IV.6Научные исследования, математика и новые материалы

razent/SciFive-large-Pubmed_PMC-MedNLI — дообученная версия SciFive Large, разработанная авторами работы «SciFive: a text-to-text transformer model for biomedical literature». Она предназначена для задач на материале биомедицинской литературы и показала результаты уровня state of the art на MedNLI — задаче медицинского логического вывода по тексту. Модель построена на архитектуре T5 и содержит 385,2 млн параметров. Это текстовая модель формата text-to-text с контекстом до 1024 токенов; доступны веса PyTorch и TensorFlow. В метаданных указан английский язык, а среди обучающих данных — PubMed и открытые статьи PubMed Central. Модель подходит для классификации отношений между медицинскими текстовыми фрагментами и связанных задач текстового вывода. Карточка не приводит подробных ограничений или условий лицензии, поэтому условия использования по имеющимся данным определить нельзя.

EMBO разработала sd-geneprod-roles-v2 — модель для классификации токенов, дообученная на BioLinkBERT-large (michiyasunaga/BioLinkBERT-large) на наборе данных source_data_nlp. Она основана на архитектуре BERT и предназначена для разметки последовательностей токенов; подробное описание меток и целевого сценария в карточке не приведено. Модель содержит 432,2 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. В оценке на тестовом наборе указаны accuracy 0,9950, precision 0,9228, recall 0,9288 и F1 0,9258. Лицензия Apache-2.0. Поскольку карточка не описывает схему меток и ограничения, применимость к конкретным типам текстов и качеству отдельных классов по этим результатам определить нельзя.

TaxaBind ViT-B-16 — модель эмбеддингов изображений и текста, разработанная MVRL и опубликованная в формате open_clip. Она предназначена для классификации изображений видов без специального обучения на каждом наборе классов: изображение сопоставляется с текстовыми названиями таксонов, после чего выбирается наиболее подходящий класс. Модель принимает изображения и текстовые описания классов и выдаёт представления, используемые для сравнения и классификации. Модель можно применять для определения видов по фотографиям, если классы заданы таксономическими текстовыми метками. В карточке указана лицензия MIT. Сведения о размере модели, контекстном окне и поддерживаемых языках не приведены.

URSA-8B — компактная мультимодальная языковая модель семейства URSA, разработанная URSA-MATH для математических рассуждений с пошаговым выводом по тексту и изображениям. Модель предназначена для решения математических задач, в том числе по визуальным условиям. В метаданных указаны архитектура UrsaForConditionalGeneration, поддержка диалогового режима и интерфейса вызова инструментов, а также библиотека Transformers и формат safetensors. Модель ориентирована на англоязычные и китайскоязычные сценарии. Репозиторий не содержит сведений о числе параметров или длине контекста. Лицензия — Apache-2.0. Для инференса авторы адаптировали vLLM.

AMchat — языковая модель для решения задач по высшей математике, разработанная на основе InternLM2-Math-7B и дообученная авторами проекта на наборах задач по математике и высшей математике с разборами решений. Она предназначена для диалоговой помощи при разборе и решении математических задач. Модель имеет плотную архитектуру InternLM2 с 7,4 млрд параметров, принимает текст и генерирует текст; длина контекста составляет 8192 токена. В метаданных указана поддержка английского языка, а карточка описывает математическую специализацию. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не приводит оценок качества или результатов сравнения, поэтому надёжность решений следует проверять, особенно для сложных выводов и вычислений.

Aurigene AI публикует зеркальную копию BioGPT — авторегрессионной генеративной Transformer-модели для биомедицинских текстов. Согласно карточке, исходная модель Microsoft предварительно обучена на 15 млн аннотаций PubMed; в репозитории указано 446,1 млн параметров и контекст до 1024 токенов. Формат весов — PyTorch, библиотека для работы — Transformers. Модель предназначена для генерации биомедицинского текста, извлечения отношений между медицинскими сущностями и ответов на вопросы по научной литературе, включая сценарии в стиле PubMedQA. Карточка сообщает о сильных результатах на нескольких биомедицинских задачах, но приведённые показатели относятся к исходной модели BioGPT и не гарантируют качество для любого применения. Модель ориентирована на английские тексты и не предназначена для замены медицинского специалиста. В метаданных указана лицензия MIT. Aurigene AI отмечает, что модель является зеркальной копией microsoft/biogpt и приписывает авторство исходным разработчикам.

AdaptLLM/biomed-Qwen2.5-VL-3B-Instruct — мультимодальная модель для биомедицины, разработанная AdaptLLM на основе Qwen2.5-VL-3B-Instruct. Это плотная модель с архитектурой Qwen2.5-VL, примерно 3,1 млрд параметров и контекстом до 128 000 токенов; она принимает изображения и текст и формирует ответы на естественном языке в диалоге. Модель предназначена для вопросов и ответов по биомедицинским изображениям и другим визуальным материалам, а также для адаптации мультимодальных моделей к предметной области биомедицины. В README описано дообучение базовой модели на наборе AdaptLLM/biomed-visual-instructions в течение одной эпохи. Для корректного использования изображения следует помещать в начало инструкции; README также указывает на поддержку обработки видео в инструментарии базовой модели, но заявленная задача репозитория — image-text-to-text. Модель распространяется в формате safetensors и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют. Она предназначена для исследовательских и вспомогательных сценариев в биомедицине; ответы не следует считать клиническими рекомендациями без независимой проверки.

BioMistral-7B-DARE — текстовая чат-модель для генерации ответов на вопросы и инструкции в биомедицинской тематике. Она создана слиянием BioMistral-7B и Mistral-7B-Instruct-v0.1 методом DARE TIES; архитектура — Mistral с 7,1 млрд параметров. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана на несколько европейских языков, включая английский, французский, немецкий, испанский, итальянский, нидерландский, польский и румынский. Модель подходит для исследовательских экспериментов с биомедицинскими вопросами и ответами, а также для прототипирования диалоговых систем по медицинским и биологическим темам. В README приведены результаты оценки BioMistral на англоязычных медицинских QA-бенчмарках, но они не подтверждают клиническую пригодность этой версии. Авторы предупреждают о возможных рисках и смещениях, отсутствии оценки в реальных клинических условиях и рекомендуют не применять модель для профессиональных медицинских решений без дополнительного тестирования и адаптации. Лицензия — Apache-2.0.

Biomistral-Exp-Slerp — объединённая модель на основе BioMistral/BioMistral-7B и yam-peleg/Experiment26-7B, созданная с помощью mergekit методом slerp. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом формате. Базовая BioMistral-7B дообучена на биомедицинских текстах для ответов на медицинские и биологические вопросы, поэтому модель может применяться для исследовательского поиска информации в этих областях. Контекст составляет до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README описывает способ слияния, но не приводит оценок качества полученной модели.

BioMistral-MedMNX — чат-модель для генерации ответов на биомедицинские вопросы, созданная слиянием языковых моделей методом DARE TIES с помощью mergekit. В слиянии использованы johnsnowlabs/JSL-MedMNX-7B и BioMistral/BioMistral-7B-DARE; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. Модель предназначена для исследовательских экспериментов и диалоговых сценариев в биомедицинской тематике. Указана лицензия CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий.

Calcu_Disease_Similarity — англоязычная модель эмбеддингов на базе BERT, разработанная автором репозитория Baiming123 и дообученная на sentence-transformers/multi-qa-MiniLM-L6-cos-v1. Она кодирует названия заболеваний в векторы для оценки семантического сходства; архитектура Sentence-Transformers использует усреднение токенов и нормализацию. Размер модели — 25,9 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для сопоставления названий заболеваний и анализа связей в сетях регуляции miRNA и генов. В README также заявлен F1 0,88 при различении функциональных взаимодействий miRNA–мишень, подтверждённых лабораторными анализами, и взаимодействий, предсказанных по последовательности. Это значение относится к описанной задаче и не гарантирует качество на других данных. Лицензия в предоставленных сведениях не указана.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_cap_b1000_s0 — дообученная плотная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-4B-Base. В ней около 3,7 млрд параметров, она использует архитектуру Qwen3ForCausalLM и принимает текст для генерации текста. Контекст — до 32 768 токенов. Модель обучена на наборе capsd_Qwen3-4B-Base-n80000-numina__mix_math_cap_b1000_s0; название набора указывает на математические данные, но карточка не описывает конкретные способности, качество или результаты оценки. Возможный сценарий применения — генерация ответов на математические запросы. Модель опубликована в формате safetensors для Transformers. Лицензия указана как other, поэтому условия использования следует уточнить в карточке репозитория.

Карточка модели medodeyaa/dentor-biobart на Hugging Face совпадает с карточкой GanjinZero/biobart-v2-large, поэтому описание составлено по ней. BioBART-v2-large — англоязычная биомедицинская генеративная языковая модель семейства BART, разработанная авторами работы BioBART. Версия V2 использует новый словарь биомедицинской лексики; модель содержит 288,8 млн параметров и имеет контекст до 1024 токенов. Модель предназначена для генерации и преобразования текста в биомедицинских задачах. Архитектура encoder-decoder позволяет использовать её для текстовых задач формата text-to-text, однако карточка не перечисляет отдельные сценарии и результаты оценки качества. Доступны веса PyTorch и Safetensors. Модель работает с английским текстом. Репозиторий распространяется по лицензии Apache-2.0. Ограничение контекста составляет 1024 токена; качество для конкретной задачи следует оценивать отдельно.

Youlln/ECE-Qwen0.5B-FT-V2 — компактная языковая модель, разработанная Youri Lalain из инженерной школы ECE. Она основана на Qwen/Qwen2.5-0.5B-Instruct и дообучена на наборе Augmentation-Scaling-Laws/math-seed-data для решения математических задач и рассуждений. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. Она принимает текстовые запросы и генерирует текстовые ответы. Модель предназначена для помощи с математическими задачами, вычислениями и объяснением решений. Карточка сообщает результаты оценки на Open LLM Leaderboard, но не приводит подробностей о точности на конкретных математических тестах. Доступна по лицензии Apache-2.0.

Eklav-14B-Math-CotGen — дообученная авторами Eklav модель для генерации текста с акцентом на математические рассуждения. Она основана на Qwen/Qwen3-14B и содержит 14 млрд параметров; архитектура — плотная Qwen3ForCausalLM, формат весов — safetensors. Модель рассчитана на диалоговый режим, а контекст составляет до 40 960 токенов. При обучении использован CotGen: модель учится продолжать частичный след рассуждений учителя и самостоятельно получать ответ. Карточка описывает её как базовый вариант для сравнения со стандартной дистилляцией цепочек рассуждений. В единственном прогоне оценки указаны результаты на математических и общих бенчмарках, включая 95,9% на GSM8K и 90,5% на MATH-500; эти значения не гарантируют аналогичное качество на пользовательских задачах. Подходит для решения математических задач и пошаговой генерации рассуждений в диалоге. Языки в карточке явно не перечислены. Лицензия в предоставленных данных не указана.

JustRL-Nemotron-1.5B — языковая модель для математических рассуждений, созданная авторами проекта JustRL на основе OpenMath-Nemotron-1.5B от NVIDIA. Модель дообучена методом GRPO в один этап с фиксированными гиперпараметрами и бинарной наградой за правильный ответ на задачах из DAPO-Math-17k. Модель построена на плотной архитектуре Qwen2, содержит 1,5 млрд параметров и принимает текстовые запросы, выдавая текстовые решения. Метаданные указывают контекст до 131 072 токенов; в описании обучения указан лимит в 16 тыс. токенов, а пример запуска vLLM задаёт максимум 32 768 токенов. Карточка сообщает о результатах на математических бенчмарках, включая среднее 64,32% по девяти наборам тестов и лидерство на пяти из них в приведённом сравнении. Модель предназначена прежде всего для решения и объяснения математических задач. Её метод проверки награды основан на сопоставлении строк без SymPy, поэтому карточка не подтверждает формальную проверку эквивалентности ответов. Модель распространяется по лицензии Apache-2.0.

modrill обучил эту плотную языковую модель методом полного SFT на базе Qwen3-4B-Base для решения математических задач. Модель обучалась на 75 649 примерах датасета math_nothink_strip в течение двух эпох; в эксперименте из запросов удалены блоки рассуждений, а шаблон qwen3_nothink рассчитан на ответы без таких блоков. Размер модели — 3,7 млрд параметров, контекст — до 32 768 токенов. Она генерирует текст и предназначена прежде всего для математических запросов. Репозиторий использует формат safetensors и лицензию Apache-2.0.

nwachuks/MedEmbed-base-v0.1-finetuned — текстовая модель Sentence Transformer, дообученная на наборе примеров критериев соответствия медицинским исследованиям. Она преобразует предложения и абзацы в плотные векторы размерностью 384, нормализованные для сравнения по косинусному сходству. Основа — BERT; модель содержит около 40 млн параметров и обрабатывает до 512 токенов за последовательность. Модель предназначена для поиска семантически близких формулировок, сопоставления критериев включения и исключения с описаниями участников, поиска перефразировок, кластеризации и классификации текста. README приводит результаты TripletEvaluator на наборах ai-job-validation и ai-job-test, но эти метрики сами по себе не подтверждают качество на медицинских данных. Доступен формат safetensors; лицензия в предоставленных данных не указана.

Карточка модели kevinpro/MetaMathOctopus-MAPO-DPO-13B на Hugging Face совпадает с карточкой kevinpro/MetaMathOctopus-7B, поэтому описание составлено по ней. MetaMathOctopus-7B — генеративная языковая модель на базе архитектуры Llama, опубликованная пользователем kevinpro. По названию и приведённым в карточке бенчмаркам MSVAMP, MGSM и MNumGLUESub модель предназначена для решения математических задач, в том числе многоязычных. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текст; длина контекста — 4096 токенов. В метаданных указаны языки как multilingual, но конкретные языки README не перечисляет. Репозиторий содержит веса в формате Safetensors, лицензия — Apache-2.0. Карточка приводит результаты сравнения с GPT-3.5-Turbo, MAmmoTH и WizardMath на математических наборах, однако доступный фрагмент не содержит результатов самой MetaMathOctopus-7B, поэтому по нему нельзя оценить её точность или сравнить качество с другими моделями. Модель можно рассматривать для экспериментального применения в генерации ответов и рассуждений по математическим задачам.

OpenMed-ZeroShot-NER-Oncology-Multi-209M — модель OpenMed для извлечения сущностей из биомедицинских текстов, специально адаптированная к тематике генетики рака. Она построена на архитектуре GLiNER и дообучена на корпусе BioNLP 2013 CG; размер модели в идентификаторе — 209M параметров. Модель принимает текст и возвращает найденные сущности с метками, например гены и их продукты, аминокислоты, клетки, ткани, органы, химические вещества и патологические образования. Модель предназначена для разметки онкологической литературы, анализа генов и молекулярных процессов, связанных с опухолями, курирования биологических путей и поиска сущностей для исследований точной онкологии. Благодаря zero-shot подходу можно задавать типы сущностей для извлечения без отдельного обучения под каждую категорию. В README приведён F1 0,75 на тестовом наборе, исключённом из обучения; результаты относятся к описанной оценке и не гарантируют качество на других текстах. Модель ориентирована на английский язык, что согласуется с языковым тегом и корпусом обучения. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка также перечисляет более широкие биомедицинские сценарии, однако специализация и описанный датасет связаны прежде всего с онкологической генетикой.

RoadQAQ/Qwen2.5-Math-1.5B-16k-think — версия базовой модели Qwen2.5-Math-1.5B, подготовленная для ReLIFT. В ней изменён параметр rope_theta с 10000 на 40000, а контекст расширен до 16 тысяч токенов. Модель построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров; для работы указана библиотека Transformers и формат весов safetensors. Модель предназначена для генерации текста в диалоговом формате и математических сценариев, связанных с ReLIFT. Карточка также сообщает об изменении chat template для системного промпта, но подробностей об этих изменениях и результатах оценки не приводит. Лицензия — MIT.

Qwen2.5-Math-1.5B-GRPO-Staleness-6 — математическая языковая модель, разработанная zbeeb на основе Qwen/Qwen2.5-Math-1.5B. Это полнопараметрический чекпойнт после 1 000 обновлений GRPO на датасете DAPO из 17 005 математических задач; обучение поощряло математическую эквивалентность итогового ответа. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2 dense и формат Safetensors, поддерживает диалоговую генерацию текста на английском и китайском языках. Модель предназначена для генерации решений математических задач. Нативный контекст составляет 4 096 токенов; в обучении использовалось до 3 072 токенов на завершение. В README приведены результаты оценок на девяти наборах, однако они относятся к обучающему прогону, а не к независимому тестированию опубликованных весов. Расширение контекста до 8K не настроено и не проверено. Лицензия — Apache-2.0.

unsloth/Qwen2.5-Math-1.5B-Instruct — инструкционная языковая модель семейства Qwen2.5-Math, представленная Unsloth на базе Qwen/Qwen2.5-Math-1.5B-Instruct. Это плотная авторегрессионная модель класса Qwen2ForCausalLM с 1,5 млрд параметров, предназначенная прежде всего для решения математических задач на английском и китайском языках. Модель принимает текстовые инструкции и генерирует ответы с пошаговыми рассуждениями (CoT); для задач, требующих точных вычислений и символьных преобразований, семейство также поддерживает подход Tool-integrated Reasoning (TIR). Контекст составляет 4096 токенов. Карточка рекомендует модель для математических задач и предостерегает от использования в других сценариях. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Как компактная модель на 1,5 млрд параметров, она уступает более крупным вариантам семейства в заявленных результатах; качество ответов и точность вычислений не гарантированы.

Qwen3-4B-GRPO-119 — это дообученная методом GRPO языковая модель на базе Qwen/Qwen3-4B, созданная для математических рассуждений на английском языке. Разработчик обучал её с помощью фреймворка slime на 8 видеокартах RTX 4090; архитектура — плотная Qwen3ForCausalLM примерно на 3,7 млрд параметров. Модель принимает текст и генерирует текст, поддерживает диалоговый шаблон с режимом рассуждений и контекст до 40 960 токенов. По данным README, на AIME 2024 показатель pass@1 вырос с 57,5% у базовой модели до 65,0% у чекпойнта 119-й итерации; медианная длина ответа при этом снизилась примерно на 49%. Модель подходит для решения математических задач и пошагового анализа решений. Обучение и оценка проводились только на англоязычных математических данных, поэтому результаты не характеризуют качество в других областях и языках. В 21% обучающих rollout достигался лимит длины 8192 токена. Лицензия — Apache-2.0.

Это авторегрессионная модель генерации текста семейства Qwen3, разработанная в рамках проекта Syne-Tune и обученная на траекториях методов чёрноящичной оптимизации для различных оптимизационных задач. Модель содержит 44,6 млн параметров, использует архитектуру Qwen3ForCausalLM и рассчитана на контекст до 4096 токенов. Модель предназначена для применения в сценариях чёрноящичной оптимизации: она может генерировать продолжения траекторий оптимизации на основе примеров из набора BBO-Pile. Для работы с ней авторы рекомендуют библиотеку Syne-Tune. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

RedDino-large — модель извлечения признаков из изображений эритроцитов, разработанная Лукой Цеддой, Андреа Лоддо, Чечилией Ди Руберто и Карстеном Марром из Университета Кальяри и Helmholtz Munich. Она предназначена для анализа морфологии эритроцитов и подготовки признаков для последующих задач классификации и сравнения образцов.

Карточка модели nilgeoutim/RLCR-lr1e-6-math на Hugging Face совпадает с карточкой llm-calibration/RLCR-lr1e-6-math, поэтому описание составлено по ней. RLCR-lr1e-6-math — дообученная модель генерации текста на базе Qwen/Qwen2.5-3B, обученная с помощью TRL. Она предназначена для диалоговой генерации ответов и может применяться для математических вопросов и рассуждений; название модели указывает на математическую настройку, но карточка не описывает её методику или результаты оценки. Модель доступна в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

SciJudge-4B-2605 — языковая модель команды OpenMOSS-Team для оценки научных публикаций. Она дообучена на базе Qwen/Qwen3-4B-Instruct-2507 и принимает названия, аннотации и даты публикации двух статей, чтобы определить, какая из них, вероятно, окажет большее цитатное влияние. Модель построена на плотной архитектуре Qwen3 и содержит 3,7 млрд параметров. Она работает с текстом, поддерживает английский язык и имеет контекстное окно до 262 144 токенов. На тестовом наборе SciJudgeBench указана средняя точность 77,3%; результаты приведены также для информатики, математики, физики и других областей. Модель предназначена для сравнительной оценки научных работ и исследовательских экспериментов с прогнозированием цитатного влияния; такой прогноз не гарантирует фактическую будущую цитируемость и зависит от домена и данных оценки. Распространяется по лицензии Apache-2.0.

SOLID-Qwen3-4B-Instruct-2507 — дообученный чекпойнт на базе Qwen/Qwen3-4B-Instruct-2507, созданный для моделирования задач исследования операций и генерации ответов с проверкой решателем. Модель разработал автор репозитория JamesX421; обучение включало GRPO и пошаговую KL-супервизию с учетом результатов решателя. Это плотная авторегрессионная языковая модель семейства Qwen3 с 3,7 млрд параметров, доступная в формате safetensors и рассчитанная на контекст до 262 144 токенов. Модель предназначена для формулирования математических задач оптимизации и получения решений в шаблоне StepORLM, совместимом со стилем Gurobi. В карточке приведены результаты оценки на OptMATH, MAMO-Complex и InOR; показатели различаются по наборам данных и метрикам, поэтому качество следует проверять на целевых задачах. Модель принимает текст и генерирует текст; поддерживаемые естественные языки в карточке не уточнены. Лицензия — Apache-2.0.

STILL-3-1.5B-preview — экспериментальная модель рассуждений, представленная разработчиками проекта STILL. Это плотная авторегрессионная языковая модель на архитектуре Qwen2 размером 1,5 млрд параметров, дообученная с помощью обучения с подкреплением для пошагового решения сложных математических задач. Модель предназначена для генерации ответов и диалогового использования; в метаданных также заявлен интерфейс вызова инструментов. В карточке приведены результаты на математических бенчмарках MATH, AIME, OMNI и LiveAOPS: для STILL-3-1.5B-preview указана точность 39,33% на AIME и 85,48% на MATH. Метаданные указывают контекстное окно 131 072 токена, библиотеку Transformers и формат весов safetensors. Модель опубликована 25 января 2025 года. Это предварительный исследовательский выпуск, поэтому приведённые бенчмарки не гарантируют точности на произвольных задачах. Для воспроизведения результатов важны параметры декодирования, использованные в оценке. Лицензия в предоставленных данных не указана.