки качества или дополнительные языки, поэтому выводы о них сделать нельзя. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

entfane/math-genius-7B-GGUF — это набор квантизированных версий языковой модели math-genius-7B, разработанной entfane. Квантизацию выполнил bartowski с использованием llama.cpp, включая метод imatrix. Модель предназначена для локальной генерации текста и запускается через llama.cpp, LM Studio и другие совместимые проекты. Исходная модель имеет размер 7B параметров, но README не содержит подробностей об архитектуре, поддерживаемых языках, модальностях или размере контекстного окна. Доступны варианты от BF16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K и Q3/Q2, что позволяет выбирать между качеством ответов, размером файла и требованиями к оперативной памяти. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5_K и Q6_K; низкобитные версии экономят память, но могут заметно уступать по качеству. Модель ориентирована на задачи, связанные с математической генерацией и рассуждениями, однако точные возможности и формат промптов в README не описаны. Условия лицензирования не указаны, поэтому перед использованием необходимо проверить лицензию исходной модели math-genius-7B и условия распространения квантизированных файлов.

QuantFactory/internlm2-math-plus-1_8b-GGUF — это квантизированная версия языковой модели InternLM2-Math-Plus-1.8B, созданная с помощью llama.cpp на основе internlm/internlm2-math-plus-1_8b. Модель разработана командой InternLM как двуязычная открытая LLM для математического рассуждения на английском и китайском языках. Модель предназначена для решения математических задач, неформального пошагового рассуждения, генерации и проверки доказательств, а также перевода математических утверждений в LEAN 4 и формального доказательства теорем. Указан размер 1,8 млрд параметров; формат GGUF ориентирован на запуск совместимых моделей через llama.cpp. Модель работает с текстом, а поддержка других модальностей не заявлена. По данным README, модель показывает результаты на бенчмарках MATH, GSM8K и MiniF2F-test: 37,0 на MATH, 41,5 на MATH с использованием Python, 58,8 на GSM8K и 38,9 на MiniF2F-test. К сильным сторонам относятся специализация на математике, двуязычность и относительно небольшой размер. Ограничения включают узкую предметную специализацию, возможные ошибки в рассуждениях и доказательствах, а также отсутствие данных о размере контекста, системных требованиях и подробных инструкциях по применению. В карточке указана лицензия other, но её конкретные условия не раскрыты.

CorticalStack/mistral-7b-metamathqa-sft — модель Mistral для генерации текста, дообученная методом supervised fine-tuning на наборе MetaMathQA от meta-math. Она предназначена для ответов на математические вопросы и решения задач в диалоге. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Карточка указывает LoRA-параметры: r=256, alpha=128, dropout=0; в репозитории представлены веса safetensors. Модель может быть полезна для получения пошаговых решений и объяснений по математическим задачам. Базой для дообучения была 4-битная версия unsloth/mistral-7b-bnb-4bit. Лицензия — Apache-2.0. Карточка не сообщает о дополнительных ограничениях качества или безопасности.

MistralMath-7B-v0.1 — созданная автором карточки языковая модель, полученная слиянием Mistral-7B-v0.1, WizardMath-7B-V1.1 и MetaMath-Mistral-7B методом DARE-TIES с помощью LazyMergekit. Модель с архитектурой MistralForCausalLM содержит 7,1 млрд параметров и рассчитана на генерацию текста, в первую очередь решений математических задач и ответов на вопросы. Естественный язык ввода и вывода — текст; контекст составляет до 32 768 токенов. Модель подходит для пошагового решения математических задач и создания ответов с объяснениями. В репозитории представлены веса Safetensors; конфигурация слияния задаёт тип float16. Лицензия в предоставленных данных не указана.

OPDLM-MATH-8B — основанная на Qwen/Qwen3-8B языковая модель от divelab, дополнительно обученная методом on-policy distillation для математических рассуждений. Это базовый вариант без отдельного thinking-блока цепочки рассуждений; модель использует архитектуру block diffusion с блоками по 4 токена и четырьмя шагами денойзинга на блок. Модель предназначена для генерации текста при решении математических задач. В карточке указаны контекст 40 960 токенов и лицензия Apache-2.0; README описывает математическое дообучение на коротком контексте 2k. Для запуска требуется пользовательский код модели и проектные средства инференса с параметрами block_size=4 и denoising_steps_per_block=4; стандартный авторегрессионный model.generate не подходит.