IV.6Научные исследования, математика и новые материалы

NuminaMath-7B-TIR-GGUF — квантизированная в формате GGUF версия модели NuminaMath-7B-TIR, разработанной AI-MO и подготовленной квантизацией bartowski с использованием llama.cpp. Модель предназначена для генерации решений математических задач с пошаговыми рассуждениями, включая задачи, где может потребоваться выполнение кода или инструментов. В README приведён пример решения задачи на поиск целочисленных корней квадратного многочлена. Модель имеет размер 7B параметров в исходной версии и относится к моделям генерации текста. Доступны варианты от F32 до низкобитных квантизаций Q8_0, Q6_K, Q5_K, Q4_K, IQ4 и Q3_K; размер файлов составляет примерно от 3,29 до 27,65 ГБ. Более высокие варианты квантизации обеспечивают лучшее сохранение качества, тогда как низкобитные версии требуют меньше оперативной памяти, но могут давать менее точные результаты. Формат ориентирован на запуск через llama.cpp и совместимые инструменты. README не содержит сведений об архитектуре базовой модели, максимальном контексте, поддерживаемых языках, мультимодальности, результатах бенчмарков или ограничениях математических рассуждений. Модель распространяется по лицензии Apache-2.0.

TNG Technology Consulting дообучила плотную языковую модель OLMo-2 на 32 млрд параметров на наборе Open R1, уделив особое внимание математическим рассуждениям. Модель предназначена для диалогового решения математических задач и генерации ответов с рассуждениями на английском языке. Она принимает текст и выдаёт текст; архитектура — Olmo2ForCausalLM, длина контекста — 4096 токенов. Для обучения использовался набор Open R1 Math 220k, а обучение проводилось на ускорителях AMD MI300X. Модель распространяется в формате safetensors по лицензии Apache-2.0. Основа — allenai/OLMo-2-0325-32B-Instruct.

Olmo 3.1 7B RL-Zero Math — экспериментальная языковая модель Allen Institute for AI (Ai2), созданная дообучением Olmo-3-1025-7B методом обучения с подкреплением по проверяемым наградам на наборе Dolci-RL-Zero-Math-7B. Это плотная авторегрессионная Transformer-модель примерно с 6,9 млрд параметров, предназначенная для генерации текста и решения математических задач с многошаговыми рассуждениями. Модель принимает текст, поддерживает английский язык и имеет контекст до 65 536 токенов. Модель рассчитана на исследование RLVR и применение в сценариях математического рассуждения; также может использоваться для генерации текстовых ответов и дальнейшей адаптации. Распространяется в формате safetensors и поддерживается библиотекой Transformers. Лицензия — Apache 2.0; Ai2 указывает исследовательское и образовательное назначение в соответствии с рекомендациями Responsible Use. Ответы могут содержать ошибки и предвзятость, а отсутствие фильтрации безопасности означает, что модель может выдавать вредный или чувствительный контент. Математические результаты следует проверять.

OPDLM-MATH-8B-Thinking — математическая языковая модель, разработанная DiveLab и построенная на адаптации Qwen/Qwen3-8B. Это вариант OPDLM с блочной диффузионной генерацией: блоки по 4 токена обрабатываются за 4 шага денойзинга; модель дообучена для математических рассуждений и поддерживает явный блок chain-of-thought при генерации. Она предназначена для решения математических задач и пошагового вывода в диалоговом формате. Модель содержит 7,6 млрд параметров, использует архитектуру a2d-qwen3 и формат safetensors; метаданные указывают контекст до 40 960 токенов, тогда как README характеризует математическое постобучение как длинноконтекстное на 8k. Для запуска требуется custom modeling code с trust_remote_code=True и специальные средства инференса OPDLM, а стандартный авторегрессионный model.generate не подходит. Лицензия — Apache-2.0.

OpenMath2-Llama3.1-70B — модель NVIDIA, полученная дообучением Meta Llama 3.1 70B Base на наборе OpenMathInstruct-2. Она предназначена для решения математических задач и генерации пошаговых ответов в диалоге, использующем формат чата Llama 3.1. Модель содержит 69,5 млрд параметров, построена на плотной архитектуре Llama и работает с контекстом до 131 072 токенов. В README указано, что на тесте MATH модель превосходит Llama 3.1 70B Instruct на 3,9%. Это специализированный чекпойнт: он не проходил дообучение на общих инструкциях, поэтому качество ответов за пределами математики может быть низким. Поддерживаемый язык карточки — английский. Для использования действуют условия лицензии Llama 3.1, включая лицензионные условия, политику допустимого использования и политику конфиденциальности Meta.

skyai798/openmathinstruct2-mix-sft — дообученная модель на базе meta-llama/Llama-3.1-8B-Instruct, созданная с использованием набора данных openmathinstruct2-mix-100k. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста и диалогов; карточка указывает интерфейс вызова инструментов. В контексте математического набора данных модель может применяться для генерации ответов на математические запросы. Модель использует Transformers и формат safetensors. Заявленная длина контекста — 131072 токена. Лицензия обозначена как other; конкретные условия в предоставленных данных не раскрыты.

OpenMed разработала OpenMed-NER-GenomeDetect-TinyMed-65M — специализированную модель на базе DistilBERT для распознавания упоминаний генов и белков в биомедицинских текстах. Это модель классификации токенов с разметкой BIO; она выделяет сущности типов B-GENE/PROTEIN и I-GENE/PROTEIN. Архитектура — DistilBertForTokenClassification, размер — 65 млн параметров, максимальная длина контекста — 512 токенов. Модель дообучена на корпусе BC2GM и предназначена для извлечения генов и белков из научной литературы и медицинских документов, а также для текстового майнинга в геномике и молекулярной биологии. В README приведены результаты на BC2GM: F1 0,87, точность 0,86, полнота 0,87 и accuracy 0,95. Указана совместимость с Transformers; веса опубликованы в формате safetensors. Модель рассчитана на английский язык. Результаты на других языках и клиническая применимость за пределами описанных сценариев не подтверждены; указанная оценка относится к BC2GM. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-GenomicDetect-ModernMed-149M — модель на базе ModernBERT, дообученную для распознавания геномных сущностей в биомедицинском тексте. Она принимает токенизированный текст и выдаёт BIO-разметку для токенов; в карточке указана метка cell-line-name. Модель содержит 149 млн параметров, поддерживает контекст до 8192 токенов и рассчитана на английский язык. Модель предназначена для извлечения упоминаний клеточных линий и связанных геномных сущностей из научной литературы и биомедицинских документов, в том числе для текстового поиска и построения баз знаний. В README указаны обучение на корпусе GELLUS и показатели F1 0,98, точности 0,99 и полноты 0,98, однако описание меток ограничено типом cell-line-name, поэтому заявления о широком извлечении генов, вариантов и лекарств следует трактовать осторожно. Для работы требуется токенизация текста и последующая группировка токенных предсказаний в сущности. Лицензия — Apache-2.0.

OpenMed-NER-GenomicDetect-SnowMed-568M — специализированная модель OpenMed для распознавания геномных сущностей в биомедицинских текстах. Это дообученная модель XLM-RoBERTa для токенной классификации с примерно 658,7 млн параметров и контекстом до 8194 токенов. Она принимает токенизированный текст и возвращает BIO-разметку; README указывает метку Cell-line-name, хотя описывает назначение модели как распознавание генов и генетических сущностей. Модель предназначена для извлечения упоминаний сущностей из научной литературы и клинических документов, а также для геномного текстового анализа и построения биомедицинских баз знаний. В карточке заявлены обучение на корпусе GELLUS и высокая точность на этом наборе, но приведённые показатели не гарантируют такого же качества на других данных или типах сущностей. Поддержка английского указана в метаданных. Лицензия — Apache-2.0.

OpenMed-NER-GenomicDetect-SuperMedical-125M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученная для token classification модель на архитектуре RoBERTa; в карточке указаны 151,8 млн параметров и контекст до 514 токенов. Модель обучена на корпусе GELLUS и распознаёт сущности типа Cell-line-name, выдавая BIO-разметку токенов. Модель предназначена для извлечения упоминаний клеточных линий из биомедицинской литературы и клинических текстов, а также для текстового анализа в исследованиях геномики и молекулярной биологии. Карточка приводит высокие метрики на GELLUS, однако их независимая проверка и переносимость на другие наборы данных не описаны. Указана лицензия Apache-2.0.

OpenMed-NER-OncologyDetect-ModernClinical-395M — специализированная модель OpenMed для распознавания именованных сущностей в биомедицинских текстах, дообученная на корпусе BioNLP 2013 CG. Она предназначена для извлечения связанных с онкологией сущностей из научных публикаций и клинических документов, включая гены и продукты генов, виды рака, клетки, ткани, органы, аминокислоты и химические вещества. Модель использует архитектуру ModernBERT для классификации токенов, содержит около 395 млн параметров и принимает токенизированный биомедицинский текст. Контекст — до 8192 токенов; результатом служат метки сущностей в формате BIO. В карточке указаны F1 и точность 0,85, полнота 0,85 и accuracy 0,94 на описанном наборе данных. Модель совместима с Transformers и распространяется по лицензии Apache-2.0. Подходит для поиска онкологических и генетических сущностей в научной литературе и клинических документах, а также для подготовки данных для биомедицинского анализа и построения графов знаний. Качество подтверждено для BioNLP 2013 CG; результаты на других типах документов и клинических сценариях могут отличаться. Это модель извлечения сущностей, а не система для постановки диагноза или принятия лечебных решений.

OpenMed-NER-ProteinDetect-SuperMedical-355M — модель распознавания биомедицинских сущностей, разработанная OpenMed и дообученная на корпусе FSU. Она использует архитектуру RoBERTa для классификации токенов и выделяет упоминания белков, белковых комплексов, семейств и вариантов в научных и медицинских текстах. Модель рассчитана на извлечение сущностей из литературы и документов для биомедицинского анализа, включая поиск взаимодействий белков и построение баз знаний. Модель принимает токенизированный текст и возвращает BIO-метки для токенов. В карточке указаны 454,1 млн параметров и контекст до 514 токенов; заявленная лицензия — Apache-2.0. README сообщает о результатах на FSU: F1 0,95, точность 0,95, полнота 0,96 и accuracy 0,97. Эти показатели относятся к указанному корпусу и не гарантируют такое же качество на других данных.

OpenMed-NER-ProteinDetect-TinyMed-65M — модель OpenMed для распознавания белковых сущностей в биомедицинском тексте. Это дообученная для token classification модель на базе DistilBERT; README указывает базовую архитектуру distilbert-base-cased и обучение на корпусе FSU, посвящённом белковым взаимодействиям и молекулярной биологии. Модель размечает токены BIO-тегами и выделяет белки, белковые комплексы, семейства и варианты. Контекст составляет 512 токенов, вход — текст, выход — метки сущностей. Модель предназначена для извлечения белковых упоминаний из научной литературы, биомедицинских документов и клинических текстов, а также для подготовки данных для анализа взаимодействий белков и построения биомедицинских баз знаний. В README приведены показатели на FSU: F1, точность и полнота 0,91, accuracy 0,97. Эти результаты относятся к указанному корпусу и не гарантируют такое же качество на других типах текстов. Модель распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-NER-SpeciesDetect-ElectraMed-109M — модель распознавания видов и организмов в биомедицинских текстах. Это дообученный трансформер для классификации токенов: он отмечает названия организмов тегами B-SPECIES и I-SPECIES, формируя BIO-разметку. Модель обучена на корпусе LINNAEUS и принимает токенизированный текст; контекст — до 512 токенов. В метаданных указана архитектура BERT и 136,7 млн параметров, а в README базовая архитектура названа e5-base-v2. Модель предназначена для извлечения упоминаний видов из научной литературы и других биомедицинских документов, а также для последующей индексации и анализа таких упоминаний. В README приведены F1 0,78, точность 0,72 и полнота 0,84; эти показатели следует учитывать при проверке результатов на целевых данных. Репозиторий использует формат safetensors, лицензия — Apache-2.0.

OREAL-32B-SFT — языковая модель для математических рассуждений, разработанная командой OREAL и представленная как часть серии OREAL. Это дообученная методом supervised fine-tuning модель Qwen2.5-32B с архитектурой Qwen2ForCausalLM и 32 млрд параметров. Она принимает текстовые вопросы и генерирует текстовые решения; заявленная длина контекста составляет 131 072 токена. Модель предназначена для решения математических задач с пошаговыми рассуждениями и ответами на вопросы. В README описана как исходная политика для последующего обучения OREAL с подкреплением по итоговому вознаграждению. Для серии OREAL приведены результаты оценивания, включая 95,0 pass@1 на MATH-500 для OREAL-32B, однако карточка не уточняет, что именно эта оценка относится к варианту SFT. В метаданных указаны возможности чата и интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. Заявленная специализация на математике ограничивает её применимость к другим областям; приведённые в карточке результаты относятся к серии OREAL и не подтверждают отдельно качество этого SFT-чекпойнта на всех перечисленных тестах.

OREAL-DeepSeek-R1-Distill-Qwen-7B — языковая модель для математических рассуждений, разработанная авторами проекта OREAL и дообученная на DeepSeek-R1-Distill-Qwen-7B методом обучения с подкреплением по результату. В карточке описана серия OREAL, использующая outcome reward-based reinforcement learning для задач с бинарной оценкой результата; для этой версии указана архитектура Qwen2, 7,1 млрд параметров и контекст до 131 072 токенов. Модель предназначена для генерации пошаговых решений математических задач и диалогового использования через chat template. Авторы сообщают о результате 94,0 pass@1 на MATH-500 для 7B-модели OREAL; этот показатель относится к заявленной оценке разработчиков и не гарантирует аналогичное качество на других задачах. Модель работает с текстом и ориентирована прежде всего на математические рассуждения; README не задаёт отдельные языки обучения или использования. Модель распространяется в формате Safetensors для Transformers по лицензии Apache-2.0. В README описаны длинные цепочки рассуждений и обучение на задачах с разреженной бинарной наградой; поэтому ответы могут содержать много промежуточных рассуждений, а качество зависит от предметной области и формулировки задачи.

google/pix2struct-ai2d-large — модель Google семейства Pix2Struct, дообученная для визуальных вопросов и ответов по изображениям AI2D. Она принимает изображение вместе с вопросом и генерирует текстовый ответ; для этой версии рекомендуется формат вопроса с вариантами ответа. Архитектура — визуальный энкодер и текстовый декодер Pix2Struct; предобучение модели основано на преобразовании замаскированных снимков веб-страниц в упрощённый HTML. Модель рассчитана на визуально обусловленные задачи, включая понимание иллюстраций и диаграмм. Карточка описывает дообучение для VQA, а метаданные указывают задачу visual-question-answering и поддержку английского, французского, румынского и немецкого языков. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

Qwen2.5-Math-1.5B — математическая языковая модель семейства Qwen, разработанная командой Qwen. Это базовая модель с плотной архитектурой Qwen2 и 1,5 млрд параметров, дообученная на основе Qwen/Qwen2.5-1.5B. Она генерирует продолжение текста и предназначена прежде всего для решения математических задач на английском и китайском языках с использованием пошаговых рассуждений (CoT); серия также поддерживает рассуждения с подключением инструментов (TIR). Модель рассчитана на завершение текста и few-shot-инференс и может служить отправной точкой для дальнейшего дообучения. Контекст составляет 4096 токенов. Для работы рекомендуется Transformers версии 4.37.0 или новее; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Разработчики не рекомендуют применять модель для задач, отличных от математики. Карточка отдельно указывает, что вариант 1.5B без суффикса Instruct является базовой моделью для completion и few-shot, а не инструкционной моделью для диалога.

Qwen2.5-Math-7B — языковая модель семейства Qwen2.5, разработанная командой Qwen и опубликованная Unsloth. Это базовая модель на архитектуре Qwen2 с 7,1 млрд параметров, предназначенная для продолжения текста и математических рассуждений. Для ответов на математические задачи серия поддерживает пошаговое рассуждение Chain-of-Thought и Tool-integrated Reasoning; модель рассчитана прежде всего на английский и китайский языки. Модель подходит для генерации решений математических задач, пошаговых объяснений и few-shot-примеров, а также как основа для дальнейшего дообучения. Контекст составляет 4096 токенов. README предостерегает от применения серии для задач вне математики. Репозиторий распространяется в формате safetensors и использует лицензию Apache-2.0.

Qwen3-1.7B STEM Proof Distilled (DISC v3) — языковая модель Convergent Intelligence LLC, дообученная дистилляцией на примерах рассуждений по точным и естественным наукам. Она предназначена для генерации пошаговых решений задач с последовательным выводом и итоговым ответом. Модель использует причинную архитектуру Qwen3 с 1,7 млрд параметров, принимает текст и генерирует текст; заявленный контекст — 40 960 токенов. В обучении применялись повышенный вес для фрагментов доказательства, взвешивание дистилляции на токенах-переходах рассуждения и регуляризация структурных расхождений. Обучающая выборка включает 6 122 примера по физике, математике, линейной алгебре, дифференциальным уравнениям, электромагнетизму, инженерным дисциплинам, физиологии и молекулярной биологии. Модель может быть полезна для черновых решений STEM-задач и объяснения хода вывода, но качество на конкретных задачах в карточке не подтверждено; ответы следует проверять. Лицензия — Apache-2.0. Метаданные указывают базовую модель Qwen/Qwen3-1.7B, тогда как README описывает дистилляцию от Qwen3-30B-A3B; базовая модель для классификации производной указана по метаданным.

Qwen3-4B-Instruct-2507-review-point-oneshot-sft — исследовательский чекпойнт, дообученный методом supervised fine-tuning на базе Qwen/Qwen3-4B-Instruct-2507. Модель принимает текст научной статьи и инструкцию и генерирует нумерованный список до девяти замечаний для рецензирования. Режим рассуждений Qwen отключён. Чекпойнт предназначен для подготовки черновых замечаний к научным работам и изучения подхода one-shot review-point GRPO. Архитектура — плотная Qwen3ForCausalLM с 3,7 млрд параметров; контекст — до 262 144 токенов. Модель работает с текстом и распространяется в формате safetensors по лицензии Apache-2.0. Результаты и фактические утверждения в рецензиях требуют независимой проверки перед важным использованием. Модель описана как исследовательский чекпойнт, поэтому качество и надёжность замечаний не следует считать гарантированными.

SciFive-base-PMC — англоязычная модель семейства T5, разработанная авторами работы SciFive для работы с биомедицинской литературой. Это трансформер text-to-text на 123,8 млн параметров, дообученный на корпусе открытых статей PMC. Метаданные Hugging Face указывают задачу text-classification; архитектура модели поддерживает генерацию текста по схеме T5. Модель подходит для классификации текстов биомедицинских публикаций и других задач анализа научной литературы, которые можно представить как преобразование текста в текст. В карточке указан английский язык и контекст до 1024 токенов. Репозиторий содержит веса PyTorch, Safetensors и TensorFlow. Лицензия в предоставленных данных не указана.

Ulam-1-Small — языковая модель на 3,1 млрд параметров от Ulam AI для математических рассуждений, решения задач и исследовательской работы с доказательствами. Это плотная causal language model на архитектуре Qwen2; модель распространяется в формате BF16 для Transformers. В метаданных указан контекст 131 072 токена, однако фактическая длина доступного контекста зависит от памяти и настроек развертывания. Модель предназначена для исследовательского решения математических задач, подготовки рассуждений в стиле доказательств и изучения компактных моделей рассуждения. Она обучена на материалах по математическим олимпиадным задачам и исследовательским рассуждениям и поддерживает диалоговый режим. Основной язык карточки — английский. Сгенерированные доказательства, контрпримеры и утверждения могут содержать существенные ошибки и требуют независимой экспертной проверки; модель не является системой формальной верификации. Она также не проверена для вызова инструментов или автономной работы агента. Лицензия MIT разрешает коммерческое и некоммерческое использование.

VPPO-7B — мультимодальная модель зрения и языка с 7,1 млрд параметров, разработанная авторами VPPO-RL. Это дообученная с помощью алгоритма Visually-Perceptive Policy Optimization (VPPO) версия Qwen2.5-VL-7B-Instruct. Модель принимает изображения и текст и предназначена для рассуждений по визуальной информации, особенно при решении задач по математике, геометрии и логике. VPPO обучалась на наборе ViRL39K с мультимодальными задачами на рассуждение. В README заявлены улучшения на нескольких бенчмарках по математике, геометрии и логике, а также более стабильное обучение и быстрая сходимость. Архитектура — Qwen2.5-VL для генерации текста по визуальному и текстовому контексту; контекстное окно составляет 128 000 токенов. Модель доступна в формате safetensors и распространяется по лицензии MIT.

AceMath-7B-Instruct — языковая модель NVIDIA для решения математических задач на английском языке. Она основана на архитектуре Qwen2 и содержит 7,1 млрд параметров; модель обучена в несколько этапов: сначала на данных общего инструкционного обучения, затем на специализированных математических данных. Для ответов используется рассуждение по цепочке мыслей (Chain-of-Thought). Модель принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Модель предназначена прежде всего для решения математических задач и пошагового вывода. NVIDIA сообщает о результатах, превосходящих Qwen2.5-Math-7B-Instruct на ряде математических тестов. Карточка рекомендует использовать семейство AceMath именно для математики, поэтому пригодность для других задач не заявлена. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Это англоязычная модель BERT для биомедицинских текстов, разработанная ajitrajasekharan и предварительно обученная с нуля на корпусах PubMed, клинических исследований и небольшой части BookCorpus. Модель использует регистрозависимый токенизатор с пользовательским словарём, содержит 432,3 млн параметров и принимает последовательности длиной до 512 токенов. Основная задача модели — предсказывать замаскированные токены. В README также описан подход к извлечению именованных сущностей без дополнительного дообучения: предсказания модели объединяют с BERT base cased, чтобы выявлять 69 подтипов сущностей в 17 группах. Это описанный сценарий использования, а не отдельная задача из pipeline_tag. Модель распространяется в формате PyTorch по лицензии MIT. Предсказания fill-mask могут включать частотные слова и пунктуацию, не содержащие сведений о сущностях; в описанном подходе такие варианты фильтруются. Для NER в README указана схема ансамблирования с другой моделью.

Aurigene AI размещает зеркальную копию BioMistral-7B — плотной авторегрессионной модели семейства Mistral с 7,1 млрд параметров. Исходная модель BioMistral создана на основе Mistral-7B-Instruct-v0.1 и дополнительно предобучена на открытых статьях PubMed Central; карточка описывает её как чат-модель для биомедицинских задач и суммирования научных данных. Контекст в метаданных составляет 32 768 токенов. Модель предназначена для генерации текста, ответов на вопросы по биологии и медицине, а также краткого изложения научной литературы и данных о доказательствах. В карточке приведены результаты оценки на англоязычных медицинских QA-бенчмарках и их переводах на другие языки, но надёжность в реальной клинической практике не оценивалась. Модель не следует использовать для принятия профессиональных медицинских решений без специального выравнивания и тщательной проверки. Репозиторий использует формат PyTorch и лицензию Apache-2.0.

CeLLaTe-ner-2class-bioformer16l-baseline-with-gazetteers-lr_2.10 — дообученная модель семейства BERT на базе bioformers/bioformer-16l для классификации токенов. Она предназначена для распознавания именованных сущностей в англоязычном биомедицинском тексте; в README указано обучение на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. На тестовой выборке приведены значения micro F1 0,7749, precision 0,7897 и recall 0,7607. Модель содержит 50,3 млн параметров, использует формат safetensors и библиотеку Transformers; длина контекста — 1024 токена. Лицензия — Apache-2.0. В README не описаны классы сущностей, применение газеттеров и ограничения модели, поэтому её качество и пригодность для конкретных категорий биомедицинских текстов следует оценивать на целевых данных.

LFM2-350M-Math — компактная языковая модель Liquid AI для решения сложных математических задач. Это дообученная версия LFM2-350M с плотной архитектурой LFM2; в репозитории указано 444,6 млн параметров, поддержка контекста до 128 000 токенов и формат safetensors. Модель принимает текст и генерирует текстовые ответы в диалоговом шаблоне, рассчитана на английский язык. Модель предназначена для математических задач, требующих пошагового рассуждения и проверки ответа, включая сложные олимпиадные задачи. Разработчик рекомендует однократные диалоги и жадное декодирование с заданными параметрами генерации; системный промпт не рекомендуется. Компактный размер ориентирован на низкую задержку и локальный запуск на периферийных устройствах. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

Карточка модели MathLLMs/MathCoder-VL-2B на Hugging Face совпадает с карточкой MathLLMs/MathCoder-VL-8B, поэтому описание составлено по ней. MathCoder-VL-8B — мультимодальная модель семейства InternVLChat, разработанная MathLLMs для решения математических задач по изображениям и тексту. Она дообучена на базе OpenGVLab/InternVL2-8B и предназначена для общего математического решения задач, включая вопросы по диаграммам, графикам, геометрическим рисункам и другим визуальным материалам. Модель принимает изображения и текстовые запросы и формирует текстовые ответы с математическими рассуждениями. В метаданных указаны архитектура InternVLChat, формат safetensors, библиотека Transformers и поддержка английского языка. Распространяется по лицензии Apache-2.0. Карточка рекомендует использовать код обучения и вывода InternVL; подробности контекстного окна и дополнительные ограничения не приведены.