IV.6Научные исследования, математика и новые материалы

BioMistral-merged-instruct — объединённая языковая модель семейства Mistral, опубликованная Arcee AI. Она создана методом TIES с помощью mergekit на основе mistralai/Mistral-7B-v0.1 и объединяет веса Mistral-7B-Instruct-v0.2 и BioMistral-7B. Это плотная авторегрессионная модель на 7,1 млрд параметров для генерации текста и выполнения инструкций; заявленная длина контекста — 32 768 токенов. Модель подходит для диалоговых ответов и генерации текста по запросу, в том числе для вопросов и текстовых задач в биомедицинской тематике благодаря включению BioMistral. Она принимает текст и выдаёт текст. Репозиторий использует Transformers и содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

CeLLaTe-ner-2class-pubmedbert-tapt-combData-tokenizer-adapted-spanmask — англоязычная модель Mardiyyah для классификации токенов в биомедицинских текстах. Это дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final модель Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask-combinedData на базе BERT; в архитектуре используется BertForTokenClassification. Модель содержит 138,2 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для токенной разметки в задаче распознавания именованных сущностей (NER) в биомедицинском тексте. На оценочном наборе указаны micro F1 0,7382, precision 0,7672 и recall 0,7114; README не раскрывает названия двух классов и детали обучающих данных, поэтому конкретные типы извлекаемых сущностей установить нельзя.

DeepSeekMath-7B-RL — языковая модель DeepSeek, ориентированная на математические задачи. Это плотная авторегрессионная модель семейства LLaMA с 6,5 млрд параметров, работающая с текстом и имеющая контекст до 4096 токенов. В метаданных также указана возможность диалогового взаимодействия. Модель подходит для генерации текстовых ответов и решения математических задач в диалоге. В карточке не приведены подробные результаты оценки, перечень поддерживаемых языков или конкретные математические области, поэтому её точность и охват задач по README определить нельзя. Репозиторий содержит веса PyTorch и safetensors; лицензия указана как other, без уточнения условий в предоставленных данных.

E1-Math-7B — языковая модель Salesforce, дообученная на базе Skywork-OR1-Math-7B методом GRPO для адаптивного математического рассуждения при ограниченном бюджете генерации. Модель учится продолжать решать задачу, когда процесс рассуждения ограничен по длине, и переносить это поведение на новые ограничения без дополнительного обучения. Модель построена на архитектуре Qwen2 и содержит 7,1 млрд параметров; поддерживает контекст до 131 072 токенов. Её можно применять для генерации решений математических задач и оценки моделей в сценариях с разным лимитом токенов. В опубликованных результатах E1-Math-7B показывает более высокую точность базовой модели при нескольких ограниченных бюджетах генерации. Модель выпущена для исследовательских целей; перед применением в значимых сценариях следует отдельно оценить точность и безопасность ответов. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

Карточка модели EdgeAIMed/EdgeAIMed-NER-OncologyDetect-TinyMed-65M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-OncologyDetect-TinyMed-65M, поэтому описание составлено по ней. OpenMed-NER-OncologyDetect-TinyMed-65M — модель OpenMed для распознавания именованных сущностей в текстах по онкологии и генетике рака. Это дообученная модель DistilBERT на 65 млн параметров с классификацией токенов; она выделяет сущности из корпуса BioNLP 2013 CG, включая гены и их продукты, виды рака, клетки, ткани, органы, химические вещества и другие биомедицинские категории. Контекст модели — до 512 токенов, результат представляется BIO-метками для токенов. Модель подходит для извлечения сущностей из научных публикаций и медицинских документов, анализа онкологической литературы и подготовки данных для биомедицинских графов знаний. В README приведены F1 и precision 0,77, recall 0,77 и accuracy 0,90 на используемом наборе оценки; эти показатели не гарантируют такое же качество на иных текстах. Архив весов опубликован в формате safetensors. Лицензия — Apache-2.0.

Cobalt — языковая модель Valiant Labs для решения математических задач и диалогов в формате инструкций. Она создана дообучением Meta-Llama-3.1-8B-Instruct на синтетических математических инструкциях, сгенерированных Llama 3.1 405B. Для сохранения качества обычного общения использована небольшая подборка данных LDJnr/Pure-Dove; основной математический датасет — sequelbox/Polytope. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и принимает текстовые запросы в формате чата Llama 3.1 Instruct. Заявленная длина контекста — 131 072 токена. Она предназначена для пошагового решения и объяснения математических задач, а также поддерживает общий чат и следование инструкциям. В карточке указана лицензия llama3.1. Результаты могут содержать ошибки, поэтому вычисления и рассуждения следует проверять.

tbs17 разработал MathBERT-custom — англоязычную модель BERT с 136,7 млн параметров, предварительно обученную на математических текстах от школьного до университетского и исследовательского уровня. Модель использует архитектуру BertForMaskedLM и контекст длиной до 512 токенов; регистр английских слов не учитывается. Модель предназначена прежде всего для дообучения на математических задачах, где анализируют предложение или его части: классификации текста и токенов, ответов на вопросы и восстановления замаскированных слов. Её также можно использовать для извлечения признаков из математического текста. Обучение проводилось на корпусе примерно из 100 млн токенов, включавшем школьные учебные материалы, учебники по математике и аннотации статей arXiv по математике. MathBERT-custom не предназначена для генерации математического текста; для этого в README рекомендуется авторегрессионная модель, например GPT-2. В карточке не указана лицензия, поэтому условия использования определить нельзя.

Карточка модели meta-math/MetaMath-70B-V1.0 на Hugging Face совпадает с карточкой meta-math/MetaMath-7B-V1.0, поэтому описание составлено по ней. MetaMath-7B-V1.0 — языковая модель семейства LLaMA, разработанная авторами MetaMath и дообученная для решения математических задач. Она обучена на MetaMathQA — дополненных тренировочных данных GSM8K и MATH; README указывает, что тестовые наборы при создании этих данных не использовались. В карточке также описана версия MetaMath-Llemma-7B на базе Llemma-7B, но связь этого чекпойнта с указанной базовой моделью не подтверждена метаданными. Модель предназначена для генерации ответов и рассуждений при решении задач по математике, включая задачи в стиле GSM8K и MATH. Это плотная архитектура LlamaForCausalLM с 6,6 млрд параметров, контекстом 4096 токенов и форматом PyTorch. Лицензия указана как llama2. README приводит результат Pass@1 30,0 на MATH для версии на базе Llemma-7B; этот показатель нельзя уверенно приписать именно репозиторию MetaMath-7B-V1.0.

MetaMath-Cybertron — объединённая методом slerp модель на архитектуре Mistral, созданная из fblgit/una-cybertron-7b-v2-bf16 и meta-math/MetaMath-Mistral-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста, в частности решений математических задач и ответов на вопросы. Для общения можно использовать формат ChatML. В метаданных указан датасет MetaMathQA и английский язык. Модель опубликована в формате safetensors под лицензией Apache-2.0. Результаты оценки в README не приведены, поэтому качество модели по указанным бенчмаркам оценить нельзя.

Nomos 1 — специализированная модель Nous Research, разработанная в сотрудничестве с Hillclimb AI на основе Qwen/Qwen3-30B-A3B-Thinking-2507. Она предназначена для решения математических задач и написания доказательств на естественном языке. Модель использует архитектуру Qwen3 MoE и поддерживает контекст до 262 144 токенов; число параметров в метаданных указано как 2,6 млрд. Для запуска авторы рекомендуют использовать Nomos Reasoning Harness и обходиться без системного промпта. В тесте Putnam 2025 модель набрала 87 из 120 баллов при работе с Nomos Reasoning Harness; базовая Qwen3-30B-A3B-Thinking-2507 в тех же условиях набрала 24 из 120. Это результат конкретной оценки с указанной оболочкой, а не гарантия качества для других задач. Модель распространяется по лицензии Apache-2.0.

OpenMath-Nemotron-1.5B-GGUF — квантованная версия языковой модели OpenMath-Nemotron-1.5B, разработанной NVIDIA. Репозиторий подготовлен bartowski в формате GGUF с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и ориентирована прежде всего на решение математических задач и рассуждения на английском языке, поскольку связана с набором данных OpenMathReasoning. Доступны варианты с точностью от BF16 до различных форматов квантования Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 0,76 до 3,09 ГБ, что позволяет запускать модель локально на устройствах с ограниченными ресурсами. Для работы рекомендуются llama.cpp, LM Studio и другие совместимые проекты; используется шаблон prompt в формате ChatML. Архитектура и размер контекста в README не указаны, однако размер базовой модели составляет 1,5 млрд параметров. Сильными сторонами модели являются компактность, возможность локального запуска и наличие множества вариантов квантования с разным балансом между качеством и потреблением памяти. Более низкие уровни квантования могут заметно снижать качество генерации, поэтому для задач, требующих точных математических рассуждений, предпочтительны варианты Q5–Q6 или BF16. Модель заявлена для английского языка и не предназначена для мультимодальных сценариев. Лицензия — CC BY 4.0.

OPDLM-MATH-4B — языковая модель с блочной диффузией, разработанная на основе адаптации Qwen/Qwen3-4B. Модель дообучена для математических рассуждений методом on-policy distillation; это базовый вариант без отдельного блока chain-of-thought. Архитектура a2d-qwen3 использует блоки длиной 4 токена и 4 шага денойзинга на блок. Модель предназначена для генерации текста и решения математических задач; для инференса требуются пользовательский код из репозитория и параметры блочной диффузии, поэтому стандартный model.generate использовать не следует. README указывает короткий контекст постобучения в 2 тыс. токенов, тогда как метаданные Hugging Face приводят нативное окно контекста 40 960 токенов. В репозитории указана лицензия Apache-2.0. Модель содержит около 3,7 млрд параметров и опубликована в формате safetensors.

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.

OpenMed разработала эту модель для распознавания упоминаний генов и белков в биомедицинском тексте. Это дообученная для классификации токенов модель семейства BERT на основе BiomedNLP-BiomedELECTRA-base-uncased-abstract. Она принимает токенизированный текст и размечает упоминания генов и белков тегами BIO: B-GENE/PROTEIN и I-GENE/PROTEIN. Веса занимают модель с 136,7 млн параметров; максимальная длина контекста — 512 токенов. Модель обучена на корпусе BC2GM с аннотациями упоминаний генов и белков в биомедицинской литературе. Её можно применять для извлечения таких сущностей из научных публикаций и медицинских записей, а также для поиска по литературе и построения биомедицинских баз знаний. В README приведены F1 0,88, точность 0,87 и полнота 0,89 на BC2GM; эти результаты относятся к указанному корпусу и не гарантируют качество на других типах текстов. Модель рассчитана на английский язык и распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-NER-GenomeDetect-SuperClinical-141M — дообученную модель DeBERTa-v2 для распознавания упоминаний генов и белков в биомедицинских текстах. Модель выполняет token classification: присваивает токенам метки B-GENE/PROTEIN и I-GENE/PROTEIN, которые можно объединить в извлечённые сущности. Модель предназначена для анализа клинических документов и научной литературы, включая извлечение генов и белков из медицинских записей и построение биомедицинских баз знаний. Она обучена на корпусе BC2GM; в карточке указаны F1 0,87, точность 0,86, полнота 0,88 и accuracy 0,96. Архитектура — DeBERTa-v2 с 155 млн параметров, контекст — до 512 токенов. Прикладной язык — английский. Модель принимает токенизированный текст и выдаёт BIO-разметку токенов. Лицензия — Apache-2.0. Показатели качества приведены для BC2GM и не гарантируют такую же точность на клинических записях или других корпусах; распознаваемые типы сущностей ограничены генами и белками.

OpenMed-NER-GenomicDetect-BigMed-278M — модель OpenMed для распознавания и классификации упоминаний генетических сущностей в биомедицинском тексте. Это дообученная для token classification модель на архитектуре XLM-RoBERTa; в метаданных указано 305,2 млн параметров, а базовая архитектура в README названа xlm-roberta-base. Для обработки текст делится на токены, а модель возвращает BIO-разметку. Контекст ограничен 514 токенами. Модель предназначена для извлечения генетических сущностей из научной литературы и других биомедицинских текстов, например для геномного текстового поиска и построения баз знаний. README сообщает об обучении на корпусе GELLUS, однако перечисленные выходные метки ограничены типом Cell-line-name, поэтому заявленные в карточке более широкие сценарии извлечения генов и генетических вариантов требуют проверки на целевых данных. Указанные в README высокие показатели качества относятся к оценке на GELLUS и не гарантируют такую же точность на клинических документах или других корпусах. Модель работает с английским текстом и распространяется по лицензии Apache-2.0.

OpenMed-NER-OncologyDetect-BioPatient-108M — специализированная модель OpenMed для распознавания и классификации биомедицинских сущностей в текстах об онкологии и генетике рака. Это дообученный BERT с архитектурой BertForTokenClassification, примерно 135,5 млн параметров и контекстом до 512 токенов. Модель принимает токенизированный текст и выдаёт BIO-метки для сущностей, включая гены и продукты генов, виды рака, клетки, ткани и химические соединения. Модель предназначена для извлечения сущностей из медицинских записей и научной литературы, а также для анализа данных исследований рака и геномики. В README указана обучающая выборка BioNLP 2013 CG и F1 0,81 на этом датасете. Метаданные указывают английский язык. Модель распространяется по лицензии Apache-2.0. Качество на других типах текстов и вне онкологической тематики не подтверждено указанными данными. Результаты распознавания следует проверять перед использованием в клинических или исследовательских процессах; модель не предназначена для самостоятельной постановки диагноза или выбора лечения.

OpenMed-NER-OncologyDetect-SnowMed-568M — специализированная модель OpenMed для распознавания биомедицинских сущностей, связанных с онкологией и генетикой рака. Это дообученная для token classification модель на архитектуре XLM-RoBERTa объёмом около 658,7 млн параметров; README указывает в качестве базовой архитектуры snowflake-arctic-embed-l-v2.0. Модель обучена на корпусе BioNLP 2013 CG и выдаёт разметку сущностей в формате BIO, включая гены и продукты генов, виды рака, клетки, ткани, органы и химические вещества. Контекст составляет 8194 токена. Модель предназначена для извлечения онкологических и генетических сущностей из научных публикаций и биомедицинских текстов, например для поиска генов, биомаркеров и терапевтических мишеней. В README приведены результаты на BioNLP 2013 CG: F1 0,8801, точность 0,8774 и полнота 0,8828. Эти показатели относятся к указанному набору данных и не гарантируют аналогичного качества на клинических записях или других типах текста. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-OncologyDetect-TinyMed-66M — дообученную модель DistilBERT для распознавания биомедицинских именованных сущностей, прежде всего связанных с генетикой рака. Модель принимает токенизированный текст и возвращает BIO-разметку для генов и их продуктов, опухолей, клеток, тканей, химических соединений и других типов сущностей; в карточке указано 27 дополнительных типов меток. Контекст ограничен 512 токенами. Модель предназначена для извлечения сущностей из научной литературы, медицинских записей и документов по онкологии, включая поиск генов и биомаркеров в исследованиях. По README, она обучена на корпусе BioNLP 2013 CG; заявленные метрики на этом наборе — F1 0,77, точность 0,76 и полнота 0,77. Эти показатели относятся к указанному набору данных и не гарантируют аналогичного качества на других текстах или типах документов. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-OrganismDetect-ElectraMed-33M — модель OpenMed для распознавания названий организмов в тексте. Это трансформер для token classification на основе архитектуры BERT, дообученный на корпусе SPECIES800; он выделяет упоминания видов BIO-метками B-SPECIES и I-SPECIES. По карточке, модель рассчитана на научные и биомедицинские тексты, включая аннотации и документы, где требуется находить научные или общеупотребительные названия видов. Размер модели — 40 млн параметров, контекст — до 512 токенов; входом служит токенизированный текст, выходом — разметка сущностей. В README приведены F1 0,81, точность 0,78 и полнота 0,85 на SPECIES800. Модель распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-NER-PharmaDetect-TinyMed-66M — модель DistilBERT для распознавания химических сущностей в биомедицинских текстах. Это дообученная версия distilbert-base-uncased с классификацией токенов и BIO-метками B-CHEM и I-CHEM; модель содержит 66 млн параметров и принимает токенизированный текст. Контекст ограничен 512 токенами. Модель предназначена для извлечения названий химических соединений, лекарств и других химических сущностей из медицинских записей и научных публикаций, в том числе для мониторинга нежелательных реакций и поиска сведений о препаратах в литературе. В README заявлены F1 0,95, точность 0,94, полнота 0,95 и accuracy 0,98 на BC5CDR-Chem. Карточка указывает совместимость с Transformers; репозиторий использует формат safetensors. Лицензия — Apache-2.0. Модель обучена на англоязычном корпусе BC5CDR-Chem и не предназначена для распознавания сущностей на русском языке.

OpenMed разработала OpenMed-NER-ProteinDetect-PubMed-v2-109M — модель распознавания биомедицинских сущностей, дообученную для разметки белков и связанных с ними сущностей в научных и медицинских текстах. Она использует архитектуру BERT для классификации токенов и возвращает BIO-разметку. В README указаны типы сущностей: белки, белковые комплексы, семейства и группы белков, перечисления белков и варианты белков. Модель рассчитана на тексты о белковых взаимодействиях и молекулярной биологии; карточка сообщает о датасете FSU и приводит показатели F1 0,93, точности 0,92 и полноты 0,94. Модель принимает токенизированный текст и поддерживает контекст до 512 токенов. Её можно применять для извлечения белковых сущностей из научных публикаций, анализа молекулярных взаимодействий и подготовки данных для биомедицинских баз знаний. README также упоминает клинический анализ текста, однако перечисленные классы сущностей и датасет ориентированы на белки; пригодность для других типов медицинских сущностей по карточке не подтверждена. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Genomic-Multi-209M — модель OpenMed для распознавания именованных сущностей в геномной и молекулярно-биологической литературе. Она основана на архитектуре GLiNER и дообучена на корпусе GELLUS; размер в названии модели — 209M. Модель принимает текст и возвращает найденные сущности с разметкой токенов. Её назначение — извлекать упоминания генов и связанных генетических сущностей для геномного поиска, курирования вариантов и исследований генетических ассоциаций. Zero-shot подход позволяет задавать типы сущностей при применении без отдельного дообучения под каждый тип. В карточке приведён показатель F1 0,73 на тестовой выборке, исключённой из обучения; результаты могут зависеть от текста, меток и порога предсказания. Указанная в README категория Cell-line-name и описание GELLUS не полностью совпадают с акцентом названия на геномных сущностях, поэтому стоит проверять качество на целевой задаче. Модель распространяется по лицензии Apache-2.0.

OpenMed-ZeroShot-NER-Species-Base-220M — модель OpenMed для извлечения упоминаний видов и организмов из текста. Она построена на архитектуре GLiNER и дообучена на корпусе LINNAEUS, содержащем научные и распространённые названия видов; README также отмечает работу с сокращениями. Модель предназначена для распознавания сущностей без отдельного дообучения под каждый запрос и позволяет задавать типы сущностей, хотя специализированный тип этой версии — SPECIES. Подходит для извлечения названий организмов из научной литературы, отчётов по метагеномике и материалов по биоразнообразию, а также для подготовки таксономических коллекций публикаций. README сообщает F1 0,94 на тестовом наборе, исключённом из обучения. Модель принимает текст и возвращает предсказания сущностей с разметкой токенов. Доступна в формате PyTorch; лицензия — Apache-2.0. Показатель F1 и область применения приведены в карточке модели и не гарантируют такую же точность на других текстах и типах сущностей.

PixVL-model2-eval-7200 — открытый экспорт модели PixVL, подготовленный для сегментации изображений. Это полная модель для Hugging Face на архитектуре Qwen3-VL с условной генерацией; в README указано, что она инициализирована из Qwen3-VL-4B-SAMTok. Репозиторий содержит веса в формате safetensors. Модель предназначена для исследовательского применения и задач сегментации изображений. README сообщает, что она следует лицензии и ограничениям использования исходной модели; метаданные репозитория указывают лицензию MIT.

Qwen2.5-Math-1.5B-RoPE-300k — вариант модели Qwen/Qwen2.5-Math-1.5B, подготовленный rowan-dauria для работы с длинным контекстом и дальнейшего дообучения на задачах рассуждений. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста, в частности решений математических задач. Веса не изменены: в конфигурации увеличена базовая частота RoPE, снято ограничение sliding window, а максимальная длина контекста изменена с 4096 до 32768 токенов. Модель можно использовать как основу для SFT с длинными математическими рассуждениями и для генерации решений, требующих более длинного контекста. Карточка базовой модели указывает английский и китайский языки. Репозиторий использует Transformers и формат safetensors; интерфейс поддерживает чат и вызов инструментов. Лицензия — Apache-2.0. Увеличенное окно контекста задано изменением rope_theta и параметров конфигурации при неизменных весах, поэтому карточка не подтверждает отдельное обучение на длинных последовательностях или качество на предельной длине контекста. Для дальнейшего обучения и применения следует учитывать, что расширение контекста само по себе не гарантирует сохранение точности базовой модели на длинных входах.

pb09204048/Qwen3-8B-DAPO-iter449-disable-thinking — промежуточный чекпойнт Qwen3-8B, дообученный разработчиком репозитория методом обучения с подкреплением GRPO/DAPO на математических задачах из DAPO-Math-17K. Это плотная авторегрессионная языковая модель семейства Qwen3 с 7,6 млрд параметров; опубликованные веса представлены в формате safetensors и предназначены для генерации текста и диалогов. Чекпойнт ориентирован прежде всего на решение математических задач и рассуждения в режиме без цепочек рассуждений. В README приведены результаты AIME-24 и AIME-25: pass@1 составил 73,75% и 67,08% соответственно при восьми генерациях на запрос. Метаданные указывают на контекст до 40 960 токенов, возможности чата и интерфейс вызова инструментов. Базовая модель Qwen3 поддерживает более 100 языков, но отдельные языковые характеристики этого чекпойнта не описаны. Это обучающий чекпойнт на итерации 449, поэтому результаты и поведение могут отличаться от финальной версии; опубликованные показатели относятся к указанным настройкам оценки и не гарантируют такого же качества в других сценариях. Репозиторий лицензирован по Apache-2.0.

Qwen-PRM800K — дообученная языковая модель семейства Qwen2 на базе Qwen/Qwen2.5-Math-7B-Instruct, разработанная UW-Madison Lee Lab. Модель обучена на данных PRM800K и предназначена для генерации текста в сценариях, связанных с математическими рассуждениями и оценкой решений. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и формат safetensors; заявленная длина контекста — 4096 токенов. Она принимает текст и выдаёт текст. Базовая модель рассчитана на математические задачи с пошаговым рассуждением на английском и китайском языках, но языки, поддерживаемые именно этой дообученной моделью, отдельно не перечислены. Лицензия — Apache-2.0. README не описывает метрики качества или ограничения применения.

Qwen-Qwen2-Math-1.5B-GGUF — набор GGUF-квантизованных версий модели Qwen2-Math-1.5B, разработанной командой Qwen. Квантизацию выполнила команда featherless-ai-quants. Модель предназначена для генерации текста с акцентом на решение математических задач и может использоваться в приложениях, где важны компактный размер и локальный или ресурсоограниченный запуск. В репозитории представлены варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 645 МБ до 1,57 ГБ. Базовый размер модели — 1,5 млрд параметров. Формат GGUF обеспечивает совместимость с соответствующим программным обеспечением для запуска квантизованных языковых моделей. Более сильная квантизация уменьшает требования к памяти, но может снижать точность по сравнению с менее квантизованными вариантами; конкретные языки, размер контекста, архитектура и мультимодальные возможности в README не указаны. Лицензия и условия использования модели в предоставленных данных не указаны. README также содержит сведения об инфраструктурном сервисе Featherless AI, однако они не являются характеристиками самой модели.

Модель Surrey NLP — англоязычная RoBERTa-large, дообученная на наборе PLOD-Unfiltered для разметки последовательностей и обнаружения аббревиатур в тексте. Она присваивает метки токенам, помогая находить аббревиатуры и их контекстные формы. Модель содержит 454,1 млн параметров, использует архитектуру RoBERTa с классификационной головой для токенов и принимает последовательности длиной до 514 токенов. Доступны веса PyTorch и TensorFlow. На оценочной выборке указаны F1 0,9645, точность 0,9663 и полнота 0,9627. Модель рассчитана на английский язык и не предназначена для генерации текста; качество на иных доменах и языках может отличаться. Лицензия — MIT.