IV.6Научные исследования, математика и новые материалы

Llama-OpenReviewer-8B-GGUF — это квантизированная GGUF-версия модели Llama-OpenReviewer-8B, разработанной maxidl и подготовленной квантизатором bartowski с использованием llama.cpp. Модель предназначена для генерации рецензий и автоматизированной обратной связи по научным статьям, рукописям и материалам конференций, включая сценарии, связанные с OpenReview. Модель основана на архитектуре Llama и имеет размер 8B параметров. Указана поддержка английского языка и текстовый режим работы. Репозиторий содержит варианты от F16 до низкобитных Q2 и IQ-квантизаций размером примерно от 3,18 до 16,07 ГБ; рекомендуемыми названы, в частности, Q4_K_M, Q5_K_M, Q6_K и другие варианты с высоким качеством. Для запуска предлагаются llama.cpp и LM Studio, а в README приведён соответствующий шаблон промпта. К сильным сторонам относятся специализация на научном рецензировании, наличие множества вариантов квантизации и возможность локального запуска на оборудовании с разным объёмом памяти. Более агрессивная квантизация уменьшает требования к памяти, но снижает качество; варианты Q2 и Q3 имеют низкое качество, тогда как F16 требует около 16 ГБ. Длина контекста, точные архитектурные параметры и результаты бенчмарков в предоставленных данных не указаны. Модель распространяется по лицензии llama3.1.

anmol-unitmole/longformer-qasper-document-qa — модель извлечения ответов из научных статей, созданная дообучением Longformer на подмножестве QASPER v0.3. Она принимает вопрос и текст документа и предсказывает один непрерывный фрагмент текста в качестве ответа. Модель основана на valhalla/longformer-base-4096-finetuned-squadv1, использует архитектуру LongformerForQuestionAnswering и содержит 151,8 млн параметров; контекст — до 4098 токенов. Модель рассчитана на поиск ответов, которые явно присутствуют в тексте научной статьи, и может помочь извлечь фрагмент-ответ вместе с его текстовыми свидетельствами. В проверке на 200 извлекаемых примерах из валидационной выборки QASPER она превзошла указанные в карточке базовые варианты, однако Exact Match составил 12,5%, а Token F1 — 26,66%, поэтому результаты не подтверждают надёжность для производственного применения. Обучение исключало вопросы с ответами «да/нет», отсутствующими или неразрешёнными ответами, свободными формулировками и несколькими фрагментами. Лицензия — MIT.

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.

abacusai/MetaMath-bagel-34b-v0.2-c1500 — языковая модель для генерации текста, дообученная на наборе MetaMathFewshot на основе pre-DPO Bagel. Карточка указывает на семейство Llama и плотную архитектуру LlamaForCausalLM; размер составляет 33,9 млрд параметров, контекст — до 200 000 токенов. Модель предназначена для диалогового применения и задач математического рассуждения в формате few-shot. В README приведено сравнение с MetaMath-Mistral-7B, но таблица результатов этой модели не заполнена, поэтому оценить её качество по указанным бенчмаркам нельзя. Репозиторий содержит веса Safetensors. Лицензия — Apache 2.0.

ThorBaller/Minstral_pubmed_gguf — модель, опубликованная пользователем ThorBaller на Hugging Face. Это GGUF-модель на 7 млрд параметров с архитектурой llama и лицензией Apache-2.0. Модель предназначена для задач question answering; название указывает на ориентацию на вопросы по биомедицинским публикациям PubMed. Доступен вариант F16 размером около 14,5 ГБ. Карточка модели не содержит заполненного README, поэтому сведения о поддерживаемых языках, длине контекста, методе обучения и точности отсутствуют. Сильные стороны модели — специализированная направленность на вопросы по биомедицинской тематике, формат GGUF и возможность локального запуска при наличии подходящего оборудования. Ограничения включают отсутствие подтверждённых сведений о языках и контекстном окне, а также неполную документацию.

Mistral-7B-Ours-SFT — дообученная командой MathGenie языковая модель семейства Mistral для решения математических задач. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров, принимает текст и генерирует текст; карточка указывает поддержку диалогового режима. Контекст составляет до 32 768 токенов, язык карточки — английский. Модель предназначена для решения математических задач в текстовом виде. В оценке на наборе данных указан loss 0,2716, однако карточка не уточняет набор данных, методику оценки или сравнительные результаты. Модель распространяется в формате safetensors по лицензии Apache-2.0.

NuminaMath-7B-TIR-IMat-GGUF — это GGUF-квантизированная версия текстовой генеративной модели AI-MO/NuminaMath-7B-TIR. Модель подготовлена пользователем legraphista с помощью llama.cpp и предназначена для локального запуска через совместимые инструменты, включая llama.cpp. По названию и базовой модели она ориентирована на задачи, связанные с математическими текстами и рассуждениями, однако подробное описание исходного обучения и целевых сценариев в README не приведено. Модель имеет около 7 млрд параметров и создана на основе исходного представления BF16. Доступны варианты BF16, F16 и различные уровни квантизации GGUF — от Q8_0 до Q2_K, включая форматы IQ. Для ряда вариантов применена IMatrix-квантизация, призванная сохранить качество при уменьшении размера, а размеры файлов варьируются примерно от 2,7 до 13,8 ГБ. Модель работает с текстом; сведения о поддерживаемых языках, максимальном контексте и мультимодальности отсутствуют. Основное преимущество — широкий выбор вариантов квантизации для подбора компромисса между качеством, потреблением памяти и скоростью локального инференса. Ограничения включают возможную потерю качества в более агрессивно квантизированных версиях, а также отсутствие в README результатов оценки, данных о языках и точного контекстного окна. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-GenomeDetect-ElectraMed-560M — модель OpenMed для распознавания упоминаний генов и белков в биомедицинском тексте. Это дообученный трансформер с архитектурой XLM-RoBERTa и примерно 658,7 млн параметров; модель принимает токенизированный текст и выдаёт BIO-метки для токенов. Контекст составляет до 514 токенов. Модель предназначена для извлечения генов и белков из научных публикаций, медицинских записей и других биомедицинских документов. Её можно применять для разметки текста при поиске по литературе и построении биомедицинских баз знаний. В README указаны BC2GM как обучающий набор и F1 0,87 на этом корпусе; упомянутые сценарии выявления лекарственных взаимодействий и побочных эффектов требуют дополнительных этапов обработки и не являются непосредственным выходом модели. Модель распространяется по лицензии Apache-2.0. Карточка описывает её как готовую к применению, но приведённые метрики относятся к BC2GM и сами по себе не подтверждают точность на клинических документах или других типах текста.

OpenMed-NER-GenomicDetect-BioMed-335M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученная модель семейства BERT для классификации токенов; в карточке указана базовая архитектура BiomedNLP-BiomedELECTRA-large-uncased-abstract. Модель принимает токенизированный текст, использует контекст до 512 токенов и возвращает BIO-метки для упоминаний сущностей. В метаданных указано 433,9 млн параметров, формат весов — safetensors. Модель обучена на корпусе GELLUS и предназначена прежде всего для распознавания генетических сущностей и анализа биомедицинской литературы и документов. В README среди поддерживаемых меток перечислены B-Cell-line-name и I-Cell-line-name, поэтому заявленные широкие сценарии извлечения генов, лекарств и побочных эффектов не подтверждены перечнем меток. README сообщает высокие метрики на GELLUS, но не приводит подробностей протокола оценки. Указанная лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-GenomicDetect-ElectraMed-33M — специализированную модель распознавания биомедицинских сущностей, дообученную для токенной классификации текста. В README указана базовая архитектура e5-small-v2, а метаданные относят модель к семейству BERT и классу BertForTokenClassification; размер составляет 40 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку. В карточке описано распознавание сущностей типа Cell-line-name; заявлены результаты на корпусе GELLUS: F1 0,97, точность 1,00 и полнота 0,94. Модель предназначена для извлечения упоминаний клеточных линий из биомедицинских текстов, включая научную литературу и клинические документы. Такие результаты можно использовать в текстовом поиске и построении структурированных биомедицинских данных. README также перечисляет более широкие сценарии геномного NER, однако заявленный тип сущности ограничен клеточными линиями. Указан английский язык. Лицензия — Apache-2.0.

OpenMed-NER-GenomicDetect-MultiMed-335M — модель OpenMed для распознавания геномных сущностей в биомедицинском тексте. Это дообученный трансформер на архитектуре BERT с классификационной головой для разметки токенов; в метаданных указано 433,9 млн параметров и контекст до 512 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку. В README заявлено обучение на корпусе GELLUS и распознавание меток B-Cell-line-name и I-Cell-line-name; метаданные указывают английский язык и формат safetensors. Модель предназначена для извлечения упоминаний клеточных линий и геномных сущностей из научной и клинической литературы, а также для последующего поиска и анализа биомедицинских текстов. README приводит высокие показатели на GELLUS, однако подробности методики оценки не раскрыты, а перечисленные сценарии — например, обнаружение взаимодействий лекарств — не подтверждены указанными метками модели. Лицензия — Apache-2.0.

OpenMed разработала эту специализированную модель распознавания биомедицинских сущностей в текстах об онкологии и генетике рака. Это дообученный EuroBERT-210m с архитектурой EuroBertForTokenClassification: модель содержит 211,7 млн параметров, принимает текст и выдаёт BIO-разметку сущностей. Она обучена на корпусе BioNLP 2013 CG и распознаёт, среди прочего, гены и их продукты, виды рака, аминокислоты, химические вещества, клетки, ткани и органы. Модель подходит для извлечения онкологических сущностей из научных публикаций и медицинских документов, поиска упоминаний генов и потенциальных биомаркеров, а также для подготовки данных для текстового анализа и построения биомедицинских графов знаний. Поддерживает английский язык; длина контекста составляет 8192 токена. В README приведены показатели на BioNLP2013 CG: F1 0,50, точность 0,66 и полнота 0,40, поэтому результаты требуют проверки для конкретного корпуса и сценария. Лицензия — Apache-2.0.

OpenMed разработала эту специализированную модель для распознавания биомедицинских сущностей в текстах. Это дообученная модель на архитектуре BERT с классификацией токенов, основанная на Bio_ClinicalBERT. Она содержит 135,5 млн параметров и принимает последовательности токенов длиной до 512 токенов. Модель размечает белки, белковые комплексы, семейства и группы белков, варианты белков и другие связанные сущности тегами BIO. Она предназначена для извлечения упоминаний из клинических записей и научной литературы, в том числе для анализа белковых взаимодействий, поиска по биомедицинским публикациям и построения биомедицинских баз знаний. В README приведены результаты на корпусе FSU: F1 0,91, точность 0,90 и полнота 0,91. Модель ориентирована на английские тексты и совместима с Transformers. Для производственных клинических решений результаты README сами по себе не подтверждают достаточную надёжность: качество может зависеть от корпуса и типа текста, а предел длины входа составляет 512 токенов. Лицензия — Apache-2.0.

OpenMed-NER-ProteinDetect-ElectraMed-560M — модель OpenMed для распознавания биомедицинских сущностей в научных и клинических текстах. Это дообученный трансформер с архитектурой XLM-RoBERTa и головой токеновой классификации, содержащий около 658,7 млн параметров. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей; контекст — до 514 токенов. Модель предназначена прежде всего для выявления белков, белковых комплексов, семейств и групп белков, а также вариантов белков в корпусе FSU, ориентированном на молекулярную биологию и взаимодействия белков. Её можно применять для извлечения сущностей из научной литературы и медицинских записей, анализа взаимодействий и построения биомедицинских баз знаний. В README заявлены F1 0,96, точность 0,96 и полнота 0,96 на FSU; эти результаты относятся к указанному корпусу и не гарантируют качество на других данных. Карточка указывает английский язык и лицензию Apache-2.0.

OpenMed разработала OpenMed-NER-SpeciesDetect-PubMed-109M — модель распознавания упоминаний видов и организмов в биомедицинских текстах. Это дообученная модель семейства BERT с архитектурой BertForTokenClassification, примерно 136,7 млн параметров и контекстом до 512 токенов. Базовая модель — BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext; для обучения использован корпус LINNAEUS. Модель принимает токенизированный текст и присваивает токенам BIO-метки B-SPECIES и I-SPECIES, помогая находить научные и общеупотребительные названия организмов в научных публикациях и других биомедицинских материалах. Карточка сообщает F1 0,9543 на LINNAEUS. В метаданных указан английский язык. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0.

OpenMed/OpenMed-ZeroShot-NER-Genomic-Medium-209M — англоязычная модель OpenMed для распознавания генов и связанных генетических сущностей в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе GELLUS; размер модели в названии — 209 млн параметров. Модель поддерживает zero-shot извлечение сущностей: пользователь может задавать типы сущностей при обработке текста без отдельного дообучения под каждую метку. Модель предназначена для поиска упоминаний генов и генетических вариантов в научной литературе, а также для генетических ассоциативных исследований и курирования вариантов. В карточке приведён F1 0,9674 на тестовой выборке GELLUS, не включённой в обучение. README также заявляет более широкие биомедицинские сценарии, однако перечисляет среди поддерживаемых типов сущностей только Cell-line-name, поэтому результаты для других типов следует проверять на целевых данных. Модель принимает текст и выдаёт распознанные сущности с метками. Доступна под лицензией Apache-2.0; для интеграции предлагается библиотека GLiNER.

OpenMed-ZeroShot-NER-Pharma-XLarge-770M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе BC5CDR-Chem для извлечения названий химических соединений, лекарств и терапевтических веществ. В карточке приведён результат F1 0,9463 на тестовом наборе BC5CDR-Chem. Модель предназначена для извлечения упоминаний химических веществ из научной литературы и медицинских текстов, в том числе как этап конвейеров фармаконадзора, поиска нежелательных реакций и анализа связей между химическими веществами и заболеваниями. Заявлена возможность zero-shot распознавания пользовательских типов сущностей, однако основное обучение и приведённая оценка относятся к химическим сущностям BC5CDR-Chem. Модель принимает текст и возвращает текстовые упоминания с метками сущностей. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка не сообщает длину контекста. Результаты на BC5CDR-Chem не гарантируют аналогичное качество на других типах сущностей, языках или клинических данных; пользовательские метки могут требовать настройки порога распознавания.

unsloth/Phi-4-mini-reasoning — компактная текстовая модель семейства Phi-4, опубликованная Unsloth и дообученная на базе microsoft/Phi-4-mini-reasoning. Это плотный трансформер с 3,8 млрд параметров; метаданные указывают контекст 4096 токенов. Модель предназначена для многошагового математического рассуждения, логических задач и генерации решений в условиях ограниченных вычислительных ресурсов и низкой задержки. Она подходит для решения сложных текстовых задач по математике, символических вычислений и пошаговых объяснений, в том числе в учебных помощниках и облегчённых локальных приложениях. README исходной модели сообщает о контексте до 128 тысяч токенов, но метаданные этого репозитория указывают 4096, поэтому для данной версии следует ориентироваться на значение из метаданных. Модель может ошибаться в фактах и не оценивалась для всех прикладных сценариев; результаты нужно проверять, особенно в чувствительных областях. Лицензия — MIT.

Это диалоговая языковая модель с архитектурой Qwen2 и 7,1 млрд параметров, дообученная автором репозитория на локальном чекпойнте Qwen2.5-Math-7B-16k. В README указано, что при дообучении использовался датасет qwen25_math_r1_distill_7b_p1024_r15360; название модели также указывает на один цикл обучения, но подробности метода и оценки не приведены. Модель предназначена для генерации текста в чате и, судя по базовой модели и названию датасета, ориентирована на математические рассуждения и ответы. Контекст составляет до 16 384 токенов. Доступны веса в формате safetensors для Transformers. Лицензия указана как other, поэтому условия использования следует уточнить на странице репозитория; README не приводит дополнительных ограничений или результатов оценки.

Qwen3-0.6B-Math-Expert — плотная авторегрессионная языковая модель, полученная полным дообучением Qwen3-0.6B разработчиком проекта. Дообучение выполнено в формате bf16 на датасете OpenMathReasoning-mini для улучшения решения математических задач и рассуждений. Модель принимает текст и генерирует текст; карточка указывает контекст до 40 960 токенов и поддержку английского языка. Модель предназначена для диалогового решения математических задач с выводом промежуточных рассуждений и итогового ответа. Компактный размер около 507,9 млн параметров позволяет использовать её в сценариях, где важны небольшие требования к ресурсам. Доступна на условиях Apache-2.0.

SeongryongJung/Qwen3-4B-Chemistry-SDPO-TR — экспериментальный чекпойнт Qwen3-4B, обученный методом SDPO-TR для задач по химии с размером обучающего батча 32. В репозитории находится лучший и одновременно финальный контрольный чекпойнт global_step_100, выбранный по валидационной метрике mean@16. Модель представляет собой плотную авторегрессионную языковую модель Qwen3ForCausalLM примерно на 3,7 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. В карточке приведён результат 74,91% на валидации Chemistry по mean@16. Доступна в формате safetensors и загружается через Transformers. Модель предназначена для генерации ответов и рассуждений по химическим задачам. Результат указан только для одного валидационного набора и метрики, поэтому он не гарантирует качество на других химических задачах или в практических сценариях. Лицензия — Apache-2.0.

Это дообученная методом обучения с подкреплением модель Qwen3.5-35B-A3B, опубликованная cm00cm. Чекпойнт создан методом GRPO с проверкой результата по вознаграждению за правильность ответа на математические задачи из набора DAPO-math-17k и служит учителем на первом этапе конвейера дистилляции с обучением на собственных ответах. Для контрольной выборки из 512 задач автор сообщает точность 0,887 против 0,828 у базовой модели и среднюю длину ответа 6 248 против 14 070 токенов при указанном режиме оценки. Модель предназначена прежде всего для решения математических задач и выдачи более кратких ответов с проверяемым итогом. Это Qwen3.5-35B-A3B с архитектурой MoE; веса опубликованы в формате safetensors и загружаются через Transformers. Лицензия — Apache-2.0. Показатели приведены для конкретного набора и режима оценки, поэтому они не гарантируют такое же качество на других задачах; описание не приводит результатов для иных областей.

SeongryongJung/qwen3-8b-physics-srpo-ema005 — контрольная точка модели Qwen3-8B, дообученной методом SRPO на задаче физики; репозиторий содержит последний чекпойнт обучения global_step_100 в формате Transformers. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и генерирует текст. Метаданные указывают контекст до 40 960 токенов; базовая модель Qwen3-8B предназначена для многоязычного диалога, рассуждений, следования инструкциям, кода и вызова инструментов. Чекпойнт ориентирован на решение задач по физике с помощью генерации и рассуждений. В карточке приведена лучшая валидационная метрика mean@16 — 71,33% на шаге 40, но загружен последний чекпойнт, для которого указано итоговое значение 56,64%; лучший промежуточный чекпойнт в репозитории не опубликован. Лицензия — Apache-2.0.

Qwen3-8B-SDFT-Math-LoRA-new — плотная авторегрессионная модель семейства Qwen3 от автора репозитория willamazon1, дообученная на математические рассуждения. Она создана на основе Qwen/Qwen3-8B-Base: после supervised fine-tuning на смеси математических задач, вопросов с поисковым контекстом и диалогов с инструментами модель прошла два этапа обучения с подкреплением GRPO на задачах по математике. LoRA-адаптеры объединены с весами, поэтому для запуска не требуется PEFT. Модель предназначена для генерации продолжений текста и решения математических задач; это базовая completion-модель, а не чат-модель с инструкционной настройкой. Для работы подходят запросы в формате «Question: … Answer:». Архитектура Qwen3ForCausalLM имеет 36 слоёв и около 8 млрд параметров; веса представлены в bfloat16 и safetensors. Контекст — до 32 768 токенов. Лицензия — Apache-2.0. Ключевое обучение нацелено на математические рассуждения, однако второй этап GRPO был коротким и включал 60 шагов, поэтому изменения относительно предыдущего чекпойнта невелики. Ответы модели могут быть ошибочными; перед практическим использованием математические результаты следует проверять. Модель также наследует смещения и ограничения знаний базовой Qwen3-8B-Base.

STM — Phi-4-mini 3.8B — плотная модель эмбеддингов для поиска биомедицинской информации. Она создана на основе microsoft/Phi-4-mini-instruct: четыре специализированных эксперта объединены методом DARE-TIES. Модель предназначена для семантического поиска и оценки сходства между предложениями в биомедицинских коллекциях; в метаданных также указана задача извлечения признаков. Использует архитектуру семейства Phi-3, содержит 3,8 млрд параметров и поддерживает контекст до 4096 токенов. Модель подходит для поиска релевантных научных и медицинских текстов по запросу и сравнения биомедицинских формулировок по смыслу. Она выдаёт эмбеддинги, а не готовые ответы на вопросы. Репозиторий использует формат Safetensors; лицензия — MIT. Конкретные языки и подробные ограничения качества в карточке не описаны.

Карточка модели llm-agents/tora-7b-v1.0 на Hugging Face совпадает с карточкой llm-agents/tora-code-7b-v1.0, поэтому описание составлено по ней. ToRA-Code-7B-v1.0 — языковая модель семейства Llama, выпущенная командой ToRA для решения математических задач с помощью естественно-языкового рассуждения и внешних инструментов, таких как библиотеки вычислений и символьные решатели. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат PyTorch; максимальная длина контекста — 16 384 токена. Карточка указывает английский язык и обучение на примерах GSM8K и MATH. Модель дообучена методом supervised fine-tuning на корпусе ToRA-Corpus 16k с траекториями решения задач GSM8K и MATH, после чего применялось формирование пространства выходов для улучшения взаимодействия с инструментами. Она предназначена для генерации решений математических задач, включая сценарии, где требуется вычисление или использование символьного решателя. Для практического взаимодействия с инструментами нужны соответствующая среда исполнения и код интеграции; README отсылает к репозиторию проекта за инструкциями по запуску и оценке. Лицензия — Llama 2.

Карточка модели llm-agents/tora-code-34b-v1.0 на Hugging Face совпадает с карточкой llm-agents/tora-code-7b-v1.0, поэтому описание составлено по ней. ToRA-Code-7B-v1.0 — языковая модель семейства Llama, выпущенная командой ToRA для решения математических задач с помощью естественно-языкового рассуждения и внешних инструментов, таких как библиотеки вычислений и символьные решатели. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат PyTorch; максимальная длина контекста — 16 384 токена. Карточка указывает английский язык и обучение на примерах GSM8K и MATH. Модель дообучена методом supervised fine-tuning на корпусе ToRA-Corpus 16k с траекториями решения задач GSM8K и MATH, после чего применялось формирование пространства выходов для улучшения взаимодействия с инструментами. Она предназначена для генерации решений математических задач, включая сценарии, где требуется вычисление или использование символьного решателя. Для практического взаимодействия с инструментами нужны соответствующая среда исполнения и код интеграции; README отсылает к репозиторию проекта за инструкциями по запуску и оценке. Лицензия — Llama 2.

awakening-sft-replay100 — дообученная модель на базе awakening-goedel-v2-32b-sft, разработанная juihuichung в рамках работы о восстановлении использования инструментов в моделях, дообученных для формальной математики. Это плотная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для генерации текста, диалогов и вызова инструментов, в том числе при доказательстве теорем на Lean 4. Модель дообучена на 100 примерах трасс взаимодействия агента с инструментами, ориентированных на поведение; README сообщает, что это восстановило показатель BFCL Non-Live с 4,6 до 83,8 при сохранении способности доказывать теоремы в Lean 4. Контекст составляет до 40 960 токенов. Репозиторий использует формат Safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

pietrocagnasso/bart-paper-titles — модель BART, разработанная для генерации заголовков научных статей по их аннотации и ключевым тезисам. Это дообученная версия sshleifer/distilbart-cnn-12-6; обучение в течение одной эпохи проводилось на наборах CSPubSumm, BIOPubSumm и AIPubSumm. Модель содержит 252,8 млн параметров, использует архитектуру BartForConditionalGeneration и принимает текст на английском языке. Максимальная длина контекста составляет 1024 токена. Модель предназначена для подготовки кратких названий научных публикаций по аннотации и highlights, в том числе в сценариях помощи авторам и редакторам. В README приведены результаты на тестовых наборах AIPubSumm, BIOPubSumm и CSPubSumm по метрикам ROUGE и BERTScore. Модель распространяется в формате PyTorch; лицензия в доступных данных не указана.

BioGravity-bilingual-Inst — корейско-английская биомедицинская инструкционная модель компании AIGEN Sciences, созданная на базе Gravity-30B-A5B-Preview. Она предназначена для ответов на биомедицинские вопросы, объяснения понятий, выполнения инструкций и помощи в исследованиях с использованием инструментов в среде Biomni A1. Модель использует архитектуру GravityMoEForCausalLM с разреженной смесью экспертов и MLA. В репозитории указано 3,8 млрд параметров и контекст до 131 072 токенов; доступны объединённый чекпойнт, токенизатор, шаблон чата и метаданные протокола A1. Для работы с инструментами среда должна обрабатывать специальные маркеры действий и наблюдений. В README приведена точность 55,1% на Biomni Eval1 при использовании оценочного контура; этот результат зависит от соответствующей среды и конфигурации. Модель может допускать фактические ошибки, её знания не включают более поздние публикации и рекомендации, а качество на языках помимо корейского и английского не гарантируется. Лицензия — Apache-2.0; авторы указывают исследовательское назначение и рекомендуют проверять ответы специалистом.