IV.6Научные исследования, математика и новые материалы

vesselFM — модель-фундамент для сегментации кровеносных сосудов в трёхмерных медицинских изображениях из разных источников и областей визуализации. Её разработали Бастиан Виттманн и соавторы; работа опубликована на CVPR 2025. Репозиторий содержит веса PyTorch, включая базовый чекпойнт и вариант с усреднением экспоненциального скользящего среднего (EMA).

BioBART-base — биомедицинская генеративная языковая модель на базе BART, связанная с работой «BioBART: Pretraining and Evaluation of A Biomedical Generative Language Model» авторов Hongyi Yuan, Zheng Yuan, Ruyi Gan, Jiaxing Zhang, Yutao Xie и Sheng Yu. Модель содержит 95,2 млн параметров, использует архитектуру BART и принимает текст для генерации текста; максимальная длина контекста — 1024 токена. В метаданных указан английский язык. Модель предназначена для генеративных задач в биомедицинской области, где требуется преобразовывать или создавать текст. Доступны веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. В карточке не приведены конкретные бенчмарки или подробные ограничения по применению.

CliReBERT (Climate Research BERT) — англоязычная модель семейства BERT, разработанная для обработки научных текстов о климате и окружающей среде. По README, она обучена с нуля на корпусе рецензируемых исследований по изменению климата, использует архитектуру BERT-base uncased, собственный WordPiece-токенизатор и задачу masked language modeling. Метаданные указывают 136,7 млн параметров, контекст до 512 токенов и веса в форматах PyTorch и Safetensors. Модель предназначена для заполнения пропусков в тексте, а также для извлечения научной информации, классификации, извлечения отношений, разметки климатических документов и построения тематических графов знаний. В README сообщается об оценке на ClimaBench и преимуществах над рядом базовых моделей на отдельных задачах; эти результаты относятся к описанному бенчмарку. CliReBERT ограничена английской научной литературой о климате: она не предназначена для общего NLP и может хуже работать с социополитическими текстами и материалами вне экологической научной области. В README также отмечено возможное влияние смещений научных публикаций. Лицензия модели — MIT.

DeepSearch-1.5B — языковая модель рассуждений на 1,5 млрд параметров, разработанная Fang Wu и соавторами из нескольких исследовательских организаций. Это плотная причинная модель семейства Qwen2 для генерации текста и диалогов, обученная с подкреплением по проверяемым наградам (RLVR) и поиском Монте-Карло (MCTS), встроенным в процесс обучения. Базовая модель — nvidia/Nemotron-Research-Reasoning-Qwen-1.5B-v2. Модель предназначена прежде всего для решения математических задач и пошаговых рассуждений. В карточке приведены результаты на AIME 2024, AIME 2025 и AMC 2023; авторы сообщают о более высокой точности среди моделей рассуждений этого размера и меньших вычислительных затратах относительно длительного обучения с RL. Поддерживает текстовый ввод и генерацию, контекст составляет до 131 072 токенов; в метаданных указан английский язык. Доступна под лицензией Apache-2.0. Результаты и заявления о вычислительной эффективности основаны на оценках авторов и не гарантируют качество для любых задач. Обучение ориентировано на математику, поэтому надёжность в других областях и устойчивость ответов следует проверять отдельно.

Eklav-8B-Math-CotGen — экспериментальная версия модели Eklav, дообученная на базе Qwen/Qwen3-8B. Её разработчики обучали модель продолжать неполный фрагмент рассуждения учителя и самостоятельно выводить ответ; эта версия использует стандартное обучение на полных цепочках рассуждений и служит базовым вариантом для сравнения метода CotGen. Модель предназначена для генерации текста с пошаговыми рассуждениями и решения математических задач. В README приведены результаты одного прогона на нескольких бенчмарках, включая GSM8K, MATH-500 и AIME; они не гарантируют аналогичное качество на других задачах. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 40 960 токенов. Она работает через Transformers и поставляется в формате safetensors. Лицензия в предоставленных данных не указана.

Экспериментальный чекпойнт Gemma 4 E2B IT, дообученный анонимными авторами для рассуждений при решении математических задач. Модель обучена методом GRPO на наборе agentica-org/DeepScaleR-Preview-Dataset; при генерации использовался лимит в 1 024 новых токена, а ответы, достигавшие лимита, обрезались и оценивались как есть. Модель подходит для пошагового решения математических задач с выдачей ответа в формате \boxed{}. Это текстовая настройка базовой мультимодальной Gemma 4 E2B IT; в карточке описано обучение на математическом рассуждении, а не специализированное дообучение для работы с изображениями или аудио. Распространяется в формате safetensors по лицензии Apache-2.0.

Карточка модели kevinpro/MathOctopus-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.

Карточка модели kevinpro/MathOctopus-MAPO-DPO-7B 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.

Карточка модели kevinpro/MetaMathOctopus-MAPO-DPO-7B 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.

Это экспериментальная версия языковой модели Nemotron-3-Nano-4B, созданная анонимной исследовательской группой и дообученная методом GRPO на базе nvidia/NVIDIA-Nemotron-3-Nano-4B-BF16. Модель предназначена для пошагового решения математических задач и выдачи ответа в формате \boxed{}; при обучении использовался бюджет генерации до 8 192 токенов, а опубликованный чекпойнт соответствует шагу 300. В метаданных указаны архитектура NemotronHForCausalLM, 6,4 млрд параметров и контекстное окно 262 144 токена. Модель принимает текстовые запросы и генерирует текстовые рассуждения и ответы. Она основана на модели NVIDIA, но выпущена как часть анонимной заявки на ICLR 2027; лицензия обозначена как other, поэтому условия использования следует проверять в репозитории. Ориентация на математические рассуждения и ограниченный обучающий бюджет генерации не гарантируют точность на иных задачах или при длинных ответах.

BayesRL/Olmo3-C3PO_MC-7B — англоязычная плотная авторегрессионная модель семейства Olmo 3 с 6,9 млрд параметров, разработанная BayesRL. Это дообучение BayesRL/Olmo3-IVON-SFT-7B методом C3PO_MC для генерации текста и исследований обучения с подкреплением по проверяемым наградам (RLVR). Модель применяет вариационную оптимизацию IVON: веса семплируются из приближённого апостериорного распределения для исследования в пространстве параметров. Вариант C3PO_MC использует раздельные выборки весов для генерации ответов и оценки градиента, чтобы снизить дисперсию оценки градиента. Модель предназначена прежде всего для решения математических задач и экспериментальной оценки стратегий RLVR; в карточке указаны тесты AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Она поддерживает чатовый сценарий, принимает текст и генерирует текст, имеет контекст до 65 536 токенов и распространяется в формате Safetensors. Основа обучения — Olmo-3-1025-7B, а обучение проводилось на DAPO-Math-17k. Лицензия — Apache-2.0. Результаты на перечисленных тестах не гарантируют точность для произвольных математических задач; модель ориентирована на английский язык.

OpenMed-NER-OrganismDetect-BigMed-278M — модель OpenMed для распознавания упоминаний видов организмов в тексте и разметки их токенов. Это дообученная для задачи NER модель на базе XLM-RoBERTa; в метаданных указано около 305,2 млн параметров, а контекст составляет 514 токенов. Она принимает токенизированный текст и выдаёт BIO-метки B-SPECIES и I-SPECIES для названий видов, включая научные и распространённые названия. Модель предназначена для извлечения упоминаний организмов из биомедицинских публикаций и других текстов, а также для поиска видов в материалах по биоразнообразию и таксономии. В README указаны обучение на корпусе SPECIES800 из 800 аннотационных абстрактов и F1 0,70, точность 0,68 и полнота 0,72; поэтому качество извлечения может быть недостаточным для сценариев, требующих высокой полноты или точности, и результаты следует проверять на целевых текстах. В карточке заявлена поддержка английского языка. Модель распространяется по лицензии Apache-2.0.

OpenMed/OpenMed-ZeroShot-NER-Organism-Small-166M — модель OpenMed для распознавания упоминаний организмов и видов в научных и биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе SPECIES800, содержащем аннотации упоминаний организмов, включая научные и общеупотребительные названия видов. Модель принимает текст и возвращает найденные именованные сущности с метками; поддерживаемая метка в карточке — SPECIES, а zero-shot подход позволяет задавать типы сущностей при запросе без отдельного дообучения. Основные сценарии — извлечение названий видов из научной литературы, разметка организмов для биокурации и анализ текстов по биоразнообразию и таксономии. В README для версии Small указана оценка F1 0,71 на тестовой части SPECIES800, исключённой из обучения. Метаданные указывают формат PyTorch, задачу token-classification и лицензию Apache-2.0. Заявления README о широкой клинической применимости и распознавании произвольных категорий не подтверждены приведёнными результатами: специализация этой версии — виды и организмы.

Карточка модели menik1126/ovd-math-1-data-random-step800-historical на Hugging Face совпадает с карточкой menik1126/OVD-Math-1-data-RS-Step800-Historical, поэтому описание составлено по ней. OVD-Math-1-data-RS-Step800-Historical — сохранённая контрольная точка исторического эксперимента из коллекции OVD; автор карточки обозначен как menik1126. Репозиторий содержит веса для инференса и токенизатор. Это дообученная версия Qwen/Qwen2.5-Math-1.5B: плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста и решений математических задач. В карточке базовой модели указана поддержка английского и китайского языков. Модель использует библиотеку Transformers и формат Safetensors, её контекст ограничен 4096 токенами. Метаданные отмечают интерфейс чата и вызова инструментов, однако README не описывает сценарии их применения в этом эксперименте. Суффикс Step800 указывает на сохранённый шаг эксперимента; карточка не приводит результатов оценки качества. Условия лицензирования в предоставленных данных не указаны.

QuestA-Nemotron-1.5B — причинная языковая модель для диалогов и решения сложных задач, опубликованная аккаунтом foreverlasting1202. В карточке описано обучение с подкреплением и дополнение вопросов частичными решениями: подсказки постепенно сокращаются, чтобы улучшать решение трудных задач. В README заявлены улучшения на математических тестах, включая AIME и HMMT. Модель основана на архитектуре Qwen2, содержит 1,5 млрд параметров и предназначена для генерации текста; метаданные указывают контекст до 131 072 токенов. Она подходит для математических рассуждений и диалогового использования. README сообщает о контексте 32 тыс. токенов с возможностью настройки, что расходится с длиной из метаданных. Модель распространяется под лицензией Apache-2.0. Результаты приведены в README, но подробности оценки и воспроизводимости не описаны; заявленные показатели следует считать авторскими.

Это полно-параметрический чекпойнт Qwen2.5-Math-1.5B, дообученный командой zbeeb методом GRPO на 17 005 математических задачах из датасета DAPO. Модель построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров; она принимает текстовые запросы и генерирует решения математических задач. В метаданных указаны английский и китайский языки. Контекст составляет 4 096 токенов, при обучении длина завершения ограничивалась 3 072 токенами. Обучение включало 1 000 обновлений, а награда оценивала математическую эквивалентность итогового ответа. В README приведены результаты финальных оценок на MATH500, AMC, AIME, Minerva и OlympiadBench, однако они относятся к обучающему запуску, а не к новой проверке экспортированного файла. Контекст 8K не настраивался и не проверялся. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Qwen3-4B long-CoT SFT tail-16 — это дообученная модель drkylj на базе Qwen/Qwen3-4B-Base, предназначенная для генерации длинных цепочек рассуждений при решении математических задач. Модель имеет плотную архитектуру Qwen3ForCausalLM, 3,7 млрд параметров и контекст 32 768 токенов; обучена на длинных математических рассуждениях объёмом 2 млрд токенов. Поддерживается генерация текста в формате диалога. Сжатие KV-кэша реализуется в serving-пути: после каждого блока из 512 токенов сохраняются 128 обученных кодовых строк и последние 16 исходных KV, что сокращает кэш примерно в 3,6 раза. Для такого поведения нужны CompressLM-оверлей для vLLM, FlashInfer и закреплённый режим FA2 prefill; обычная загрузка через from_pretrained сжатое поведение не обеспечивает. Модель распространяется по лицензии Apache-2.0. В README приведены результаты pass@1: 29,17 на AIME 2025, 35,42 на AIME 2026 и 86,20 на MATH-500; сравнение с несжатым вариантом показывает небольшое снижение точности, а результаты AIME имеют заметную статистическую неопределённость. Назначение и обучение ориентированы на математику; заявленная схема сжатия требует специальной инфраструктуры и не работает как обычная модель Qwen3.

SeongryongJung/qwen3-4b-physics-sdpo-ema005 — языковая модель для генерации текста и решения задач по физике, дообученная на базе Qwen/Qwen3-4B методом SDPO с EMA-обновлением учителя. Репозиторий содержит последний чекпойнт обучения global_step_100 в формате Transformers и safetensors; модель имеет 3,7 млрд параметров и контекст до 40 960 токенов. Модель предназначена для генерации решений и рассуждений при ответах на задачи по физике. В README приведены результаты валидации с выборкой из 16 генераций: лучший mean@16 составил 72,89% на шаге 60, тогда как итоговое значение для последнего чекпойнта — 41,25%. Следовательно, опубликованный чекпойнт не соответствует лучшему результату обучения. Лицензия — Apache-2.0. Данные указывают на обучение по датасету physics, но не описывают его состав; качество за пределами этой оценки не установлено.

Qwen3-8B-DAPO-iter599-thinking — промежуточный чекпойнт Qwen3-8B, дообученный командой pb09204048 методом GRPO/DAPO с подкреплением на наборе математических задач DAPO-Math-17K. Модель использует плотную авторегрессионную архитектуру Qwen3ForCausalLM и содержит 7,6 млрд параметров. Чекпойнт сохранён на 599-й итерации обучения; при обучении был включён режим рассуждений. Модель предназначена прежде всего для генерации ответов на математические задачи с пошаговым рассуждением. Внутренняя оценка на AIME-24 для этого чекпойнта составила 73,75% pass@1 при конкретных параметрах выборки; результаты колебались, а README сообщает, что явного улучшения относительно базовой модели в режиме рассуждений не обнаружено. Контекст по метаданным — 40 960 токенов. Модель принимает текст и выдаёт текст; карточка описывает математическое обучение, но не подтверждает специализацию на конкретном естественном языке. Для применения требуется совместимая среда Transformers. Репозиторий распространяет промежуточный чекпойнт в формате safetensors; лицензия — Apache-2.0. Результаты оценки получены во время обучения и не должны напрямую сравниваться с оценками другого чекпойнта, рассчитанными по иной процедуре.

BayesRL/Qwen-B3PO-7B — языковая модель Qwen2.5-Math с 7,1 млрд параметров, дообученная BayesRL методом B3PO для обучения с проверяемыми вознаграждениями (RLVR). Метод использует вариационный оптимизатор IVON и исследует пространство параметров, применяя одну выборку возмущённых весов на шаг градиентного обучения. Модель построена на базе BayesRL/Qwen2.5Math-IVON-SFT-7B; в карточке также указана исходная модель Qwen/Qwen2.5-Math-7B. Модель предназначена для генерации решений математических задач и экспериментов с RLVR; её оценивали на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Это плотная авторегрессионная архитектура Qwen2, работающая с текстом и имеющая контекст 4096 токенов. Карточка указывает английский язык. Весовые файлы доступны в формате safetensors, лицензия — Apache-2.0.

Skywork-13B-Math — языковая модель семейства Skywork, разработанная командой Skywork и дообученная для решения математических задач. Это плотная авторегрессионная модель на 13,6 млрд параметров для генерации текста; она принимает текстовые запросы и формирует текстовые ответы с решениями и объяснениями. В карточке заявлены сильные результаты на GSM8K, MATH и CMATH, включая первое место среди моделей масштаба 13B на GSM8K и CMATH. Модель подходит для решения школьных математических задач и задач на рассуждение, а также для экспериментов и приложений, которым требуется генерация математических ответов. Указанная длина контекста — 131072 токена. В README приведены примеры запуска на PyTorch; веса представлены в формате PyTorch. Карточка не уточняет языковое покрытие и лицензию обозначает как other. Разработчики просят не использовать модель для незаконных действий и не разворачивать в интернет-сервисах без надлежащей проверки безопасности.

TEOChat — мультимодальный помощник для диалога о последовательностях спутниковых снимков Земли, разработанный авторами проекта TEOChat. Модель предназначена для анализа изменений во временных рядах изображений наблюдения Земли и выполнения инструкций по таким данным. Архитектура LLaVA объединяет общий для временной последовательности визуальный энкодер с языковой моделью LLaMA 2 через MLP-проектор. Модель содержит 6,6 млрд параметров, поддерживает контекст до 4096 токенов и распространяется в формате PyTorch. Для обучения авторы создали набор TEOChatlas из 554 071 примера для множества задач с временными данными наблюдения Земли. TEOChat рассчитана на специализированные задачи анализа временных спутниковых изображений и диалога по ним. Карточка не перечисляет конкретные поддерживаемые языки. Модель распространяется по лицензии Apache-2.0.

WizardMath-13B-V1.0 — языковая модель семейства Llama, разработанная командой WizardLM для решения математических задач и рассуждений. Это реплика официального репозитория, размещённая vanillaOVO; в карточке указано 12,9 млрд параметров, архитектура LlamaForCausalLM и контекст до 4096 токенов. Модель генерирует текстовые решения по инструкциям. Она предназначена для математических задач, включая задачи из наборов GSM8K и MATH; README приводит результаты оценки на этих тестах. Для работы рекомендуется использовать системный промпт из карточки модели. В README также приведено отдельное указание о CoT-промпте: его не рекомендуют для простых математических вопросов. Модель распространяется по лицензии Llama 2. Авторы реплики обозначают её как предназначенную для воспроизведения результатов в исследовательских целях. Точность ответов не гарантируется; возможны ошибки в вычислениях и рассуждениях.

Arithmo2-Mistral-7B — англоязычная языковая модель для математических рассуждений, разработанная Ashvini Kumar Jindal. Это финальная объединённая версия дообученной с помощью QLoRA модели на базе mistralai/Mistral-7B-v0.1; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — 32 768 токенов. Модель предназначена для решения математических задач с пошаговым объяснением (CoT) или генерацией Python-программы для вычисления ответа (PoT). В README сообщается об улучшении результатов относительно первой версии Arithmo-Mistral-7B на GSM8K и MATH. Модель принимает текстовые вопросы и генерирует текст с рассуждением или программой; для PoT выполнение программы происходит отдельно во время инференса. Модель распространяется по лицензии MIT. Она специализирована на математических задачах и обучена на английском языке; качество на других языках и за пределами математических сценариев не описано.

BC5CDR_ClinicalBERT_NER — модель для распознавания именованных сущностей в клинических текстах, разработанная Judith Rosell и дообученная на базе medicalai/ClinicalBERT с архитектурой DistilBERT. Она размечает упоминания химических веществ и заболеваний, что подходит для извлечения медицинских сущностей из текстов. Контекст модели составляет до 512 токенов; веса опубликованы в формате Safetensors. В оценке на наборе BC5CDR F1 составляет 0,72 для химических веществ и 0,82 для заболеваний, с общим micro F1 0,76. Лицензия в предоставленных данных не указана.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_cap_b2000_s0 — дообученная AmberYifan языковая модель семейства Qwen3 для генерации текста. Она создана на основе Qwen/Qwen3-4B-Base и обучена на наборе capsd_Qwen3-4B-Base-n80000-numina__mix_math_cap_b2000_s0, что указывает на математическую направленность обучения. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 32 768 токенов; доступны веса в формате safetensors и интерфейс чата. Модель предназначена для генерации текста в диалоговом формате и может применяться для математических запросов и задач рассуждения, связанных с данными обучения. README не приводит результатов оценки или подробностей о целевых сценариях, поэтому качество на конкретных математических задачах не подтверждено. Лицензия указана как other; условия её использования следует уточнять в карточке модели и у правообладателя.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_random_b4000_s0 — дообученная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-4B-Base. Для обучения использован датасет capsd_Qwen3-4B-Base-n80000-numina__mix_math_random_b4000_s0; название датасета указывает на математическую тематику, но карточка не описывает конкретные навыки модели или результаты оценки. Модель имеет плотную архитектуру Qwen3ForCausalLM и 3,7 млрд параметров. Она принимает текст и генерирует текст, поддерживает диалоговый сценарий и контекст длиной до 32 768 токенов. Метаданные указывают библиотеку Transformers и формат весов safetensors. В карточке указана лицензия other, поэтому конкретные условия использования следует сверить с файлами и условиями репозитория.

flax-community/clip-rsicd-v2 — дообученная модель CLIP от OpenAI, адаптированная сообществом flax-community для изображений дистанционного зондирования Земли. Она предназначена для классификации изображений без предварительного обучения на заданных классах, а также для поиска похожих изображений и изображений по текстовому запросу. Модель сопоставляет изображения и текст по сходству: визуальный энкодер построен на ViT-B/32, текстовый — на Transformer с masked self-attention; обучение использовало контрастивную функцию потерь. Модель обучена на наборах подписей к снимкам дистанционного зондирования RSICD, UCM и Sydney. В README для zero-shot классификации приведены значения k=1: 0,883, k=3: 0,968, k=5: 0,982 и k=10: 0,998. Модель рассчитана прежде всего на исследователей компьютерного зрения и поиск по крупным коллекциям спутниковых и аэрофотоснимков; отдельно упомянуты возможные сценарии в климатических исследованиях, обороне и правоохранительной деятельности. Доступны веса в форматах Flax и PyTorch. README предупреждает о возможных смещениях и ограничениях, унаследованных от исходного CLIP и связанных с обучающими данными. Лицензия в предоставленных сведениях не указана.

Модель weecology/cropmodel-neon-resnet18-species разработана сообществом Weecology для классификации крон деревьев, предварительно обнаруженных детектором DeepForest. Она относит RGB-изображения крон к одному из 167 видов деревьев, используя коды USDA PLANTS. Модель обучена на 47 971 фрагменте крон, собранном на 30 площадках NEON в Северной Америке по данным полевых обследований растительности. В основе лежит ResNet-18 из torchvision с предварительным обучением на ImageNet. На вход подаются RGB-фрагменты размером 224×224 пикселя с нормализацией ImageNet. На тестовой выборке указаны точность 86,9%, macro F1 0,80 и weighted F1 0,87. Модель предназначена для видовой идентификации крон в рамках экологического мониторинга и анализа аэрофотосъёмки. Лицензия — MIT.

Euston — модель рассуждений с 7,6 млрд параметров, разработанная FLock.io и Оксфордским университетом на базе DeepSeek-R1-0528-Qwen3-8B. Это дообученный decoder-only трансформер семейства Qwen3; в репозитории представлены веса Safetensors, а лицензия MIT унаследована от базовой модели. Модель принимает англоязычные математические утверждения, в том числе взятые из научных статей, и оценивает, истинны ли они или были искажены. Euston предназначена для исследований математической верификации утверждений, устойчивости к поддакиванию и обучения с проверяемыми вознаграждениями. Её можно использовать как вспомогательный инструмент, который отмечает подозрительные утверждения для проверки человеком. Модель обучали методом GRPO на парах исходных истинных и искусственно искажённых утверждений; при ответе она выдаёт цепочку рассуждений и вердикт в выражении \boxed{}. На сбалансированном тесте Euston показала точность классификации 63,75%, а в парном сравнении точность среди случаев, где она вынесла разные вердикты для утверждений пары, составила 84,1%. Эти показатели не делают её надёжным арбитром: модель часто воздерживается от решения и отклоняет многие верные утверждения. Она обучена и оценивалась на английских математических текстах; её не следует применять как автономный фильтр, для других языков или для утверждений вне математики. Контекст модели составляет 131 072 токена.