IV.6Научные исследования, математика и новые материалы

Карточка модели nilgeoutim/RLVR-math на Hugging Face совпадает с карточкой llm-calibration/RLVR-math, поэтому описание составлено по ней. RLVR-math — дообученная модель Qwen/Qwen2.5-3B, подготовленная с помощью TRL и предназначенная для генерации текста в диалоговом формате. Она может использоваться для ответов на вопросы и решения математических задач; карточка демонстрирует запуск через Transformers pipeline на GPU. Базовая Qwen2.5-3B содержит 3,1 млрд параметров. В метаданных указан формат safetensors и возможность chat. Подробности о методе обучения, контекстном окне, поддерживаемых языках и условиях лицензии в предоставленных данных отсутствуют.

TinySapBERT — компактная модель представлений биомедицинских сущностей от dmis-lab. Её обучили по схеме SapBERT на основе TinyPubMedBERT, используя официальный код и инструкции SapBERT. TinyPubMedBERT, в свою очередь, является дистиллированной версией PubMedBERT. Модель предназначена для получения векторных представлений биомедицинских текстов и сущностей, например для сопоставления упоминаний с терминами и поиска близких понятий. Это модель семейства BERT с 15,6 млн параметров и контекстом до 512 токенов; репозиторий содержит веса PyTorch. Карточка связывает её с биомедицинским распознаванием сущностей и системой KAZU, но не сообщает отдельных метрик качества или условий лицензии.

Trellis SegPart — экспериментальная модель сегментации частей 3D-объектов, разработанная на основе TRELLIS.2. Она генерирует разметку частей объекта по его 3D-форме и шести видам сегментации, полученным из 2D-проекций. Рекомендуемый выпуск включает VAE v2 с 64 каналами меток и DiT на 1,3 млрд параметров; для совместимости эти компоненты нужно использовать вместе с кодом v2 и соответствующей нормализацией. Метки частей локальны для каждого объекта, а канал 0 зарезервирован для неизвестных или неразмеченных областей. Модель рассчитана на разбиение 3D-ассетов на части, включая объекты с большим числом деталей. Она дообучена на базе TRELLIS.2 и использует набор данных PartNeXt. Для запуска требуются реализация v2, TRELLIS.2 и CUDA-зависимости; это не готовый пакет AutoModel. Лицензия в предоставленных данных не указана. Качество на мелких деталях и объектах с большим числом частей ограничено: в тестовой группе с 33–63 частями было всего восемь объектов, а некоторые детали гитары не распознавались. Оценка проведена на 128 объектах с одним фиксированным seed; объекты ранее использовались для диагностик разработки, поэтому результаты не являются независимой слепой проверкой обобщения.

keremberke/yolov8n-blood-cell-detection — модель обнаружения объектов семейства YOLOv8, опубликованная Keremberke и использующая библиотеку Ultralytics. Она предназначена для нахождения и классификации клеток крови на изображениях: тромбоцитов (Platelets), эритроцитов (RBC) и лейкоцитов (WBC). Репозиторий содержит веса PyTorch; в метаданных указан датасет keremberke/blood-cell-object-detection. Модель подходит для автоматической разметки изображений крови и поддержки исследовательских или учебных задач анализа клеток. Данных о размере модели, языковой поддержке и лицензии в предоставленных источниках нет.

zoobot-encoder-convnext_small — визуальный энкодер на архитектуре ConvNeXt Small, опубликованный mwalmsley и доступный для загрузки через timm. Его можно использовать как извлекатель признаков изображений или основу для дообучения под задачу классификации; в метаданных Hugging Face основная задача указана как image-classification. Модель принимает изображения и выдаёт представления, пригодные для последующей классификации. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка отсылает к документации Zoobot за инструкциями по загрузке и дообучению. Данные о языковой поддержке и контексте к этой модели неприменимы.

jayoohwang/alphamath_round2 — дообученная на базе deepseek-ai/deepseek-math-7b-base модель семейства Llama с 6,5 млрд параметров. В README указано, что она воспроизводит метод из работы «AlphaMath Almost Zero: Process Supervision without Process». Модель предназначена для генерации текста в математических сценариях; метаданные также отмечают поддержку диалогового режима. Контекст модели составляет 4096 токенов, веса опубликованы в формате Safetensors. Лицензия — MIT. Карточка ссылается на процедуру инференса, но ссылка в доступном README не заполнена, поэтому способ запуска и особенности применения метода из карточки установить нельзя.

jonas-luehrs/bert-base-cased-MLM-chemistry — модель BERT с 135,5 млн параметров, дообученная для заполнения пропусков в тексте о химии. Она принимает текст с маскированным токеном и предсказывает подходящие варианты для этого места. Модель основана на google-bert/bert-base-cased, использует архитектуру BertForMaskedLM и рассчитана на контекст до 512 токенов. Модель подходит для подстановки химических терминов и продолжения фрагментов химического текста с пропусками. В README указано значение функции потерь 1,9321 на оценочном наборе, но сведения о наборе данных, языках и практических ограничениях отсутствуют. Распространяется по лицензии Apache-2.0.

Bioformer-8L — компактная модель BERT для анализа биомедицинских текстов, разработанная авторами Bioformer. Она обучена с нуля на корпусе из 33 миллионов рефератов PubMed и миллиона полнотекстовых статей PMC с биомедицинским словарём WordPiece. Модель предназначена для заполнения масок и может служить основой для дообучения под задачи извлечения и классификации биомедицинской информации. Архитектура включает 8 трансформерных слоёв, скрытый размер 512 и 8 голов внимания; в карточке указано около 42,8 млн параметров, а метаданные каталога — 50,3 млн. Максимальная длина входа составляет 512 токенов. Авторы сообщают, что модель работает примерно втрое быстрее BERT-base и показывает сопоставимые или лучшие результаты, чем BioBERT и PubMedBERT, на некоторых последующих задачах. Для использования доступны веса PyTorch, Safetensors и TensorFlow. Модель выпущена по лицензии Apache-2.0. Она ориентирована на английскую биомедицинскую литературу; карточка не подтверждает поддержку других языков. Описанные авторами результаты относятся к конкретным экспериментам и не гарантируют качество на произвольных задачах или корпусах.

BODHI — языковая модель для математических задач, разработанная в рамках проекта BODHI. Она создана методом дистилляции длинных цепочек рассуждений на базе Qwen/Qwen3-8B-Base и содержит 7,6 млрд параметров. Модель генерирует текст, поддерживает диалоговый сценарий и рассчитана на контекст до 32 768 токенов. BODHI предназначена для решения математических задач с развёрнутыми рассуждениями. В карточке приведён результат 18,82% на AIME25 при температуре 1,0, контексте 16K и оценке pass@8. Модель распространяется в формате safetensors по лицензии MIT.

bophades-mistral-math-DPO-7B — дообученная модель семейства Mistral, разработанная nbeerbower на основе nbeerbower/bophades-v2-mistral-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и предназначена для генерации текста, в частности математических ответов и рассуждений. Модель дообучена методом Direct Preference Optimization (DPO) на наборе kyujinpy/orca_math_dpo; в описании обучения также указано использование LoRA. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; фактическую точность математических ответов следует проверять на целевых задачах.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_random_b8000_s0 — дообученная плотная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-4B-Base. По названию датасета обучения модель ориентирована на математические задачи, однако карточка не описывает конкретные навыки и результаты оценки. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает текст для генерации текста. Заявленная длина контекста — 32 768 токенов. Модель распространяется в формате safetensors и использует библиотеку Transformers; лицензия указана как other.

CeLLaTe-ner-2class-pubmedbert-tapt-combData-tokenizer-adapted-wwmask — англоязычная модель для классификации токенов, разработанная на основе Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask-combinedData. Это BERT-модель с 138,2 млн параметров, дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final; максимальная длина контекста составляет 512 токенов. Модель предназначена для разметки токенов в биомедицинских текстах. На оценочном наборе указаны micro F1 0,7588, weighted F1 0,7590, macro F1 0,7636 и accuracy 0,9842. Карточка не описывает классы сущностей и конкретные сценарии применения, поэтому эти метрики не позволяют судить о качестве по отдельным типам разметки. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт Gemma 4 E2B IT, дообученный анонимной исследовательской группой для решения математических задач с пошаговыми рассуждениями. Обучение проведено методом GRPO; ответы генерировались с бюджетом до 2 048 новых токенов, а чекпойнт соответствует шагу 300. В метаданных указаны архитектура Gemma4ForConditionalGeneration, формат safetensors и базовая модель google/gemma-4-E2B-it. Модель предназначена для математических задач, где требуется получить рассуждение и заключительный ответ в тегах \boxed{}. Карточка не приводит результатов оценки качества; ограничение генерации в обучающем режиме составляло 2 048 токенов, а ответы, достигавшие лимита, обрезались. Распространяется по лицензии Apache-2.0.

Llama3.1-70B-GeoGPT — специализированная языковая модель проекта GeoGPT, созданная для поддержки исследований в области геонаук. Она разработана на основе Meta Llama 3.1 70B и дообучена в несколько этапов: продолженное предобучение на геонаучных текстах, обучение следованию инструкциям и настройка ответов с помощью предпочтений. Модель содержит 69,5 млрд параметров, использует плотную авторегрессионную архитектуру Llama и формат safetensors; максимальный контекст составляет 131 072 токена. Модель предназначена для генерации текста и диалогов по геонаучным темам, включая ответы на вопросы и помощь исследователям и специалистам. В README указаны английский и китайский как основные языки. Лицензия обозначена в метаданных как other, поэтому перед использованием следует проверить условия распространения в карточке модели и у базовой модели. Как и другие языковые модели, GeoGPT может выдавать неточные, предвзятые или нежелательные ответы. Для практического применения рекомендуется проверять результаты и тестировать безопасность в контексте целевого сценария.

MathCoder-L-7B — языковая модель семейства Llama, разработанная командой MathLLMs для решения математических задач. Это версия на 7B-класса, дообученная на наборе MathCodeInstruct; в README базовой моделью указана Llama 2. Модель генерирует текстовые решения математических задач и предназначена для использования через библиотеку Transformers.

MegaMath-Llama-3.2-1B — экспериментальная модель на базе Llama 3.2 с 1,2 млрд параметров, обученная на наборе MegaMath. Она предназначена для генерации ответов на математические задачи с использованием Chain-of-Thought и Program-Aided Language: модель может рассуждать пошагово и задействовать программный подход к решению. В метаданных указаны архитектура LlamaForCausalLM, библиотека Transformers, контекст до 131 072 токенов и английский язык. Модель представлена как proof of concept, поэтому её следует рассматривать как демонстрацию подхода, а не как подтверждённо надёжное решение для расчётов. Репозиторий содержит веса в формате safetensors; лицензия — llama3.2.

Mistral-7B-ScaleQuest — языковая модель на основе Mistral, представленная в проекте ScaleQuest как модель для решения математических задач. Она дообучена на синтетическом наборе ScaleQuest-Math, созданном методом генерации вопросов с нуля, и предназначена для получения решений по математическим задачам. В карточке приведены результаты на MATH и Olympiad Bench; модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. Модель принимает текстовые запросы и генерирует текстовые ответы на английском языке. Лицензия — Apache-2.0. Карточка не уточняет ограничения решения отдельных типов задач или точность за пределами указанных оценочных наборов.

Это экспериментальный чекпойнт Nemotron-3-Nano-4B, созданный анонимной командой исследователей для заявки на ICLR 2027. Модель дообучена методом обучения с подкреплением GRPO на базе nvidia/NVIDIA-Nemotron-3-Nano-4B-BF16; архитектура — плотная Nemotron-H для генерации текста. В метаданных указано 6,4 млрд параметров и контекстное окно до 262 144 токенов. Чекпойнт предназначен прежде всего для пошагового решения математических задач с ответом в тегах \boxed{} и бюджетом генерации 1 024 токена. Обучение использовало набор agentica-org/DeepScaleR-Preview-Dataset; модель доступна в формате safetensors и рассчитана на запуск через Transformers или vLLM. Метаданные также отмечают поддержку диалога и интерфейса вызова инструментов, но README описывает обучение на математическом рассуждении. Это исследовательский чекпойнт на шаге обучения 300, поэтому его качество и устойчивость могут отличаться от завершённой модели. Ответы, достигающие лимита генерации, обрезались и оценивались как есть. Лицензия обозначена как other; конкретные условия использования следует проверять в карточке модели и у базовой модели.

Olmo3-B3PO-7B-ESS1e8 — англоязычная плотная языковая модель семейства Olmo 3 от BayesRL, дообученная на базе BayesRL/Olmo3-IVON-SFT-7B методом B3PO. Это вариант абляции ESS с λ = 1e8; основная версия модели использует λ = 1e9. B3PO применяет исследование пространства параметров для обучения с проверяемыми вознаграждениями: на каждом шаге обучения модель использует одну выборку возмущённых весов из приближённого апостериорного распределения IVON. Модель предназначена для генерации текста и экспериментов с RLVR, в частности для решения математических задач и оценки на наборах AIME, MATH-500, AMC и Minerva. Она содержит 6,9 млрд параметров, поддерживает контекст до 65 536 токенов и загружается как стандартная causal language model через Transformers. В карточке указаны датасет DAPO-Math-17k и алгоритм обучения GRPO с IVON. Лицензия — Apache-2.0. Результаты и ограничения конкретно этой абляционной версии в README не приведены; для оценки качества следует обращаться к статье и сопоставлять вариант ESS с основной моделью.

BayesRL/Olmo3-C3PO-7B — плотная авторегрессионная языковая модель семейства Olmo 3, разработанная BayesRL и дообученная методом C3PO для обучения с верифицируемыми наградами. Она основана на BayesRL/Olmo3-IVON-SFT-7B, использующем в качестве исходной модели allenai/Olmo-3-1025-7B. C3PO сочетает GRPO с оптимизатором IVON: модель исследует варианты поведения через возмущения параметров, распределённые между группами генераций, и применяет Seq-MIS для коррекции оценок. Модель содержит 6,9 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 65 536 токенов. В карточке указана поддержка английского языка. Модель предназначена прежде всего для генерации ответов и математических рассуждений; её оценивали на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Доступна в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. Результаты зависят от формулировки задачи, а заявленная специализация и оценки сосредоточены на математических задачах.

NVIDIA OpenMath2-Llama3.1-8B — языковая модель на архитектуре Llama 3.1, полученная дообучением Llama3.1-8B-Base на наборе OpenMathInstruct-2. Модель содержит 7,5 млрд параметров, использует формат safetensors и поддерживает контекст до 131 072 токенов. Она генерирует ответы на математические задачи, включая задачи уровня GSM8K, MATH, AMC и AIME; в опубликованных NVIDIA оценках превосходит Llama3.1-8B-Instruct на рассмотренных математических бенчмарках. Модель предназначена для решения математических задач в диалоговом формате Llama 3.1. Карточка предупреждает, что она не проходила общую настройку следования инструкциям и может плохо отвечать за пределами математики. Для использования действуют условия лицензии Llama 3.1, включая лицензионные условия, политику допустимого использования и политику конфиденциальности Meta.

OpenMed разработала OpenMed-NER-SpeciesDetect-ElectraMed-335M — дообученную модель на базе архитектуры BERT для распознавания названий видов и организмов в биомедицинских текстах. Она выполняет токенную классификацию с BIO-метками B-SPECIES и I-SPECIES и обучена на корпусе LINNAEUS, ориентированном на распознавание научных и общеупотребительных названий организмов в литературе. Модель принимает токенизированный текст и выдаёт метки сущностей; максимальная длина контекста составляет 512 токенов, размер — около 433,9 млн параметров. Указанный в карточке показатель F1 на LINNAEUS — 0,88. Модель предназначена для извлечения упоминаний видов и организмов из научных публикаций и других биомедицинских документов, в том числе для таксономического поиска и анализа литературы. Карточка также перечисляет клинический анализ текстов и обработку медицинских записей, но описанная задача и разметка специализированы на видах, поэтому извлечение лекарств и других типов сущностей не подтверждено. Модель доступна в формате safetensors и совместима с Transformers; лицензия — Apache-2.0.

Qwen2.5-3B-GRPO-Staleness-4 — полноразмерный чекпойнт, дообученный командой zbeeb на базе Qwen/Qwen2.5-3B методом GRPO на 17 005 примерах математического датасета DAPO. Модель предназначена для генерации ответов и решения математических задач; её можно использовать для экспериментов и приложений, где требуется языковая модель с математической специализацией. Модель использует плотную архитектуру Qwen2, содержит 3,1 млрд параметров и принимает текст. Нативная длина контекста по конфигурации — 32 768 токенов; при обучении использовался контекст до 4 096 токенов, а генерация ответов — до 3 072 токенов. В карточке указаны английский и китайский языки. Веса опубликованы в Safetensors; лицензия обозначена как other. Обучение с GRPO поощряло математическую эквивалентность конечного ответа. В README приведены оценки на нескольких математических наборах, однако они относятся к обучающему запуску и не являются независимой свежей оценкой экспортированного файла. Расширение контекста до 8K не настроено и не проверено; при использовании некоторых серверов может потребоваться явно задать стоп-токены.

Это экспериментальный чекпойнт Qwen2.5-3B, дообученный на математических данных методом SFT в течение одной эпохи. Он относится к ветке экспериментов math shuffled и соответствует шагу оптимизатора 1072. Модель предназначена для генерации текста в математических сценариях, например для ответов на задачи и объяснения решений. Модель использует плотную архитектуру Qwen2 и содержит 3,1 млрд параметров. Она принимает текст, поддерживает диалоговый режим и имеет контекст длиной до 32 768 токенов. В карточке указана библиотека Transformers и формат весов safetensors. Данных о языках обучения и лицензии в предоставленных источниках нет.

Qwen2.5-Math-1.5B-GRPO-Staleness-4 — дообученная методом GRPO модель zbeeb на базе Qwen/Qwen2.5-Math-1.5B, предназначенная для генерации решений математических задач. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров; обучение проводилось на наборе Staleness GRPO DAPO Math из 17 005 примеров. Модель принимает текстовые запросы и генерирует текстовые решения, поддерживает английский и китайский языки. Контекст составляет 4096 токенов, максимальная длина генерации во время обучения — 3072 токена. В README описан финальный чекпойнт шага 1000 и обучение с групповым размером 8; функция вознаграждения проверяет математическую эквивалентность итогового ответа. Веса сохранены в Safetensors в исходной точности, модель загружается для инференса в BF16. Лицензия — Apache-2.0. Результаты оценки в README являются самоотчётом разработчика; доступные сведения не позволяют делать выводы о качестве на задачах вне математического домена.

Qwen2-Math-1.5B-Instruct-IMat-GGUF — это квантизированная GGUF-версия языковой модели Qwen/Qwen2-Math-1.5B-Instruct, разработанной командой Qwen. Квантизацию выполнил legraphista с использованием llama.cpp и калибровочных IMatrix-данных. Модель предназначена для генерации текста в диалоговом формате, прежде всего для решения математических задач и связанных с ними сценариев на английском языке. Модель имеет около 1,5 млрд параметров, относится к семейству Qwen2 и поддерживает текстовую модальность. Доступны варианты от BF16 и F16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и ряда IQ-квантизаций; для многих вариантов применена IMatrix-квантизация. Размер файлов варьируется примерно от 676 МБ до 3,09 ГБ, что позволяет запускать модель на устройствах с ограниченными ресурсами через совместимые инструменты, включая llama.cpp. Основные преимущества — компактность, широкий выбор уровней квантизации и наличие вариантов, оптимизированных с помощью IMatrix для сохранения качества при уменьшении размера. Ограничения включают небольшой размер модели по современным меркам, поддержку только английского языка согласно карточке и возможное снижение качества на сильных уровнях квантизации. Сведения о размере контекста и точных архитектурных параметрах в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

rasdani/qwen2-math-7b-step-dpo — дообученная модель семейства Qwen2, созданная на основе Qwen/Qwen2-Math-7B-Instruct. Она предназначена для генерации ответов на математические и арифметические задачи, в том числе в диалоговом формате. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 4096 токенов. Для дообучения использован набор xinlai/Math-Step-DPO-10K. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробных ограничений, поэтому точность решения задач не установлена.

SeongryongJung/Qwen3-8B-Physics-SDPO-TR — дообученная версия языковой модели Qwen3-8B, обученная для задач по физике методом SDPO-TR с размером обучающего батча 32. В репозитории находится лучший контрольный снимок global_step_90, выбранный по валидационному показателю mean@16; также доступен финальный снимок обучения. Модель предназначена для генерации текста и решения физических задач в диалоговом формате. В README приведены результаты на наборе Physics: лучший валидационный mean@16 составил 69,61%, а у финального снимка — 68,28%. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Она загружается через Transformers; веса опубликованы в формате Safetensors. Лицензия — Apache-2.0. Качество и заявленные результаты относятся к указанному физическому набору данных и метрике; карточка не описывает отдельные ограничения или оценку на других предметных областях. Это специализированное дообучение, поэтому пригодность для задач вне физики по приведённым данным не подтверждена.

RAMEN — разработанная авторами статьи RAMEN Resolution-Adjustable Multimodal Encoder for Earth Observation модель-энкодер для дистанционного зондирования Земли. Она формирует общие визуальные представления для данных разных сенсоров, учитывая модальность и пространственное и временное разрешение. README описывает поддержку мультиспектральных данных, SAR и карт высот, а также возможность объединять несколько модальностей в едином представлении. Ключевая особенность модели — настраиваемое пространственное разрешение выходных карт признаков: его можно выбирать при инференсе, управляя компромиссом между детализацией и вычислительными затратами. RAMEN предназначена для извлечения признаков и последующего применения в задачах анализа спутниковых данных; результаты представлены для восьми задач бенчмарка PANGAEA. Репозиторий содержит веса PyTorch, лицензия — MIT.

rope_deit3_m14_dino-v2-dist-bio — компактный энкодер изображений проекта Birder, полученный дистилляцией более крупной Bio-DINO SoViT-150M/14. Модель построена на основе DeiT3-M/14, содержит 38,3 млн параметров в backbone и формирует эмбеддинги размерности 512. Она также может выдавать карту признаков для задач обнаружения объектов; стандартный размер входного изображения — 252 × 252 пикселя. Модель предназначена для извлечения визуальных признаков из фотографий живых организмов. Её можно использовать для поиска и сравнения изображений, кластеризации, классификации с обучаемой линейной головой и как backbone для обнаружения объектов. Обучение проводилось на наборе примерно из 31 млн изображений, включающем iNaturalist, BIOSCAN и другие наборы данных о биоразнообразии. В README приведены результаты оценки на iNaturalist 2021, однако подробные ограничения и оценки из карточки базовой модели здесь не описаны. Модель распространяется по лицензии Apache-2.0; для работы используется библиотека Birder и формат PyTorch.