IV.6Научные исследования, математика и новые материалы

OpenMed разработала OpenMed-NER-SpeciesDetect-TinyMed-65M — дообученную модель DistilBERT для распознавания названий видов и организмов в биомедицинских текстах. Модель принимает токенизированный текст и возвращает разметку сущностей в формате BIO: B-SPECIES и I-SPECIES. В README указана базовая архитектура distilbert-base-cased; контекст составляет 512 токенов. Модель предназначена для извлечения упоминаний видов из научной литературы и других биомедицинских документов, а также для задач таксономического текстового анализа. В README приведены результаты на корпусе LINNAEUS: F1 0,94, точность 0,93 и полнота 0,94. Эти показатели относятся к указанной оценке и не гарантируют аналогичного качества на других данных. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Species-Multi-209M — модель OpenMed для распознавания упоминаний видов и организмов в научных и биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе LINNAEUS, размечающем названия видов. Модель выявляет научные и общеупотребительные названия, а также их сокращённые формы; её можно применять для поиска таких сущностей без отдельного дообучения под каждую задачу. Модель предназначена для извлечения видов из научной литературы, материалов по биоразнообразию и метагеномных отчётов, а также для подготовки текстов к таксономической обработке. В карточке заявлена оценка F1 0,83 на тестовом наборе, не использованном при обучении; приведены и другие результаты по LINNAEUS, поэтому качество зависит от набора и настройки оценки. Утверждения карточки о распознавании произвольных типов сущностей шире специализированного назначения модели и могут требовать проверки на конкретных данных. Модель распространяется по лицензии Apache-2.0; карточка указывает PyTorch и поддержку английского языка.

QFFT-repro-LIMO-QFFT-7B — независимая репродукция модели LIMO / QFFT, созданная PJiNH по работе «QFFT: Question-Free Fine-Tuning for Adaptive Reasoning». Это полное дообучение инструктивной Qwen2.5-7B-Instruct с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Модель принимает текстовые сообщения в обычном формате чата и генерирует текст; базовая модель поддерживает контекст до 32 768 токенов. Модель обучена методом QFFT на ответах без соответствующих вопросов: использованы 817 ответов GAIR/LIMO из набора LIMO_QFFT. Она предназначена для генерации рассуждений и решения математических задач; в карточке приведены результаты на GSM8K, MATH500 и AIME25. Это самостоятельная репродукция, а не исходный чекпойнт авторов статьи. Веса опубликованы в формате safetensors и доступны по лицензии Apache-2.0. Результаты репродукции несколько отличаются от опубликованных в статье; в README отмечены различия в шагах обучения, группировке потерь и программной конфигурации. Метаданные указывают английский язык карточки, но отдельная языковая характеристика модели в README не приводится.

QFT-OLMO3-32B-epoch-3 — языковая модель для математических рассуждений в формате Hugging Face, опубликованная пользователем qingyangzhang. По метаданным это плотная авторегрессионная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров. Репозиторий содержит веса safetensors; для подготовки диалоговых запросов следует использовать встроенный chat template. Модель предназначена для генерации текста и решения задач, требующих математических рассуждений. Она поддерживает контекст до 49 152 токенов и ориентирована на английский язык. Лицензия — Apache-2.0. В README не приведены результаты оценок качества и подробности обучения, поэтому точность на конкретных типах математических задач по этим данным определить нельзя.

Qwen2.5-Math-1.5B — плотная языковая модель семейства Qwen2.5, представленная в карточке Unsloth как базовая версия серии математических моделей Qwen. Это дообученная модель Qwen/Qwen2.5-Math-1.5B с 1,5 млрд параметров, предназначенная для генерации продолжений и решений математических задач на английском и китайском языках. Она поддерживает рассуждения по цепочке (CoT) и интегрированное с инструментами рассуждение (TIR); контекст — до 4096 токенов. Модель подходит для генерации пошаговых решений и ответов на математические задачи, а также для few-shot-примеров и как основа для дальнейшего дообучения. В карточке рекомендуется использовать серию преимущественно для математики на английском и китайском; для других задач она не рекомендована. Для запуска требуется Transformers версии 4.37.0 или новее. Лицензия — Apache-2.0.

Thinking-Space/Qwen3-4B-Base-GRPO — языковая модель семейства Qwen3, разработанная на основе Qwen3-4B-Base и дообученная методом группового относительного policy optimization (GRPO) с использованием фреймворка verl. Это плотная авторегрессионная модель с 3,7 млрд параметров и контекстом 32 768 токенов. Модель предназначена прежде всего для математических рассуждений и решения задач. При обучении использовался набор DAPO-Math-17k-Processed; для проверки упомянуты AIME25, AMC23 и AIME24. Обновлялись все параметры модели, отдельная reward-модель не применялась. Модель принимает текстовые запросы и генерирует текстовые ответы; в метаданных указана поддержка английского и китайского языков. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке репозитория. Хотя модель рассчитана на математические задачи, карточка не приводит численных оценок качества; результаты могут зависеть от формулировки задачи и не гарантируют правильность решения.

sagnikM/qwen_qwen_step75_actor — текстовая генеративная модель на архитектуре Qwen2, представляющая собой математический рассуждатель из промежуточного чекпойнта обучения HiLL Qwen2.5-7B/OpenThoughts. Модель разработана как преобразованная версия actor-чекпойнта FSDP на шаге 75; в репозитории опубликованы веса, конфигурация и токенизатор, а состояние оптимизатора и тренера осталось в исходном чекпойнте VERL. Модель предназначена для генерации текста и решения задач с математическими рассуждениями. Это плотная причинно-языковая модель с 7,1 млрд параметров, основанная на Qwen/Qwen2.5-7B-Instruct и доступная в формате safetensors через Transformers. Контекст составляет до 32 768 токенов. Карточка не сообщает отдельные языковые ограничения или результаты оценки качества. Использование регулируется лицензией базовой модели Qwen2.5-7B-Instruct; конкретный идентификатор лицензии в доступных сведениях не приведён. Поскольку это ранний чекпойнт на шаге 75, качество и устойчивость рассуждений могут быть ограничены по сравнению с завершённой моделью.

AIOR-Research/SOLID-StepORLM — модель генерации текста на базе Qwen3, созданная командой AIOR-Research для формализации задач исследования операций и генерации ответов с опорой на решатель. Это дообученный чекпойнт Chenyu-Zhou/StepORLM-Qwen3-8B с 7,6 млрд параметров и контекстом до 40 960 токенов. Обучение использовало GRPO и токенную KL-супервизию, основанную на решателе; модель применяет шаблон ответов COPT-style StepORLM. Модель предназначена для преобразования задач оптимизации, сформулированных на естественном языке, в математические модели и получения решений с проверкой через оптимизационный решатель. В README приведены результаты на OptMATH, MAMO-Complex и InOR; показатели различаются между наборами данных, поэтому качество зависит от типа задачи. Модель доступна в формате safetensors для Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

TopologicalQwen — причинная языковая модель семейства Qwen3 с архитектурой Qwen3ForCausalLM, разработанная исследовательским подразделением Convergent Intelligence LLC. Модель содержит 1,7 млрд эффективных параметров и предназначена для генерации текста и диалоговых ответов. По данным карточки, она дообучена методом дистилляции знаний с модели Qwen3-30B-A3B; в README описан подход Topological Knowledge Distillation, который отдельно учитывает плавные изменения распределения токенов, концептуальные границы и постепенный дрейф. Метаданные указывают контекст до 40 960 токенов. Модель ориентирована прежде всего на рассуждения по физике и ответы с пошаговой структурой: обучающие примеры охватывают дифференциальные уравнения, теоретическую механику, электромагнетизм и общую теорию относительности. В README описан формат ответа с выводом, самопроверкой и итоговым ответом. Заявления о преимуществе качества в карточке не сопровождаются сравнительными метриками, поэтому их следует считать утверждениями разработчика. Модель принимает текст и генерирует текст; указанные языки обучения и поддержки не уточнены. Лицензия — Apache-2.0.

BioBART-v2-base — биомедицинская генеративная языковая модель семейства BART, представленная авторами работы BioBART: Hongyi Yuan, Zheng Yuan, Ruyi Gan, Jiaxing Zhang, Yutao Xie и Sheng Yu. Версия V2 использует новый биомедицинский словарь. Модель содержит 122,2 млн параметров, имеет архитектуру BartForConditionalGeneration и принимает последовательности длиной до 1024 токенов. Модель предназначена для генерации и преобразования биомедицинского текста. Её можно применять как основу для задач, где требуется сформулировать или преобразовать текст в медицинском и биологическом контексте. В карточке указана лицензия Apache-2.0. Доступны веса в форматах PyTorch и Safetensors.

DeepSeekMath-7B-ScaleQuest — языковая модель для решения математических задач, выпущенная авторами проекта ScaleQuest. Она относится к семейству Llama, имеет около 6,5 млрд параметров и рассчитана на генерацию текста; модель обучена на синтетических математических данных ScaleQuest. В карточке приведены результаты на бенчмарках MATH (66,6) и Olympiad Bench (29,9). Модель принимает текстовые условия и генерирует текстовые решения. Она предназначена для решения задач по математике, включая задачи олимпиадного уровня. Контекст составляет 4096 токенов, основной заявленный язык — английский. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Карточка модели EdgeAIMed/EdgeAIMed-NER-SpeciesDetect-BioClinical-108M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-SpeciesDetect-BioClinical-108M, поэтому описание составлено по ней. OpenMed-NER-SpeciesDetect-BioClinical-108M — модель OpenMed для распознавания упоминаний видов и организмов в биомедицинских текстах. Это дообученная Bio_ClinicalBERT с архитектурой BERT для классификации токенов; она выделяет названия видов, помечая их тегами B-SPECIES и I-SPECIES. Веса представлены в формате safetensors, число параметров — 135,5 млн, длина контекста — до 512 токенов. Модель предназначена для извлечения названий организмов из клинических документов и научной литературы, а также для биомедицинского текстового анализа и построения баз знаний. По README, она обучена на корпусе LINNAEUS и показывает F1 0,93, точность 0,91 и полноту 0,95 на описанной оценке. Это специализированный распознаватель видов, поэтому заявленные в карточке сценарии поиска лекарств и извлечения медикаментов не следует считать его прямыми задачами. Модель поддерживает английский язык. Лицензия — Apache-2.0. Результаты могут зависеть от домена текста и написания названий; контекст ограничен 512 токенами.

Это полноразмерное дообучение Qwen2.5-7B от автора эксперимента «How Should Incorrect Traces Be Used in Supervised Fine-Tuning?». Чекпойнт соответствует условию random_mask_70 в эксперименте с маскированием математических данных и предназначен для исследований математического рассуждения и выбора данных для supervised fine-tuning. Модель использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст; в метаданных указан контекст до 131 072 токенов. Обучение проведено на OpenR1-Math-220k, финальный чекпойнт получен после 125 обновлений оптимизатора. Карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Чекпойнт подходит для генерации решений математических задач и оценки влияния отбора и маскирования примеров SFT на качество рассуждений. Наличие правильных ответов в обучающих данных не означает, что промежуточные шаги рассуждения были проверены; README также уточняет, что обозначения ID/OOD относятся к идентичности задач относительно SFT, а не к встречаемости в предобучении.

Карточка модели PrimeIntellect/INTELLECT-MATH-SFT на Hugging Face совпадает с карточкой PrimeIntellect/INTELLECT-MATH, поэтому описание составлено по ней. 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.

Карточка модели PrimeIntellect/INTELLECT-MATH-step-47 на Hugging Face совпадает с карточкой PrimeIntellect/INTELLECT-MATH, поэтому описание составлено по ней. 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.

LA1512/Led-pubmed-20K-4096-v2 — модель семейства LED, дообученная на неизвестном наборе данных на базе pszemraj/led-base-book-summary. В метаданных указаны 95,2 млн параметров и формат весов safetensors. По названию репозитория модель, вероятно, предназначена для суммирования медицинских публикаций PubMed длиной до 20 тысяч токенов с контекстом 4096 токенов. Однако README не описывает назначение, обучающие данные или сценарии применения, поэтому эта специализация не подтверждена карточкой. В метаданных также нет сведений о поддерживаемых языках. Лицензия — BSD-3-Clause. Качество и ограничения модели не описаны; для оценки пригодности необходима проверка на целевых медицинских текстах.

LLaMA-3-8B-TP — дообученная модель семейства Llama от разработчиков TrialPanorama для работы с клиническими исследованиями. Она создана на основе Meta-Llama-3-8B-Instruct с двухэтапным обучением: supervised fine-tuning для внедрения профильных знаний и RLVR с проверяемой наградой. В метаданных указан класс архитектуры LlamaForCausalLM и формат safetensors. Модель предназначена для генерации ответов и диалоговой работы по тематике клинических исследований, включая оценку размера выборки. Поддерживает английский язык, имеет контекстное окно 131072 токена и может запускаться через vLLM. В карточке указана лицензия Apache-2.0. Размер параметров в метаданных указан как 3,2 млрд, тогда как название модели и базовая модель указывают на 8B; это расхождение не позволяет уверенно подтвердить фактический размер чекпойнта.

AnReu/math_albert — базовая модель семейства ALBERT, подготовленная для работы с математическими текстами. Она инициализирована из ALBERT-base-v2 и дополнительно предобучена в три этапа на Math StackExchange; токенизатор расширен токенами LaTeX для представления математических формул. Модель содержит 136,7 млн параметров, использует архитектуру AlbertModel и принимает последовательности длиной до 512 токенов. Модель предназначена для извлечения признаков из математического текста и как основа для дообучения под классификацию, ответы на вопросы и другие задачи в математической области. Это англоязычный чекпойнт, который не был дообучен под конкретную задачу; для ARQMath 3 авторы указывают отдельную версию AnReu/albert-for-arqmath-3. Файлы доступны в форматах PyTorch и safetensors. Условия лицензии в предоставленных источниках не приведены.

math-think-s2-qwen3-4b — языковая модель семейства Qwen3, дообученная автором modrill для решения математических задач с пошаговыми рассуждениями. Это этап Light-R1 stage2 think SFT, продолженный от math-think-s1-v2; в карточке указаны один проход обучения и скорость обучения 5e-6. Модель основана на Qwen/Qwen3-4B-Base с плотной архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Она генерирует текст, поддерживает диалог и рассчитана на контекст до 32 768 токенов; обучение проводилось с отсечением последовательностей до 24 576 токенов. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Модель подходит для генерации решений и объяснений математических задач. Карточка не приводит результатов оценки качества или перечня поддерживаемых языков, поэтому уровень точности и языковой охват по ней оценить нельзя.

Это текстовая модель Sentence Transformer, разработанная vab46 на основе nomic-ai/nomic-embed-text-v1.5 и дообученная на 7 193 парах текстов из набора Clinical_trials_anchor-positive-pairs_EmbeddingModel-data. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска клинических исследований по смыслу, сопоставления текстов и других задач семантического анализа. В архитектуре используется NomicBertModel с усредняющим пулингом; сходство векторов можно оценивать косинусной мерой. Matryoshka-обучение позволяет использовать сокращённые представления размерностью 512, 256, 128 или 64. Метаданные указывают контекст до 2 048 токенов. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Модель специализируется на текстах клинических исследований: её можно применять для семантического поиска, ранжирования похожих описаний, поиска перефразировок, кластеризации и классификации. В README приведены результаты оценки на данных для поиска информации и сравнение с базовой моделью, однако они относятся к конкретному набору данных и не гарантируют качество на других корпусах. README сообщает длину последовательности до 8 192 токенов, тогда как метаданные каталога указывают нативный контекст 2 048 токенов; следует ориентироваться на контекст, поддерживаемый используемой конфигурацией модели.

Это квантованные версии модели Allen Institute for AI OLMo-3-7B-RLZero-Math, подготовленные Richard Young для локального запуска. Модель основана на архитектуре OLMo2, содержит 7 млрд параметров и предназначена для генерации текста с пошаговыми рассуждениями при решении математических задач. Модель принимает текстовые запросы на английском языке и генерирует текстовые ответы. Окно контекста составляет 65 536 токенов с масштабированием YaRN. Репозиторий содержит варианты GGUF с разными уровнями квантования, а также 4-битную версию для MLX на Apple Silicon; заявлена совместимость с llama.cpp и Ollama. Квантование позволяет запускать модель локально на оборудовании с ограниченной памятью, но более компактные варианты могут уступать в качестве полному формату. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-OrganismDetect-ModernMed-149M — модель распознавания упоминаний видов организмов в тексте. Это дообученная ModernBERT-base с 149 млн параметров для token classification: она присваивает токенам метки B-SPECIES и I-SPECIES, формируя BIO-разметку. Модель рассчитана на английские биомедицинские тексты, включая научные публикации и медицинские документы; максимальная длина контекста составляет 8192 токена. Модель обучена на корпусе SPECIES800, содержащем аннотации упоминаний организмов в 800 аннотациях научных публикаций. Её можно применять для извлечения названий видов, включая научные и распространённые названия, при анализе биомедицинской литературы и таксономической классификации. В README приведены F1 0,65, precision 0,72 и recall 0,60, поэтому полнота извлечения ограничена и результаты требуют проверки для критичных задач. Весы опубликованы в формате safetensors по лицензии Apache-2.0.

OpenMed-NER-SpeciesDetect-SnowMed-568M — модель OpenMed для распознавания названий видов и организмов в тексте. Это дообученная модель XLM-RoBERTa для token classification с 658,7 млн параметров и контекстом до 8194 токенов. Она выделяет упоминания видов BIO-метками B-SPECIES и I-SPECIES; в карточке указано обучение на корпусе LINNAEUS для распознавания научных и общеупотребительных названий организмов в биомедицинской литературе. Модель подходит для извлечения упоминаний видов из научных публикаций, биомедицинских документов и клинических текстов, а также для последующего поиска по литературе и построения таксономических баз знаний. В README приведены F1 0,78, precision 0,75 и recall 0,81; результаты зависят от данных и требуют проверки для конкретного применения. Указана лицензия Apache-2.0.

OpenMed-NER-SpeciesDetect-TinyMed-135M — модель OpenMed для распознавания упоминаний видов и организмов в тексте. Это дообученная модель DistilBERT для классификации токенов, созданная на основе distilbert-base-multilingual-cased и обученная на корпусе LINNAEUS. Она присваивает токенам BIO-метки B-SPECIES и I-SPECIES, позволяя извлекать названия видов из научной литературы и биомедицинских текстов. Модель подходит для поиска видов и организмов в научных публикациях, биомедицинского текстового майнинга и построения баз знаний по упоминаниям организмов. Контекст ограничен 512 токенами; карточка сообщает F1 0,94, точность 0,93 и полноту 0,94 на LINNAEUS. Хотя README перечисляет клинические сценарии, набор распознаваемых сущностей ограничен видами и организмами, поэтому заявленные сценарии извлечения лекарств и химических соединений не подтверждаются типами меток. Модель распространяется по лицензии Apache-2.0.

OpenMed/OpenMed-ZeroShot-NER-Pharma-Small-166M — специализированная модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на наборе BC5CDR-Chem; размер 166 млн параметров в названии репозитория. Основная метка сущности — CHE, охватывающая химические соединения и лекарственные вещества. Модель предназначена для извлечения упоминаний препаратов и других химических соединений из научных аннотаций и медицинских текстов. Результаты можно использовать для фармаконадзора, поиска нежелательных реакций и последующего извлечения связей «химическое вещество — заболевание». В README заявлена возможность задавать пользовательские типы сущностей без повторного обучения, однако основная специализация модели — химические сущности BC5CDR-Chem; для редких типов может потребоваться настройка порога. Модель принимает текст и выдаёт разметку сущностей. В README приведён показатель F1 0,86 на тестовой выборке BC5CDR-Chem, исключённой из обучения. Карточка указывает английский язык и лицензию Apache-2.0. Результаты зависят от предметной области и заданных меток; широкие заявления README о распознавании любых медицинских сущностей не подтверждены приведённой специализацией и оценкой.

OpenMed-ZeroShot-NER-Species-Tiny-60M — модель OpenMed для распознавания упоминаний видов и организмов в тексте. Она построена на архитектуре GLiNER и дообучена на корпусе LINNAEUS; поддерживает извлечение научных и общеупотребительных названий, а также их сокращений. Модель принимает биомедицинский текст и возвращает найденные сущности с разметкой токенов, позволяя задавать типы сущностей без отдельного обучения под каждую категорию. Модель предназначена для извлечения названий организмов из научной литературы и биомедицинских текстов, например для анализа биоразнообразия, метагеномных отчётов и курирования литературы с учётом таксономии. В карточке приведён F1 0,57 на тестовой выборке LINNAEUS; показатели в таблице относятся к вариантам большего размера, а не к этой Tiny-модели. Доступна по лицензии Apache-2.0.

OpenMed-ZeroShot-NER-Species-XLarge-770M — специализированная модель OpenMed для распознавания упоминаний видов и организмов в научной и биомедицинской литературе. Она построена на архитектуре GLiNER и дообучена на корпусе LINNAEUS; модель выявляет научные и общеупотребительные названия видов, а также их сокращения, и поддерживает zero-shot извлечение сущностей по заданным меткам. Модель предназначена для извлечения названий организмов при анализе литературы, отчетов по метагеномике и задачах таксономической разметки. В README заявлен F1 0,9548 на тестовом наборе LINNAEUS, исключенном из обучения. Модель принимает текст и возвращает разметку сущностей. Указанная лицензия — Apache-2.0. Карточка также заявляет более широкие медицинские сценарии и распознавание произвольных типов сущностей, но описание обучения и поддерживаемых меток сосредоточено на видах и корпусе LINNAEUS. Заявленные результаты относятся к этому набору данных и не гарантируют аналогичное качество на других доменах или языках.

PMC_LLaMA_7B — языковая модель на архитектуре LLaMA с 6,6 млрд параметров, созданная дообучением LLaMA-7B на научных статьях по биомедицине из корпуса PMC в составе S2ORC. Модель разработана Chaoyi Wu и предназначена для генерации текста в научном и медицинском контексте. Модель можно использовать для продолжения и составления текстов по биомедицинским публикациям, а также как основу для исследовательских задач генерации научного текста. При обучении использовались последовательности длиной до 512 токенов; карточка не сообщает длину контекста при работе. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache 2.0. Её специализация на научных статьях не гарантирует точности медицинских утверждений; результаты следует проверять, особенно перед использованием в клинических решениях.

Qwen2-Math-7B-ScaleQuest — языковая модель для решения математических задач, выпущенная авторами проекта ScaleQuest. Она относится к семейству Qwen2, использует плотную архитектуру Qwen2ForCausalLM и содержит 7,1 млрд параметров. Модель дообучена для решения задач на синтезированных данных ScaleQuest; в карточке также представлены отдельные модели проекта для генерации вопросов. Модель предназначена для генерации пошаговых решений и ответов на математические задачи, в том числе для задач уровня MATH и Olympiad Bench. В опубликованном сравнении она показала результаты 73,4 на MATH и 38,5 на Olympiad Bench. При использовании через Transformers модель принимает текст и генерирует текст; доступен контекст до 4096 токенов. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Результаты из карточки относятся к указанным бенчмаркам и сами по себе не гарантируют точность решения произвольных задач; модель может допускать ошибки в вычислениях или рассуждениях.

Qwen3-1.7B-SFT — языковая модель на архитектуре Qwen3, созданная полным контролируемым дообучением Qwen/Qwen3-1.7B-Base. Её обучали на наборе OpenThought3-Qwen3-4B, чтобы улучшить выполнение инструкций и рассуждения в математических задачах; модель связана с исследованием о дистилляции больших языковых моделей и предназначалась для этапа холодного старта на ответах учителя. Модель содержит 1,7 млрд параметров, принимает текст и генерирует текст, поддерживает диалоговый режим. Контекстное окно по метаданным составляет 32 768 токенов. В обучении режим пошагового «мышления» был отключён; данные включали математические запросы с ответами Qwen3-4B в обычном режиме. В карточке указана лицензия other, поэтому условия использования следует уточнить в репозитории модели.