IV.6Научные исследования, математика и новые материалы

OpenMed-ZeroShot-NER-Pharma-Medium-209M — модель OpenMed для извлечения упоминаний химических веществ из биомедицинских текстов. Она построена на архитектуре GLiNER и дообучена на корпусе BC5CDR-Chem, содержащем аннотации химических соединений в аннотациях PubMed. Размер модели — 209 млн параметров; формат весов — PyTorch. Модель предназначена для распознавания химических соединений, лекарств и терапевтических веществ в научной и медицинской литературе. Извлечённые сущности можно использовать в системах фармаконадзора, поиска нежелательных реакций и последующего анализа связей «химическое вещество — заболевание». GLiNER позволяет задавать типы сущностей при запросе, однако заявленная специализация этой версии — химические сущности BC5CDR-Chem. В README приведён результат F1 0,9457 на тестовом наборе BC5CDR-Chem. Модель принимает текст и выдаёт найденные сущности с метками. В метаданных указан английский язык. Лицензия Apache-2.0. Результаты на специализированном корпусе не гарантируют такую же точность на других типах текстов и сущностей; качество для произвольных пользовательских меток может зависеть от порога извлечения.

OpenMed/OpenMed-ZeroShot-NER-Species-Medium-209M — специализированная модель OpenMed для распознавания упоминаний видов и организмов в тексте. Она основана на архитектуре GLiNER и дообучена на корпусе LINNAEUS для извлечения сущностей SPECIES, включая научные и общеупотребительные названия, а также сокращения. Модель предназначена для анализа научной и биомедицинской литературы, отчетов метагеномики и подготовки материалов для таксономической разметки. Модель принимает текст и возвращает найденные фрагменты сущностей с метками. Заявлена поддержка zero-shot извлечения типов сущностей, задаваемых пользователем, однако карточка конкретно описывает обучение и оценку для распознавания видов. В README приведен результат F1 0,9751 на тестовой части LINNAEUS, исключенной из обучения; это показатель из карточки, а не независимая оценка. Метаданные указывают библиотеку PyTorch и английский язык карточки. Модель распространяется по лицензии Apache-2.0.

Optimus-7B — языковая модель, созданная Q-bert дообучением Mistral-7B-v0.1 на наборе MetaMathQA. Она предназначена для генерации текста в диалоговом формате ChatML и ориентирована, в частности, на математические вопросы и рассуждения. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов; в репозитории представлены веса Safetensors. Модель подходит для диалоговых приложений и ответов на математические вопросы на английском языке. В README приведены результаты оценки на Open LLM Leaderboard, однако подробные результаты доступны по внешней ссылке и не включены в карточку. Распространяется по лицензии Apache-2.0.

Phi-4-mini-reasoning — компактная математическая и reasoning-модель Microsoft, преобразованная сообществом в формат LiteRT-LM для локального запуска на устройствах с ограниченными ресурсами. Это плотная causal language model на архитектуре Phi3ForCausalLM с 3,8 млрд параметров и 32 слоями. Модель генерирует рассуждение в секции <think>…</think>, после чего формирует ответ. Поддерживаемая модальность — текст; сведения о языках обучения в карточке не указаны. Модель предназначена для решения математических задач и сценариев on-device inference на Android, macOS, iPhone и одноплатных компьютерах. Файл model.litertlm занимает около 2,6 ГБ и использует симметричную int4-квантизацию с блоком 32, оптимальным clipping OCTAV и INT8-представлением эмбеддингов; вычисления выполняются в целочисленном формате. Размер KV-кэша и заявленный контекст составляют 4096 токенов. Для получения завершённого ответа рекомендуется задавать max_tokens не менее 2048, поскольку модель сначала разворачивает цепочку рассуждений. Сильные стороны модели — пригодность для локального запуска, поддержка GPU и CPU-бэкендов LiteRT, высокая скорость на совместимом GPU и сохранение заметной математической точности после квантизации: 81% на GSM8K против 89% у эталонной bf16-версии. Ограничения включают снижение точности из-за int4-квантизации, чувствительность к размеру блока, необходимость выделять достаточно токенов на рассуждение и сравнительно низкую скорость на слабых CPU. Лицензия — MIT.

ProofGPT-v0.1-6.7B — языковая модель на архитектуре GPT-NeoX, разработанная Hoskinson Center и обученная на корпусе Proof-Pile v1.1. Обучение начали с весов EleutherAI/pythia-6.7b; карточка отмечает, что эта версия предшествует pythia-6.9b и имеет примерно сопоставимую производительность. Модель предназначена для генерации текста, связанного с математическими доказательствами и материалами корпуса Proof-Pile. Она принимает текст и генерирует текст, поддерживает английский язык, имеет контекст длиной 2048 токенов и опубликована в формате PyTorch. Лицензия — MIT. Подробные оценки качества в карточке пока не приведены.

PJiNH/QFFT-repro-S1.1-QFFT-7B — независимое воспроизведение модели S1.1 / QFFT из исследования QFFT: Question-Free Fine-Tuning for Adaptive Reasoning. Это полное дообучение инструктивной Qwen2.5-7B-Instruct с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров; веса хранятся в формате safetensors. При обучении использованы 1 000 ответов из наборов S1_QFFT и s1K-1.1 без исходных вопросов. Модель не является чекпойнтом авторов исследования и не связана с ними, Qwen или авторами датасетов. Модель предназначена для генерации диалогового текста с пошаговыми рассуждениями, в частности для математических и научных задач. В карточке приведены результаты воспроизведения на GSM8K, MATH500 и AIME25; модель используют в обычном формате чата. Максимальная длина контекста — 32 768 токенов. Карточка указывает английский язык. Это исследовательское воспроизведение с отличиями в настройках обучения от исходного эксперимента: использовались один GPU, gradient accumulation 8, SDPA и DeepSpeed ZeRO-2 с выгрузкой оптимизатора на CPU. Для GPQA отмечено пересечение части контрольных вопросов с источниками обучающих ответов, поэтому результаты по этому тесту следует сообщать вместе с оговоркой о пересечении. Лицензия — Apache-2.0.

Qwen2.5-3B-GRPO-Staleness-2 — дообученная модель zbeeb на базе Qwen/Qwen2.5-3B, финальный полно-параметрический чекпойнт шага 1000. Это плотная авторегрессионная языковая модель семейства Qwen2, содержащая 3,1 млрд параметров; веса сохранены в Safetensors. Модель обучали методом GRPO на 17 005 математических примерах из Staleness GRPO DAPO Math с ограничением возраста обучающих rollout до двух шагов. Проверка награды оценивала математическую эквивалентность конечного ответа. Модель предназначена для генерации ответов на математические задачи и диалогового использования. Карточка сообщает о проверках на MATH-500, AMC, AIME, Minerva и OlympiadBench; результаты в ней названы самоотчётными. Контекст в метаданных составляет 32 768 токенов, однако обучение и приведённые оценки использовали общий контекст до 4 096 токенов, с лимитом завершения до 3 072 токенов в части оценок. Карточка указывает английский и китайский языки. Лицензия обозначена как other, поэтому условия использования следует сверить в репозитории модели.

Qwen2.5-3B-GRPO-Staleness-6 — полноразмерный чекпойнт Qwen/Qwen2.5-3B после 1000 обновлений методом GRPO, обученный автором zbeeb на наборе из 17 005 математических задач DAPO. Это плотная причинная языковая модель семейства Qwen2 с 3,1 млрд параметров, предназначенная для генерации ответов на математические задачи. Модель поддерживает чат; в README описана оценка математической эквивалентности итогового ответа как сигнал вознаграждения при обучении. Нативный контекст модели составляет 32 768 токенов. В этом обучении использовался общий контекст до 4 096 токенов и генерация ответа до 3 072 токенов; результаты обучения не являются новым бенчмарком экспортированного файла или сравнением на контексте 8K. Модель принимает текст и генерирует текст. Метаданные указывают английский и китайский языки, но карточка не утверждает, что обучение было специально ориентировано на них. Веса сохранены в формате Safetensors. Лицензия указана как other, поэтому конкретные условия следует проверять в файлах репозитория. Заявленные оценки относятся к финальному состоянию обучения и не являются отдельной оценкой опубликованного артефакта; кроме того, сравнение вариантов с разными ограничениями staleness может быть осложнено различиями в конфигурации оборудования.

Qwen2.5Math-IVON-SFT-7B — дообученная модель BayesRL на базе Qwen/Qwen2.5-Math-7B, предназначенная для генерации решений математических задач. Это плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров, обученная методом supervised fine-tuning с оптимизатором IVON. Чекпойнт служит начальной точкой для последующего обучения с подкреплением для верифицируемых задач: IVON сохраняет приближённое гауссовское апостериорное распределение параметров, которое используется как обученный prior для исследования пространства параметров в запусках 3PO. Модель загружается как стандартная causal LM через Transformers и поддерживает диалоговую генерацию текста. Контекст — 4096 токенов; в карточке указан английский язык, а базовая модель предназначена для математических решений на английском и китайском. Модель распространяется по лицензии Apache-2.0. Ее специализированное назначение — математическое рассуждение и подготовка warm-start чекпойнта для экспериментов RLVR; заявленные данные не подтверждают отдельные показатели точности или гарантии качества ответов.

BillyWang1 разработал эту модель на основе Qwen/Qwen3-4B-Instruct-2507, дообучив её методом GRPO для математических рассуждений с использованием инструмента code_interpreter. Это плотная языковая модель Qwen3 с 3,7 млрд параметров и контекстом до 262 144 токенов; она принимает текстовые запросы и генерирует текст, включая вызовы инструментов в формате Qwen3. В сценариях с инструментом модель может выполнять Python-код для проверки промежуточных вычислений перед выдачей ответа. Модель ориентирована на решение математических задач: в README приведены результаты на AIME 2024, AIME 2025 и MATH-500. Для воспроизведения поведения с инструментами требуется предоставить совместимый code_interpreter и системный промпт обучения. Данные о поддерживаемом языке в метаданных указывают на английский. Модель распространяется по лицензии Apache-2.0; результаты бенчмарков не гарантируют точность на других задачах.

SeongryongJung/Qwen3-4B-Physics-SDPO-TR — экспериментальный чекпойнт Qwen3-4B, обученный методом SDPO-TR на физическом наборе данных с размером батча 32. В репозитории размещён лучший по валидационному mean@16 чекпойнт на шаге 50; также доступен финальный чекпойнт на шаге 100. Модель предназначена для генерации текста и решения задач по физике с использованием рассуждений. В README указана лучшая валидационная оценка mean@16 69,45%, а для финального чекпойнта — 60,16%. Это результаты конкретного эксперимента, а не гарантия качества на других наборах задач. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Базовая модель — Qwen/Qwen3-4B. Веса представлены в формате safetensors; лицензия — Apache-2.0. Для загрузки README приводит пример использования Transformers с trust_remote_code=True.

noystl/recomb-pred-bge-large-en — англоязычная модель Sentence Transformer, дообученная автором noystl на базе BAAI/bge-large-en-v1.5 для поиска и сопоставления ответов с научными запросами о предсказании рекомбинации. Модель BERT с 433,9 млн параметров преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; сходство оценивается косинусной метрикой. Максимальная длина входа — 512 токенов. Модель обучалась на датасете noystl/Recombination-Pred с контрастивной функцией потерь. Её можно применять для семантического поиска релевантных ответов, оценки сходства текстов, кластеризации и извлечения признаков для классификации. Она принимает текст и выдаёт векторы, а не готовые ответы; качество за пределами англоязычного сценария предсказания рекомбинации не подтверждено. Лицензия — CC.

Microsoft Rho-Math-7B-v0.1 — языковая модель для математических задач, построенная на архитектуре Mistral и обученная методом Selective Language Modeling (SLM). В отличие от обучения на всех токенах, SLM избирательно учитывает чистые и полезные токены. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации решений математических задач и рассуждений по ним. В карточке сообщается о результатах few-shot оценки на наборах GSM8K и MATH; отдельная версия Interpreter предназначена для решения задач с интеграцией инструментов, но это не данная модель. Основной язык карточки — английский. Модель распространяется в формате Safetensors по лицензии MIT.

s1-32B — модель для генерации текста с упором на пошаговые рассуждения, разработанная SimpleScaling. Это дообученная версия Qwen2.5-32B-Instruct на наборе из 1 000 примеров s1K. Модель построена на плотной архитектуре Qwen2 и содержит 32 млрд параметров; максимальная длина контекста — 32 768 токенов. Модель предназначена для диалогов и задач, где полезны развёрнутые рассуждения, включая решение математических задач. В README приводятся результаты на AIME 2024 и AIME 2025; часть оценок получена с помощью budget forcing — многократного продолжения рассуждения после маркера его завершения. Карточка рекомендует более производительную преемницу s1.1. Модель принимает и выдаёт текст. README не сообщает поддерживаемые естественные языки. Файлы опубликованы в формате safetensors. Лицензия — Apache-2.0.

UwU-14B-Math-v0.2 — языковая модель на 14 млрд параметров, разработанная qingy2024. Это дообученная версия Qwen 2.5-14B на ответах QwQ 32B Preview на вопросы из набора NuminaMathCoT; модель использует архитектуру Qwen2ForCausalLM и формат диалогов ChatML. Она предназначена для генерации текста, прежде всего для решения математических задач и пошаговых рассуждений на английском языке. Размер контекста составляет до 131 072 токенов. Обучение остановили на 500 шагах, когда функция потерь перестала заметно снижаться, чтобы избежать чрезмерного переобучения. Модель распространяется по лицензии Apache 2.0. Качество решения задач и точность рассуждений в карточке не оценены; обучение на ограниченном наборе математических примеров может сказываться на обобщении.

Zoobot Encoder MaxViT RMLP Small RW 224 — визуальный энкодер из проекта Zoobot, опубликованный mwalmsley. Модель предназначена для классификации изображений и может использоваться как энкодер через библиотеку timm; README также указывает на возможность дообучения. Архитектура относится к семейству MaxViT, входной размер обозначен как 224 в имени модели, веса доступны в формате PyTorch. Модель можно применять как основу для классификатора изображений и адаптировать под наборы данных о галактиках. Репозиторий распространяется по лицензии Apache-2.0. README не приводит сведения о метриках, точном числе параметров или поддерживаемых языках; модель работает с изображениями и выдаёт классовые предсказания.

ARKA Advanced SLM — Behavior-First SFT v2 — языковая модель семейства ARKA, разработанная Абхаем Кумаром Рудрапалом. Это вариант GPT-2, дообученный методом supervised fine-tuning на базе Abhayn01/arka-advanced-slm-scitech-stream-500m-v1 для диалогового поведения в роли Academic Research Knowledge Assistant. Модель предназначена для генерации ответов в формате диалога User/Assistant и академических сценариев общения. В README указаны изменения рецепта дообучения: больший вес диалоговых данных, явное закрепление идентичности ARKA, ограничение доли вопросов с недостаточным контекстом и обучение на токенах ответа. Модель работает с текстом, поддерживает контекст до 1024 токенов и распространяется по лицензии Apache-2.0.

CeLLaTe-ner-2class-pubmedbert-tapt-combData-tokenizer-adapted-baseline — англоязычная модель на архитектуре BERT для классификации токенов. Она дообучена на Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-baseline-combinedData с использованием набора OTAR3088/CeLLaTe-ner-2class-iob_final. Модель предназначена для распознавания сущностей в биомедицинских текстах и присвоения меток отдельным токенам. В карточке приведены результаты на оценочном наборе: micro F1 0,7675, precision 0,7821, recall 0,7535 и accuracy 0,9845. Модель содержит 138,2 млн параметров, принимает последовательности длиной до 512 токенов и работает через библиотеку Transformers. Лицензия — Apache-2.0. Описание не уточняет названия двух классов и конкретные типы распознаваемых сущностей; качество может зависеть от соответствия текста обучающим данным.

CeLLaTe-ner-2class-pubmedbert-tapt-tokenizer-adapted-spanmask-gazetters-lr_2.16 — англоязычная модель на базе BERT, разработанная Mardiyyah и дообученная для классификации токенов на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Она предназначена для разметки токенов в биомедицинских текстах; название набора указывает на двухклассовую NER-задачу с IOB-разметкой. Модель содержит 138,2 млн параметров, принимает текст, выдаёт метки токенов и поддерживает контекст до 512 токенов. На оценочном наборе указаны Micro F1 0,7720, Macro F1 0,7820, точность 0,9845, precision 0,7974 и recall 0,7480. Веса доступны в формате safetensors, библиотека — Transformers. Лицензия — Apache-2.0. Карточка не уточняет классы сущностей и ограничения разметки, поэтому результаты не следует переносить на другие корпуса без проверки.

ExploreXploitQ разработал DeepMath-103K-Level6-Qwen3-4B-Base-GRPO — дообученную методом GRPO плотную языковую модель Qwen3 для математических рассуждений. Модель обучалась с обновлением всех параметров на 57 046 примерах поднабора Level 6 датасета DeepMath-103K; для обучения использовались verl и обучающий код Thinking-Space/Rethinking-OPD, а вознаграждение за ответы задавалось правилами проверки математического результата. Модель предназначена для генерации пошаговых решений и ответов на математические задачи. В README приведены результаты проверки на AIME 2025, AMC 2022–2023 и AIME 2024: соответственно, 21,25%, 60,77% и 23,54% точности в режиме avg@16. Это специализированная модель на 3,7 млрд параметров с контекстом 32 768 токенов, доступная для использования через Transformers. Базовая модель — Qwen/Qwen3-4B-Base; лицензия — Apache-2.0.

kyungeun/gemma-2-9b-it-mathinstruct — чат-модель на архитектуре Gemma 2, созданная дообучением google/gemma-2-9b-it на наборе MathInstruct. Она предназначена для генерации ответов на математические запросы и решения задач в диалоговом формате. Модель содержит 9 млрд параметров, принимает текст и поддерживает контекст длиной до 8192 токенов. В метаданных указан английский язык и библиотека Transformers. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о поддерживаемых разделах математики, поэтому качество решения конкретных классов задач по этим данным определить нельзя.

INTELLECT-MATH — языковая модель Prime Intellect на 7,1 млрд параметров для математических рассуждений. Она основана на архитектуре Qwen2 и обучена в два этапа: дообучение на проверенных ответах QwQ и последующее обучение с подкреплением по рецепту PRIME-RL. Модель предназначена для решения математических задач и пошагового рассуждения. В карточке приведены результаты на MATH-500, OLYMPIADBENCH и AIME 2024; авторы сообщают, что модель превосходит Eurus-2-PRIME и достигает сопоставимых результатов при более коротком обучении с подкреплением. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors, предусмотрен чатовый сценарий использования. Модель выпущена под лицензией MIT. Опубликованные результаты относятся к математическим бенчмаркам; карточка не подтверждает качество в других областях. Язык данных явно не указан.

albertge/llada-8b-dllm-registers-omi30k-t4 — экспериментальный чекпойнт проекта dLLM Registers, дообученный на базе GSAI-ML/LLaDA-8B-Base. Это плотная диффузионная языковая модель LLaDA с 8 млрд параметров для генерации текста; обучение проводилось методом SFT на примерно 30 тыс. математических трасс из поднабора OpenMathInstruct-2. Вариант использует четырёхтокенный хвост Markovian Thinking как канал переноса состояния между окнами денойзинга, размер окна составляет 128 токенов. Модель рассчитана на генерацию ответов с математическими рассуждениями и оценку масштабирования числа слотов в диффузионных языковых моделях. Для корректного использования канала переноса состояния нужны указанные авторами режим tail и длина хвоста 4. В метаданных указан английский язык и библиотека Transformers. Лицензия — Apache-2.0.

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.

OpenMed разработала OpenMed-NER-GenomicDetect-BioClinical-108M — модель на базе Bio_ClinicalBERT, дообученную для распознавания и классификации биомедицинских сущностей в тексте. Она выполняет токенную классификацию и выделяет сущности типа Cell-line-name; README описывает её назначение как распознавание генов и связанных с ними сущностей в корпусе GELLUS. Модель принимает токенизированный текст и возвращает BIO-разметку. Она рассчитана на англоязычные клинические документы и научную литературу по геномике и молекулярной биологии; максимальный контекст — 512 токенов, размер — 135,5 млн параметров. Подходит для извлечения упоминаний клеточных линий и генетических сущностей при анализе медицинских записей и публикаций. В README заявлены высокие показатели на GELLUS, но приведённые результаты и описание классов сущностей требуют проверки на целевых данных: список меток содержит только Cell-line-name и не подтверждает распознавание лекарств или химических соединений. Лицензия — Apache-2.0.

OpenMed-NER-GenomicDetect-BioPatient-108M — специализированная модель OpenMed для распознавания именованных сущностей в биомедицинских текстах. Это дообученная модель на основе BERT для классификации токенов; она принимает токенизированный текст и возвращает метки сущностей в формате BIO. В репозитории указаны 135,5 млн параметров, контекст до 512 токенов и формат Safetensors. Модель обучена на корпусе GELLUS и предназначена для поиска генетических сущностей в научной литературе и медицинских документах. В README перечислены метки B-Cell-line-name и I-Cell-line-name, поэтому заявленная способность распознавать гены и варианты следует трактовать с учётом этого набора меток. Она может использоваться для извлечения упоминаний сущностей при анализе биомедицинских текстов и построении баз знаний. Заявленные в карточке показатели качества приведены без описания протокола оценки. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-GenomicDetect-SuperClinical-184M — дообученную модель DeBERTa для распознавания генетических сущностей в биомедицинских текстах. Она принимает токенизированный текст и выполняет разметку токенов BIO, выделяя сущности типа Cell-line-name. В карточке указано обучение на корпусе GELLUS и приведены метрики F1 0,98, точности 0,98 и полноты 0,99. Модель предназначена для извлечения упоминаний из клинических документов и научной литературы, а также для текстового анализа в геномике и молекулярной биологии. Архитектура — DeBERTa-v2 для классификации токенов; размер составляет 211,6 млн параметров, максимальный контекст — 512 токенов. Указан английский язык. Лицензия — Apache-2.0. Метки в README описывают только Cell-line-name, хотя корпус и общее описание также заявляют распознавание генов и других генетических сущностей. Поэтому извлечение этих сущностей сверх клеточных линий следует проверять отдельно; метрики в карточке не сопровождаются подробностями методики оценки.

OpenMed-NER-OncologyDetect-ModernMed-395M — модель OpenMed для распознавания и классификации биомедицинских сущностей в текстах об онкологии и генетике рака. Это дообученная модель семейства ModernBERT с архитектурой ModernBertForTokenClassification и примерно 394,7 млн параметров; она принимает токенизированный текст и выдаёт BIO-разметку сущностей. Окно контекста — до 8192 токенов. Модель предназначена для извлечения генов и их продуктов, видов рака, клеток, химических веществ, тканей и других биомедицинских сущностей из научных публикаций и медицинских текстов. В карточке указано дообучение на корпусе BioNLP 2013 CG и F1 0,77 на этом наборе данных. Возможные сценарии включают поиск сущностей в онкологической литературе и подготовку данных для биомедицинских графов знаний. Модель ориентирована на англоязычные тексты. Результаты на других жанрах и языках не подтверждены; приведённые в карточке примеры применения не означают клиническую валидацию. Распространяется по лицензии Apache-2.0.

OpenMed-NER-OncologyDetect-SuperMedical-125M — модель OpenMed для распознавания именованных сущностей в биомедицинском тексте. Это дообученная для токенной классификации модель на архитектуре RoBERTa; README указывает базовую архитектуру roberta-base, а метаданные — около 151,8 млн параметров и контекст до 514 токенов. Модель обучена на корпусе BioNLP 2013 CG и выдаёт BIO-разметку, включая сущности, связанные с раком, генами и их продуктами, клетками, тканями, органами и химическими веществами. Модель предназначена для извлечения сущностей из научных публикаций и медицинских текстов, а также для поиска онкологических и генетических терминов в биомедицинской литературе. В README приведены метрики на BioNLP 2013 CG: F1 0,85, точность 0,84 и полнота 0,85. Карточка описывает совместимость с Transformers и рекомендует сценарии клинического анализа, однако результаты на специализированном корпусе не подтверждают пригодность для принятия клинических решений. Указанный язык — английский. Лицензия — Apache-2.0.

OpenMed-NER-SpeciesDetect-SuperClinical-141M — модель OpenMed для распознавания названий видов и организмов в биомедицинских текстах. Это трансформер DeBERTa для классификации токенов, дообученный на корпусе LINNAEUS; он выделяет сущности метками B-SPECIES и I-SPECIES и возвращает BIO-разметку. В README приведены показатели на наборе оценки: F1 0,94, точность 0,93, полнота 0,95 и accuracy 1,00. Модель предназначена для извлечения упоминаний видов из научной литературы, клинических документов и других биомедицинских текстов, например для поиска организмов в публикациях и построения биомедицинских баз знаний. Она принимает текст и выдаёт метки сущностей; контекст ограничен 512 токенами. Поддержка английского подтверждается метаданными. Репозиторий содержит веса в формате safetensors, размер модели — 155 млн параметров. Лицензия Apache-2.0.