IV.6Научные исследования, математика и новые материалы

BayesRL/Qwen-M3PO-7B — плотная авторегрессионная модель семейства Qwen2.5-Math, разработанная BayesRL. Это чекпойнт на 7,1 млрд параметров, дообученный методом M3PO на базе BayesRL/Qwen2.5Math-IVON-SFT-7B; обучение сочетает GRPO с вариационным оптимизатором IVON и исследованием параметров через выборки возмущённых весов. Модель предназначена для генерации решений математических задач и RLVR — обучения с проверяемыми наградами; её оценивали на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Модель принимает текст и генерирует текст. Карточка указывает английский язык, контекстное окно составляет 4096 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

T3Q-Mistral-Orca-Math-DPO — текстовая генеративная модель, разработанная Chihoon Lee (chlee10) и T3Q. Это DPO-дообучение модели liminerity/M7-7b на датасете kyujinpy/orca_math_dpo, ориентированное на генерацию ответов, связанных с математикой. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; максимальный контекст — 32 768 токенов. Карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Abel-7B-002 — языковая модель семейства Mistral, разработанная командой GAIR для решения математических задач и рассуждений. В README сообщается об улучшении результатов относительно Abel-7B-001 и приводятся оценки на GSM8K, MATH, MathQA и SVAMP, а также на тестах общих знаний и рассуждений. Модель имеет 7,1 млрд параметров, использует архитектуру MistralForCausalLM и принимает текст для генерации текстовых ответов. Контекст составляет до 32 768 токенов. Репозиторий содержит веса PyTorch. Указанные в README результаты относятся к тестовым наборам и сами по себе не гарантируют точность ответов на пользовательских задачах. Лицензия в предоставленных данных не указана.

ishikaa/acquisition_student_AS_SOLVE_confidence_omnimath_qwen7b — текстовая генеративная модель семейства Qwen2 с 7,1 млрд параметров, размещённая пользователем или организацией ishikaa на Hugging Face. Модель доступна через библиотеку Transformers и обучалась с применением supervised fine-tuning (SFT) с использованием TRL. Контекстное окно составляет 32 768 токенов. По названию репозитория и метаданным модель ориентирована на решение математических задач, вероятно с формированием ответа и оценкой уверенности, а также на диалоговое взаимодействие. Она может использоваться для генерации пошаговых решений, объяснений и ответов на математические запросы в прикладных системах на базе языковых моделей. В README отсутствуют сведения о точном разработчике, исходной модели, обучающих данных, результатах оценки, лицензии и поддерживаемых естественных языках. Поэтому условия лицензирования необходимо уточнить перед использованием, а ответы модели следует проверять, особенно в задачах, требующих строгой математической корректности.

alvaroalon2/biobert_genetic_ner — модель на базе BioBERT, дообученная для распознавания генетических сущностей в биомедицинских текстах. Разработчик подготовил её для использования в системе BioNER/BioNEN; обучение проводилось на корпусах JNLPBA и BC2GM. Модель использует архитектуру BERT с классификационной головой для разметки токенов, содержит 135,5 млн параметров и принимает контекст длиной до 512 токенов. Она предназначена для извлечения упоминаний генетических сущностей из англоязычных текстов. Доступна в формате PyTorch под лицензией Apache-2.0.

Francesco-A выпустил дообученную модель для распознавания биомедицинских именованных сущностей в текстах научных публикаций. Это модель на базе BERT — PubMedBERT, обученная классифицировать токены в аннотациях PubMed на датасете BC5CDR. Она выделяет названия заболеваний и химических веществ, используя BIO-разметку; размер модели составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. В README приведены результаты оценки на тестовом наборе BC5CDR: F1 0,8775, точность 0,8582 и полнота 0,8977. Модель предназначена для извлечения заболеваний и химических веществ из научных аннотаций, например для структурирования биомедицинской литературы. Она обучалась на англоязычном наборе BC5CDR, поэтому перенос на другие типы текстов и наборы сущностей может быть ограничен. Автор указывает, что версия предназначена для обучения и тестирования, а не для клинического или производственного применения. Лицензия — MIT.

Модель lighteternal/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext-finetuned-mnli — англоязычная модель классификации текстовых пар, созданная дообучением microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext на датасете MNLI. Она принимает предложение-посылку и гипотезу и классифицирует их отношение как следование, нейтральное отношение или противоречие. Модель предназначена прежде всего для задач текстового следования в биомедицинских корпусах. Это плотная BERT-модель для классификации последовательностей на PyTorch с 136,7 млн параметров и контекстом до 512 токенов. На тестовой выборке MNLI указана точность 0,8338. Репозиторий распространяется по лицензии MIT. Модель обучена на MNLI, поэтому качество на иных данных и в специфических биомедицинских задачах может отличаться; результат классификации не заменяет экспертную медицинскую оценку.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_ppl_b8000_s0 — дообученная плотная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-4B-Base. В модели около 3,7 млрд параметров, архитектура — Qwen3ForCausalLM, контекст — до 32 768 токенов; для работы используются Transformers и файлы safetensors. Модель предназначена для генерации текста. В качестве обучающих данных указан набор capsd_Qwen3-4B-Base-n80000-numina__mix_math_ppl_b8000_s0, что указывает на математическую направленность дообучения; возможны генерация решений и объяснений математических задач. README не приводит оценок качества или подробностей об ограничениях. Лицензия обозначена как other, поэтому условия использования следует уточнять в карточке модели и у правообладателя.

DeepMath — модель для математических рассуждений от Intel AI Labs. Это плотная причинная языковая модель с 3,7 млрд параметров, дообученная методом GRPO на базе Qwen3-4B-Thinking-2507. Она генерирует краткие фрагменты Python для промежуточных вычислений; для выполнения кода и полноценного агентного режима требуется отдельная песочница с ограничениями на ввод-вывод, сеть и время выполнения. Модель рассчитана на англоязычные задачи и поддерживает контекст до 262 144 токенов. DeepMath предназначена для решения математических задач, в особенности задач олимпиадного и экзаменационного типа. По данным README, связка дообучения и выполнения вычислений повышала точность на ряде сложных наборов и сокращала длину вывода до 66% по сравнению с базовой моделью. Модель распространяется по лицензии Apache 2.0. Она оптимизирована для математики, поэтому её способность обобщать на другие области ограничена. Качество на задачах математического творчества и формальных доказательствах не оценивалось; размер модели может ограничивать решение особенно сложных задач. Для агентного режима нужна безопасно настроенная среда выполнения Python.

DeepSeekMath 7B Base — базовая текстовая модель семейства DeepSeekMath, разработанная DeepSeek AI для генерации текста, в том числе для математических задач. Это плотная авторегрессионная архитектура Llama с 6,5 млрд параметров и контекстом до 4096 токенов. Репозиторий содержит веса PyTorch; в метаданных указана лицензия other. Карточка модели не раскрывает подробности обучения и не приводит конкретных ограничений качества, поэтому пригодность для специализированных математических сценариев следует оценивать на целевых задачах.

xinlai/DeepSeekMath-RL-Step-DPO — разговорная языковая модель семейства Llama с 6,5 млрд параметров. Репозиторий содержит веса в формате safetensors, модель предназначена для генерации текста и диалога. Название указывает на специализацию на математических рассуждениях и обучение методом RL-Step-DPO, однако README не содержит сведений о методике обучения или результатах. Модель принимает текст и выдаёт текст; контекст составляет 4096 токенов. Лицензия — Apache-2.0.

Jackrong/DeepSeek-V4-Pro-Qwen3.5-9B — компактная модель для диалогов и рассуждений, созданная как дообученная версия Qwen3.5-9B. По карточке, её ответы дистиллированы из DeepSeek-V4-Pro в режиме Max Effect; обучение включало supervised fine-tuning на примерно 250 тысячах примеров по математике и STEM, а затем лёгкое уточнение с помощью GSPO. Модель содержит 9 млрд параметров, использует плотную архитектуру Qwen3.5 и распространяется в формате Safetensors. Метаданные также указывают интерфейс вызова инструментов и поддержку изображений у базовой модели, однако карточка этой версии описывает прежде всего текстовые задачи рассуждения. Модель предназначена для пошагового решения математических и научных задач, а также для диалогового применения. В карточке сообщается о предварительных улучшениях программирования и использования инструментов без специального обучения на коде. В приведённых оценках модель показала 94,50% на GSM8K и 90,53% среднего результата по Math, Physics и Chemistry в MMLU-Pro; результаты получены в конкретных конфигурациях запуска и не гарантируют аналогичного качества в других условиях. Карточка называет модель экспериментальной и отмечает риск галлюцинаций и ошибок на сложных или недостаточно определённых задачах. Лицензия — Apache-2.0.

Eklav-4B-Math — диалоговая языковая модель AdarshSingh7647 для решения математических задач и пошаговых рассуждений. Это дообученная методом Eklav модель Qwen/Qwen3-4B с 3,7 млрд параметров, архитектурой Qwen3 и контекстом до 40 960 токенов. Она принимает текст и генерирует текст; при обучении модель училась продолжать частичный след рассуждений учителя и самостоятельно получать ответ, а не копировать весь след целиком. По данным карточки, на шести математических бенчмарках модель в среднем превзошла стандартную дистилляцию полных цепочек рассуждений на 3,5 процентного пункта pass@1 при одинаковой базовой модели и обучающих данных. Указаны результаты на AIME, GPQA-Diamond, GSM8K, MATH-500 и Omni-MATH; оценки получены в одном прогоне. Модель загружается через Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

jiosephlee дообучил Intern-S1-mini-lm на датасете записей исследований биодоступности, создав версию v27 L3. Это плотная причинная языковая модель семейства Qwen3 с 7,6 млрд параметров, представленная в формате safetensors и рассчитанная на контекст до 65 536 токенов. Метаданные указывают поддержку чата и генерации текста. Модель предназначена для переноса между анализами пероральной биодоступности и выбора записей, близких к запросу: контрольная точка выбрана по метрике knn_regression_mae_at_5. В описанной оценке она показала значение 0,776693 против 0,989952 у Morgan vanilla и 1,002469 у Morgan weighted. Оценка включала по 500 полных запросов с известными идентификаторами в валидационном и тестовом наборах; 25 запросов вне распределения в каждом наборе исключили из-за отсутствия обучающих примеров и требований оценщика. Для использования подходят запросы и ответы в текстовом или чат-формате, связанные с переносом результатов исследований биодоступности. Оценка не подтверждает качество на запросах вне обучающего покрытия. Лицензия указана как other; дополнительных условий в доступных данных нет.

LFM2-350M-Math-GGUF — компактная языковая модель для генерации текста и решения сложных математических задач. Модель разработана компанией Liquid AI и основана на LFM2-350M; вариант GGUF предназначен для запуска в совместимой инфраструктуре, включая llama.cpp, в том числе на устройствах с ограниченными ресурсами. Модель ориентирована на англоязычные сценарии и относится к специализированным моделям рассуждений. В README указано, что это небольшая модель, рассчитанная на решение нетривиальных математических задач, однако подробности об архитектуре, точном числе параметров, размере контекста и поддерживаемых модальностях не приведены. Указана текстовая модальность и языковой код en. К сильным сторонам относятся компактность и специализация на математических задачах, что делает модель подходящей для локального запуска и edge-сценариев. Ограничения включают узкую специализацию, англоязычную направленность и отсутствие в доступных данных подробных результатов оценки. Модель распространяется по лицензии lfm1.0; условия лицензии следует уточнять в файле LICENSE.

MergeBench/Llama-3.2-3B_math — текстовая авторегрессионная языковая модель семейства Llama, опубликованная командой MergeBench для генерации текста с акцентом на математические задачи. Это один из специализированных чекпойнтов, созданных на основе Llama-3.2-3B в рамках набора моделей MergeBench, предназначенного для изучения слияния моделей, дообученных для разных задач. Веса объёмом 3,2 млрд параметров представлены в формате Safetensors и совместимы с Transformers; заявленный контекст составляет 131 072 токена. Модель подходит для генерации решений и объяснений математических задач, а также для текстового дополнения в соответствующих сценариях. Она принимает и выдаёт текст; доступные сведения не устанавливают список поддерживаемых языков. Ключевое ограничение: специализация на математике не гарантирует точность вычислений или решений, а описание репозитория не приводит оценок качества именно этого чекпойнта и условий лицензии.

mathexpert7b — объединённая языковая модель на архитектуре Mistral, разработанная автором репозитория Ritik009999. Модель объединяет MetaMath-Mistral-7B, Mistral-7B-v0.1 и EmbeddedLLM/Mistral-7B-Merge-14-v0.2, после чего была дополнительно согласована с помощью Direct Preference Optimization (DPO). Она содержит 7,1 млрд параметров и рассчитана на генерацию текста; размер контекста — до 32 768 токенов. Название и состав модели указывают на математическую направленность: её можно использовать для решения задач и получения текстовых объяснений по математике. Лицензия репозитория — Apache-2.0. В карточке не приведены результаты оценки качества или подробности о поддерживаемых языках.

DT12the/Math-Mixtral-7B — объединённая языковая модель, созданная методом TIES с помощью mergekit на основе mistralai/Mistral-7B-Instruct-v0.2 и meta-math/MetaMath-Mistral-7B. Модель содержит 7,1 млрд параметров, использует архитектуру Mistral для причинной генерации текста и рассчитана на контекст до 32 768 токенов. Модель предназначена для диалогового взаимодействия и генерации ответов на инструкции с акцентом на математические вопросы. Она сочетает разговорную основу Mistral Instruct с влиянием MetaMath-Mistral-7B; для merge плотность и вес вклада MetaMath установлены на 0,7. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Сведения о лицензии и количественной оценке качества в предоставленных данных отсутствуют. Как и другие языковые модели, она может ошибаться в вычислениях и объяснениях; ответы следует проверять, особенно в задачах с высокой ценой ошибки.

Math-aware RoBERTa — модель на архитектуре RoBERTa, подготовленная авторами репозитория для ARQMath 3. Она инициализирована весами RoBERTa-base и дополнительно предобучена за один этап на Math StackExchange; в токенизатор добавлены дополнительные токены LaTeX для обработки математических формул. Модель содержит 152,2 млн параметров и рассчитана на контекст до 514 токенов. Это базовый чекпойнт для последующего дообучения под математические задачи, например классификацию или ответы на вопросы. В опубликованном виде модель не дообучена для конкретной прикладной задачи; основной доступный сценарий — заполнение маски в математическом тексте. Поддерживаемый язык — английский. Модель распространяется по лицензии CC BY 4.0.

Карточка модели meta-math/MetaMath-13B-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.

Mistral-7B-ProXMath — языковая модель, созданная командой ProX на основе Mistral-7B-v0.1. Модель продолжительно предобучали на 10 млрд токенов математического корпуса OpenWebMath-Pro, чтобы улучшить решение математических задач и рассуждения. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров. Она генерирует текст на входном языке; в метаданных указан английский язык. Контекст составляет 4096 токенов. В оценках на девяти математических бенчмарках модель превзошла исходную Mistral-7B-v0.1 по среднему результату, хотя на отдельных наборах уступила ей. Модель подходит для генерации решений и ответов на математические задачи, но результаты бенчмарков не гарантируют правильность каждого ответа. Распространяется по лицензии Apache-2.0.

Модель Nemotron-3-Nano-4B · 16k-token budget · GRPO · firmbeetle — экспериментальный чекпойнт, дообученный анонимной командой для подачи на ICLR 2027 на базе nvidia/NVIDIA-Nemotron-3-Nano-4B-BF16. Это плотная авторегрессионная языковая модель семейства Nemotron-H с 6,4 млрд параметров, представленная в формате safetensors и предназначенная для генерации текста, диалогов и рассуждений, прежде всего при решении математических задач. При дообучении применялся GRPO, а ответы обучающей выборки ограничивались бюджетом генерации в 16 384 токена; указанный в метаданных нативный контекст модели составляет 262 144 токена. Чекпойнт остановлен на шаге 120 из запланированных 300, поэтому качество и устойчивость могут быть ниже, чем у завершённых вариантов обучения. Карточка не указывает язык обучения, а лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели.

NFT-7B — языковая модель для математических рассуждений, разработанная NVIDIA, Университетом Цинхуа и Стэнфордским университетом. Это декодерный трансформер семейства Qwen2.5, дообученный методом Negative-aware Fine-Tuning на базе Qwen/Qwen2.5-Math-7B с использованием набора DAPO-Math-17k. Модель насчитывает 7,1 млрд параметров и принимает текстовые задачи, включая выражения в LaTeX, а в ответе может приводить пошаговое решение и итог в формате \boxed{}. Модель предназначена для решения математических задач общего и олимпиадного уровня, включая задачи AIME, AMC, MATH500 и Minerva Math. Карточка указывает контекст до 32 768 токенов, однако метаданные каталога сообщают native context 4 096 токенов. Модель в первую очередь обучена на математических задачах на английском языке; метаданные также отмечают английский язык. Для использования рекомендуются ясные формулировки и пошаговые запросы. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория. Разработчики позиционируют модель для исследований и разработок.

Модель dsfsi/nllb_200_distilled_600m-amh-eng — дообученная версия facebook/nllb-200-distilled-600M из проекта AfriScience-MT для машинного перевода научных текстов с амхарского на английский. Она построена на архитектуре M2M100 с последовательной обработкой входа и генерацией перевода; содержит 463,7 млн параметров и рассчитана на контекст до 1024 токенов. В README указано ограничение входа в 256 токенов, поэтому более длинные тексты рекомендуется делить на фрагменты. Модель предназначена прежде всего для перевода научных аннотаций и статей. На тестовом наборе AfriScience-MT указаны BLEU 36,13, chrF 60,12 и SSA-COMET 67,58. Она может хуже работать с разговорным и неформальным текстом; заявлена поддержка только направления амхарский → английский. Лицензия — Apache-2.0.

OpenMed-NER-GenomeDetect-SnowMed-568M — специализированная модель OpenMed для распознавания упоминаний генов и белков в биомедицинских текстах. Она предназначена для разметки сущностей в научных публикациях, клинических записях и других медицинских документах, например для поиска генов в литературе и извлечения упоминаний из медицинских текстов. Модель использует архитектуру XLM-RoBERTa и задачу классификации токенов, выдавая метки BIO для сущностей B-GENE/PROTEIN и I-GENE/PROTEIN. Размер — около 658,7 млн параметров, контекст — до 8194 токенов. В README указано, что модель дообучена на корпусе BC2GM; сообщаемая оценка F1 на этом наборе составляет 0,87. Метаданные указывают английский язык и формат safetensors. Модель может помогать в извлечении генов и белков для биомедицинского поиска и анализа, однако обучалась на распознавании именно таких упоминаний и не классифицирует другие типы сущностей. Показатели приведены для BC2GM и не гарантируют такое же качество на клинических документах или иных корпусах. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-GenomicDetect-ElectraMed-109M — специализированную модель для распознавания именованных сущностей в биомедицинских текстах. Это трансформерная модель семейства BERT с классификационной головой для токенов, содержащая 136,7 млн параметров и работающая с контекстом до 512 токенов. Она принимает токенизированный текст и возвращает BIO-разметку; карточка указывает английский язык и классы сущностей B-Cell-line-name и I-Cell-line-name. Модель предназначена для извлечения упоминаний клеточных линий в научной литературе и биомедицинских документах, в том числе для последующего анализа геномных данных и построения биомедицинских баз знаний. В README приведены результаты на корпусе GELLUS: F1 0,97, точность 1,00 и полнота 0,94. При этом перечисленные классы относятся к названиям клеточных линий, поэтому заявленные в карточке более широкие сценарии вроде извлечения генов, лекарств и побочных эффектов могут не поддерживаться этими метками. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-GenomicDetect-MultiMed-568M — модель OpenMed для распознавания именованных сущностей в биомедицинских текстах. Это дообученная модель XLM-RoBERTa для классификации токенов размером 658,7 млн параметров с контекстом до 8194 токенов. По карточке, она обучена на корпусе GELLUS и размечает сущности типа Cell-line-name с BIO-тегами. Модель предназначена для извлечения упоминаний клеточных линий из научной и клинической литературы и других биомедицинских документов. Такие разметки можно использовать для поиска и анализа упоминаний в геномике и молекулярной биологии. README также заявляет сценарии вроде анализа медицинских записей и поиска по литературе, но перечисленные метки ограничены типом Cell-line-name. Карточка сообщает о точности, полноте и F1, равных 1,00 на текущей оценке, однако методика и независимая проверка этих результатов не приведены. Модель принимает токенизированный текст и выдаёт метки токенов; языковой тег — английский. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-GenomicDetect-TinyMed-82M — дообученную модель RoBERTa для распознавания и классификации именованных сущностей в биомедицинских текстах. По README, модель основана на distilroberta-base и обучена на корпусе GELLUS; метаданные указывают 95,2 млн параметров и контекст до 514 токенов. Модель присваивает токенам BIO-метки для сущностей типа Cell-line-name. Она предназначена для извлечения таких упоминаний из клинических записей и научной литературы, а также для геномного текстового анализа. README приводит высокие показатели на GELLUS, но описывает только один тип сущностей, поэтому результаты не подтверждают извлечение лекарств, химических соединений или всех видов генов и вариантов, упомянутых среди возможных сценариев. Лицензия — Apache-2.0.

OpenMed/OpenMed-NER-OncologyDetect-BigMed-278M — модель распознавания биомедицинских сущностей, разработанная OpenMed и дообученная на корпусе BioNLP 2013 CG для задач онкологии и генетики рака. Это модель XLM-RoBERTa для классификации токенов: она принимает текст и выдаёт BIO-разметку, выделяя гены и продукты генов, рак, химические вещества, ткани, органы и другие биомедицинские сущности. Размер модели — 305,2 млн параметров, длина контекста — 514 токенов; в карточке указан английский язык. Модель подходит для извлечения сущностей из научной литературы и медицинских текстов, включая поиск генетических маркеров и анализ онкологических исследований. В README приведены F1 0,79, точность 0,79, полнота 0,80 и accuracy 0,89 на описанной оценке; эти результаты не гарантируют аналогичного качества на других корпусах или клинических документах. Лицензия — Apache-2.0.

OpenMed/OpenMed-ZeroShot-NER-Organism-XLarge-770M — модель OpenMed на архитектуре GLiNER для распознавания упоминаний видов организмов в научных и биомедицинских текстах. Она дообучена на корпусе SPECIES800, содержащем научные и общеупотребительные названия организмов, и поддерживает zero-shot извлечение сущностей: метки можно задавать при использовании без отдельного дообучения под каждую категорию. В карточке указана оценка F1 0,8256 на тестовой части SPECIES800. Модель предназначена для разметки видов в научной литературе, биоинформатике, экологических исследованиях и биокурации. README также заявляет более широкое извлечение биомедицинских сущностей, однако явно указанный обучающий корпус и целевой тип сущности — SPECIES, поэтому заявленную специализацию следует считать основной. Репозиторий содержит веса PyTorch; размер модели — 770 млн параметров. Лицензия Apache-2.0.