IV.6Научные исследования, математика и новые материалы

SciFive-base-Pubmed — модель семейства T5, разработанная авторами работы SciFive для обработки биомедицинской литературы. Она обучена на текстах PubMed и предназначена для задач понимания и преобразования научных текстов в биомедицинской области. В метаданных указаны 123,8 млн параметров, контекст до 1024 токенов и поддержка английского языка; доступны веса PyTorch и TensorFlow. В карточке Hugging Face основной задачей обозначена классификация текста. Архитектура T5 также поддерживает генерацию текста по текстовому входу, однако README не приводит результатов оценки или подробностей о конкретных сценариях применения. Модель опубликована в 2022 году. Лицензия в предоставленных данных не указана.

SciJudge-30B-2605 — модель OpenMOSS-Team на архитектуре Qwen3 MoE, дообученная на базе Qwen/Qwen3-30B-A3B-Instruct-2507 для оценки научных публикаций. По названиям, аннотациям и датам публикации двух статей она предсказывает, какая из них имеет более высокий цитатный импакт. Модель предназначена для сравнительного ранжирования публикаций по ожидаемому цитированию в задачах анализа научной литературы. В тесте SciJudgeBench на 1 000 примерах из основной внутридоменной выборки средняя точность составила 82,7%; показатели приведены для компьютерных наук, математики, физики и других областей. В репозитории указаны 2,6 млрд параметров, контекст 262 144 токена и формат safetensors; для работы используется Transformers. Лицензия — Apache-2.0.

TBAC-VLR1-3B-preview — мультимодальная модель Tencent PCG Basic Algorithm Center, дообученная на базе Qwen2.5-VL-3B-Instruct с помощью GRPO для усиления рассуждений по изображениям. Она принимает текст и изображения и формирует ответы на естественном языке; её назначение — решение визуальных математических и логических задач, включая анализ диаграмм и графиков. Модель имеет плотную архитектуру Qwen2.5-VL, содержит 3,1 млрд параметров и поддерживает контекст до 128 000 токенов. В карточке сообщается о результатах на нескольких мультимодальных бенчмарках, однако оценки получены авторами самостоятельно. Модель доступна в формате safetensors по лицензии Apache-2.0.

Карточка модели llm-agents/tora-code-13b-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.

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.

Trismal-ArithAbel2-7B-Base-Ties — текстовая генеративная модель, созданная объединением akjindal53244/Arithmo-Mistral-7B и GAIR/Abel-7B-002 с помощью LazyMergekit и метода TIES. Это плотная архитектура MistralForCausalLM примерно с 7,1 млрд параметров и контекстом до 32 768 токенов, сохранённая в формате safetensors; конфигурация слияния указывает на float16. Модель предназначена для генерации текста и математических рассуждений, сочетая возможности исходных моделей, связанных с решением математических задач. Она может служить основой для ответов на математические вопросы и пошаговых объяснений в текстовом виде. В карточке не приведены сведения о лицензии, поэтому условия использования следует проверять в репозиториях исходных моделей.

oklenAI разработала дообученную на базе Qwen3.5-2B-Base языковую модель для извлечения математического содержимого из текста веб-страниц. На вход подаётся сырой текст страницы, на выходе модель дословно воспроизводит математические фрагменты; если содержательной математики нет, допустим пустой ответ. Модель предназначена прежде всего для английских веб-страниц с математическим содержанием и извлечения формул и связанных с ними фрагментов при подготовке данных или обработке корпуса страниц. Это плотная авторегрессионная модель Qwen3.5 с 1,7 млрд параметров, работающая через Transformers. В метаданных указано контекстное окно до 262 144 токенов; обучение этой версии охватывало последовательности до 57 344 токенов. На длинных страницах свыше 20 000 символов согласие по charF1 с ответами GPT-5.6 составляет 0,8668; это измеряет сходство с учителем, а не фактическую правильность извлечения. Лицензия — Apache-2.0. Длинные страницы остаются сложнее коротких: charF1 для них ниже (0,8668 против 0,9454), а на страницах свыше примерно 50 000 символов модель не проверялась. Есть риск пропуска содержимого и избыточного воспроизведения формульных токенов; поведение на других языках, в других областях и на страницах без математики изучено ограниченно. Выход масштабируется вместе с длиной входа, поэтому при генерации нужно подбирать max_new_tokens под размер страницы.

omlab/VLM-R1-Qwen2.5VL-3B-Math-0305 — дообученная модель на архитектуре Qwen2.5-VL-3B с применением обучения с подкреплением VLM-R1 и ориентацией на математические задачи с визуальным содержимым. Она принимает изображения вместе с текстовыми вопросами и формирует ответы на естественном языке; заявленные обучающие наборы включают MathVista и MathVerse. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2_5_VLForConditionalGeneration и формат safetensors. Родительская модель поддерживает контекст до 128 000 токенов. Модель предназначена для визуальных математических вопросов, например анализа графиков, схем и задач на изображениях. В метаданных указан английский язык. Лицензия — Apache-2.0. README не приводит результатов оценки качества или подробностей об ограничениях, поэтому точность на конкретных типах задач по имеющимся сведениям оценить нельзя.

BAGEL-Canvas — мультимодальная модель общего типа от авторов проекта MathCanvas, предназначенная для решения математических задач с опорой на визуальные рассуждения. Модель генерирует и редактирует диаграммы, а затем использует их в чередующихся цепочках текста и изображений; карточка описывает двухэтапное обучение: предварительное обучение навыкам работы с диаграммами и дообучение на примерах стратегического визуально поддержанного решения задач. Модель рассчитана прежде всего на сложные математические задачи, включая геометрию, где полезно построить или преобразовать схему. В README заявлено улучшение относительной производительности на 86% по тесту MathCanvas-Bench по сравнению с сильными базовыми моделями; подробности оценки приведены на внешней таблице результатов. Репозиторий содержит веса Safetensors, библиотека — Transformers, лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не приведены.

BlueBERT — англоязычная модель семейства BERT, разработанная исследователями Computational Biology Branch при NCBI и предварительно обученная на аннотациях PubMed. Этот вариант использует uncased-токенизацию и конфигурацию с 24 слоями, скрытым размером 1024 и 16 attention-головами; в репозитории указано около 433,9 млн параметров и контекст до 512 токенов. Доступны веса в форматах PyTorch и Flax. Модель предназначена как языковая основа для задач обработки биомедицинских текстов, например классификации публикаций, извлечения сущностей и ответов на вопросы после дообучения под конкретную задачу. Предварительное обучение проводилось на корпусе PubMed объёмом около 4 млрд слов. Карточка не описывает готовый диагностический инструмент: результаты не следует использовать для клинических решений без проверки специалистом. Лицензия — CC0-1.0.

CeLLaTe-ner-2class-reinitllrd-pubmedbert-tapt-tokenizer-adapted-spanmask-gazetters-lr_4.169 — англоязычная модель распознавания сущностей на уровне токенов, разработанная как дообучение Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Модель построена на BERT и содержит 138,2 млн параметров; максимальный контекст — 512 токенов. Модель предназначена для разметки токенов в биомедицинских текстах двумя классами. На оценочной выборке указаны micro F1 0,7899, macro F1 0,7958 и точность 0,9855. Использует Apache-2.0; подробное описание меток и ограничений в карточке не приведено.

CeLLaTe-ner-2class-tapt-pubmedbert-tokenizer-adapted-wwmask — англоязычная BERT-модель для классификации токенов, созданная дообучением Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Она предназначена для распознавания сущностей в биомедицинских текстах; карточка сообщает результаты оценки: micro F1 0,7663, weighted F1 0,7667 и accuracy 0,9842. Модель содержит 138,2 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и выдаёт метки токенов. Распространяется по лицензии Apache-2.0. Карточка не уточняет схему и классы сущностей, поэтому перед применением следует сверить метки модели с целевой задачей.

CeLLaTe-ner-bioformer16l-tapt-tokenizer-adapted-v2 — дообученная Mardiyyah модель для разметки именованных сущностей в английском тексте. Она основана на BERT-архитектуре и содержит 50,8 млн параметров; использует токенизатор, адаптированный для базовой модели CeLLaTe. Модель обучена на наборе Mardiyyah/CeLLaTe-ner-2class-iob и предназначена для присвоения меток отдельным токенам, в том числе в биомедицинских текстах. В карточке приведены результаты оценки: F1 0,759, точность 0,7488, полнота 0,7695 и accuracy 0,9821. Контекст составляет до 1024 токенов. Распространяется по лицензии Apache-2.0. Карточка не описывает классы сущностей и ограничения применения, поэтому результаты на других наборах данных могут отличаться.

E1-Math-1.5B — языковая модель Salesforce на 1,5 млрд параметров, дообученная на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Она предназначена для решения математических задач с адаптивным рассуждением: обучение по стратегии бюджетно-ограниченных генераций в рамках GRPO помогает продолжать решать задачи при ограниченном числе шагов рассуждения и переносить поведение на новые ограничения без дополнительного обучения. Модель относится к семейству Qwen2, использует плотную архитектуру и принимает текст, генерируя текст; заявленная длина контекста — 131 072 токена. В карточке приведены результаты на задачах с разными бюджетами генерации: модель использует меньше токенов, чем DeepScaleR-1.5B, и показывает более высокую точность при малых бюджетах, но меньшую среднюю точность при самом большом указанном бюджете. Модель выпущена для исследований; лицензия CC BY-NC 4.0 запрещает коммерческое использование. Ответы могут быть неточными, поэтому модель требует проверки, особенно в значимых сценариях.

EulerMath-Mistral-7B — дообученная Weyaxi языковая модель на базе meta-math/MetaMath-Mistral-7B для генерации ответов и решений математических задач. Модель с плотной архитектурой Mistral содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов; для инструкций используется шаблон Alpaca. Модель полностью дообучена в течение двух эпох на TIGER-Lab/MathInstruct и microsoft/orca-math-word-problems-200k. Она предназначена для ответов на математические вопросы и решения задач в диалоговом или инструкционном формате. В README отмечено, что оценка на подмножестве GSM8K не всегда совпадала с ожидаемым строгим форматом, хотя ответы могли быть корректными. В репозитории указана лицензия other; конкретные условия использования следует сверить с лицензией модели и её базовой модели.

Fathom-R1-14B — 14-миллиардная плотная языковая модель от FractalAIResearch для генерации текста и решения задач с пошаговыми рассуждениями. Она дообучена на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-14B с использованием курируемых математических данных и итеративного обучения по сложности; авторы также описывают этап объединения моделей. Модель ориентирована прежде всего на сложные математические задачи, включая олимпиадные задачи AIME и HMMT. В README авторы сообщают о результатах на этих экзаменах при контексте обучения до 16K токенов; метаданные указывают нативный контекст 131072 токена. Модель использует архитектуру Qwen2 и распространяется в формате safetensors для Transformers. Она принимает текст и генерирует текст; метаданные также отмечают чатовый интерфейс и интерфейс вызова инструментов. В README указана лицензия MIT. Описанные результаты относятся к оценкам авторов и конкретным экзаменационным настройкам, поэтому не гарантируют точность на любых математических или иных запросах.

GmshNet-8B-v0.1-GGUF — языковая модель объёмом 8 млрд параметров, опубликованная организацией hexera-org. Это decoder-only autoregressive causal language model в формате GGUF, предназначенная для text generation и instruction-following. Модель ориентирована на генерацию кода и роль ассистента разработчика, особенно в задачах научного программирования, вычислительной инженерии и компьютерного моделирования. Основная специализация модели связана с Gmsh и смежными задачами подготовки расчётных моделей: созданием геометрии и mesh-сеток, генерацией и анализом скриптов Gmsh, работой с finite element method, computational fluid dynamics, теплопереносом, физическими и инженерными симуляциями, а также CAD-to-mesh и настройкой size fields, refinement и physical groups. По заявленным метаданным модель поддерживает английский язык и предназначена для текстового ввода и вывода; сведения о контекстном окне, точной архитектуре базовой модели, обучающих данных и фактических показателях качества не указаны. Сильная сторона модели — узкая предметная специализация на Gmsh, meshing и computational engineering, что может быть полезно для генерации шаблонов, объяснения настроек и ускорения подготовки инженерных сценариев. Ограничения связаны с отсутствием подтверждённых бенчмарков, сведений о контекстной длине и поддерживаемых форматах взаимодействия, а также с тем, что качество результатов для конкретных расчётных задач по README не оценено. Модель распространяется по лицензии Apache-2.0.

GraphGPT-7B-mix-all — авторегрессионная языковая модель на архитектуре Transformer семейства GraphLlama, разработанная Data Intelligence Lab при HKU. Она дообучена на основе Vicuna-7B-v1.5 с помощью подхода Graph Instruction Tuning и смешанных инструкционных данных для работы с графами. Модель предназначена для задач классификации узлов и предсказания связей в различных графовых наборах данных. В репозитории указаны 6,6 млрд параметров и контекст до 4096 токенов; доступны веса PyTorch. Карточка не описывает интерфейс передачи графовых данных и конкретные языки использования, поэтому применимость в отдельных сценариях зависит от формата входа и оценочного кода проекта. Лицензия в предоставленных данных не указана.

InternLM2-Math-20B — двуязычная языковая модель для математических рассуждений, разработанная командой InternLM. Это дообученный вариант InternLM2-Base: модель продолжительно обучали на математических текстах, а затем на размеченных задачах на китайском и английском языках. Архитектура — плотная causal language model InternLM2 с 19,3 млрд параметров; контекст — до 8192 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для решения и пошагового объяснения математических задач, генерации простых доказательств и кода Lean 3, проверки рассуждений и подготовки синтетических математических примеров. Также описана поддержка сценариев с code interpreter и оценки цепочек рассуждений, однако эти возможности не гарантируются для каждой задачи. Основные языки — китайский и английский; Lean используется как язык формализации доказательств. В карточке отмечены пропуски вычислительных шагов, слабые результаты на китайских заданиях с заполнением пропусков и английских задачах с выбором ответа, а также переключение языков и склонность предлагать Code Interpreter для китайских задач. Качество возможностей Lean ограничено простыми задачами типа GSM8K и не гарантируется. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория.

InternLM2-Math-7B — языковая модель для математических рассуждений, разработанная командой InternLM. Это чат-чекпойнт семейства InternLM2: модель продолжала предварительное обучение на математических текстах и затем прошла дообучение на двуязычных математических примерах. Она предназначена для решения и проверки задач, построения пошаговых рассуждений, генерации простых доказательств и кода Lean 3, а также для подготовки математических данных. Размер модели — 7,4 млрд параметров, архитектура — плотная causal language model InternLM2, контекст — до 8192 токенов. Модель ориентирована на китайский и английский языки; может выдавать текст и код Lean. Модель также описана как средство оценки математических рассуждений и помощник для сценариев с Code Interpreter, однако эти возможности зависят от способа применения и не гарантируются. В карточке отмечены пропуск вычислительных шагов, слабые результаты на китайских заданиях с заполнением пропусков и английских заданиях с выбором ответа, склонность предлагать Code Interpreter для китайских задач и переключение языков. Качество возможностей Lean также не гарантируется. Лицензия указана как other, без конкретизации условий в предоставленных данных.

Light-R1-7B-DS — языковая модель Qihoo 360 для генерации текста и диалогов с акцентом на математические рассуждения. Это плотная модель семейства Qwen2 с 7,1 млрд параметров, дообученная на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-7B на 3 тысячах примеров SFT. По данным карточки, модель показала результаты на AIME 2024, AIME 2025 и GPQA; отдельного обучения на GPQA не проводилось. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и использует библиотеку Transformers. Модель подходит для решения математических задач, пошаговых рассуждений и диалогового применения. README рекомендует использовать её так же, как DeepSeek-R1-Distill-Qwen-7B. Распространяется по лицензии Apache-2.0. Карточка сообщает об очистке обучающих данных от совпадений с тестовыми наборами, но не исключает возможное загрязнение данных предобучения.

Это GGUF-квантизированная версия языковой модели LFM2-350M-Math от Liquid AI, подготовленная пользователем bartowski. Модель предназначена для генерации текста и ориентирована на математические задачи. Квантизация выполнена с помощью llama.cpp с использованием метода imatrix, поэтому модель подходит для локального запуска в LM Studio, llama.cpp и других совместимых приложениях. В репозитории представлены варианты от исходных весов BF16 размером около 0,71 ГБ до сильно сжатых форматов Q2 и Q3 размером примерно 0,18–0,22 ГБ. Наиболее качественными считаются BF16, Q8_0, Q6_K_L, Q6_K, Q5 и Q4; варианты с более низкой разрядностью экономят память, но могут заметно уступать в качестве. Данные об архитектуре, поддерживаемых языках, длине контекста, мультимодальности, формате промпта и лицензии в README не указаны, поэтому эти характеристики нельзя достоверно определить по представленным данным.

OpenMed разработала ElectraMed-33M — модель на базе трансформера семейства BERT, дообученную для распознавания упоминаний генов и белков в биомедицинском тексте. Она классифицирует токены с BIO-разметкой и предназначена для анализа научных публикаций, клинических записей и других медицинских документов. Модель обучена на корпусе BC2GM и распознаёт сущности типов B-GENE/PROTEIN и I-GENE/PROTEIN. Метаданные указывают 40 млн параметров и контекст до 512 токенов. В README приведены показатели на BC2GM: F1 0,80, точность 0,77, полнота 0,84 и accuracy 0,94. Она подходит для извлечения генов и белков при поиске по литературе, анализе медицинских записей и построении биомедицинских баз знаний. Модель поддерживает английский язык и распространяется под лицензией Apache-2.0. Результаты относятся к задаче и корпусу BC2GM; перенос на другие типы документов и извлечение химических соединений или лекарств отдельно не подтверждены.

OpenMed-NER-GenomicDetect-SuperMedical-355M — специализированная модель OpenMed для распознавания генетических сущностей в биомедицинском тексте. Это дообученная RoBERTa-модель для классификации токенов: она принимает токенизированный текст и выдаёт BIO-разметку. В карточке указаны 454,1 млн параметров и контекст до 514 токенов; среди меток перечислены B-Cell-line-name и I-Cell-line-name. Модель предназначена для извлечения упоминаний клеточных линий из научной литературы и других биомедицинских текстов, в том числе для текстового поиска и построения биомедицинских баз знаний. README сообщает об обучении на корпусе GELLUS, однако перечисленные метки описывают клеточные линии, поэтому широкие заявления о распознавании генов, вариантов и лекарств не подтверждены приведённым набором меток. Указанные в карточке метрики относятся к GELLUS и не гарантируют аналогичного качества на других данных. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-OncologyDetect-TinyMed-135M — специализированную модель распознавания биомедицинских сущностей в текстах об онкологии и генетике рака. Это дообученная модель DistilBERT для классификации токенов; в README базовая архитектура указана как distilbert-base-multilingual-cased. Модель обучена на корпусе BIONLP2013_CG и присваивает найденным сущностям BIO-метки, включая гены и продукты генов, виды рака, клетки, ткани, органы и химические вещества. Модель подходит для извлечения онкологических сущностей из научной литературы, медицинских документов и текстов исследований, например для поиска биомаркеров, генов-мишеней и связанных с раком соединений. В README приведены результаты на BIONLP2013CG: F1 0,77, точность 0,77, полнота 0,78 и accuracy 0,91. Контекст составляет 512 токенов; язык в метаданных — английский. Лицензия — Apache-2.0. Результаты описывают качество на указанном корпусе и сами по себе не подтверждают пригодность модели для клинических решений; качество также может снижаться на иных типах текстов и разметки.

OpenMed-NER-OncologyDetect-TinyMed-82M — модель OpenMed для распознавания и классификации биомедицинских сущностей в текстах об онкологии и генетике рака. Это дообученная модель архитектуры RoBERTa с 95,2 млн параметров; в README в качестве базовой архитектуры указана distilroberta-base. Модель принимает токенизированный текст и выдаёт BIO-метки для сущностей, включая гены и их продукты, виды рака, клетки, ткани, органы и химические вещества. Контекст ограничен 514 токенами. Модель обучена на корпусе BioNLP 2013 CG и предназначена для извлечения сущностей из научной литературы и биомедицинских текстов. Она подходит для поиска генов и связанных с раком понятий, анализа литературы по онкологии и подготовки данных для исследовательских баз знаний. README приводит F1 0,81, точность 0,80 и полноту 0,82 на указанном наборе данных; заявленные сценарии для клинических записей требуют отдельной проверки на целевых данных. Лицензия — Apache-2.0.

OpenMed-NER-PharmaDetect-BigMed-560M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученная для NER модель на основе XLM-RoBERTa; метаданные указывают 658,7 млн параметров, контекст до 514 токенов и формат safetensors. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типов B-CHEM и I-CHEM. Модель предназначена для извлечения названий химических соединений и лекарств из научных публикаций, клинических записей и медицинских документов. Она может быть частью систем мониторинга нежелательных реакций, поиска сведений о препаратах и построения биомедицинских баз знаний. В README заявлены результаты на BC5CDR-Chem: F1 0,95, точность 0,94 и полнота 0,96; эти показатели относятся к указанному набору данных и не гарантируют такое же качество на других текстах. В карточке указана лицензия Apache-2.0. Заявленная специализация — химические сущности из BC5CDR-Chem; она не подтверждает распознавание других типов биомедицинских сущностей. Язык карточки и датасета — английский, поэтому применимость к русскоязычным текстам не установлена.

OpenMed-ZeroShot-NER-Genomic-Base-220M — модель OpenMed для распознавания генетических сущностей в научных и биомедицинских текстах. Она основана на архитектуре GLiNER и дообучена на корпусе GELLUS; заявленный размер — 220 млн параметров. Модель принимает текст и возвращает найденные упоминания сущностей с метками. Zero-shot-интерфейс позволяет задавать типы сущностей при извлечении без отдельного дообучения под каждый тип. Основное назначение — поиск упоминаний генов и связанных с генетикой сущностей, включая варианты написания символов и названий. Модель подходит для анализа геномной литературы, курирования вариантов и исследований генетических ассоциаций. В README также заявлены клинический анализ текста и извлечение других биомедицинских сущностей, однако приведённый список типов меток ограничен Cell-line-name, поэтому охват произвольных категорий не гарантирован. Для тестового набора GELLUS указана F1-мера 0,72. Модель доступна под лицензией Apache-2.0 и совместима с экосистемой Hugging Face Transformers. Качество зависит от типа сущностей и порога извлечения; README рекомендует снижать threshold для редких или пользовательских типов. Контекстное окно и поддержка языков, кроме английского, не заявлены.

Qwen2.5-Math-1.5B-Instruct-GGUF — это квантизированная версия инструкционной языковой модели Qwen2.5-Math-1.5B-Instruct, разработанной командой Qwen. Формат GGUF подготовлен bartowski на основе llama.cpp, что делает модель подходящей для локального запуска в совместимых приложениях, включая LM Studio. Модель предназначена для генерации текста и решения математических задач на английском языке. Она поддерживает пошаговое рассуждение Chain-of-Thought (CoT), а также Tool-integrated Reasoning (TIR) для задач, где требуется взаимодействие с инструментами. Доступный стандартный контекст составляет 4096 токенов. В README не указаны дополнительные модальности или поддержка других языков. К ключевым преимуществам относятся специализация на математическом рассуждении, инструкционный формат и возможность локального использования в квантизированном виде. Ограничения включают англоязычную специализацию, ограниченный контекст и типичные для языковых моделей риски неточных или неподходящих ответов. Модель распространяется по лицензии Apache-2.0.

Qwen2-Math-1.5B — базовая плотная языковая модель семейства Qwen2, разработанная командой Qwen. Она содержит 1,5 млрд параметров и предназначена для генерации продолжений текста, решения арифметических и математических задач, а также многошаговых рассуждений; базовую версию обычно используют для дополнения текста, few-shot-запросов и как основу для дообучения, а не как готовую инструкционную модель для диалога. Модель принимает текст и генерирует текст. Она в первую очередь ориентирована на английский язык; в README указано, что на момент публикации эта версия преимущественно поддерживает английский. Контекст составляет до 4096 токенов. В репозитории представлены веса Safetensors, лицензия — Apache-2.0. Модель специализирована на математике и может быть полезна для вычислений и задач, требующих последовательных логических рассуждений. Это базовая модель, поэтому качество диалоговых ответов и следование инструкциям не гарантированы на уровне версии Instruct; её также следует оценивать на целевых задачах перед применением.