IV.6Научные исследования, математика и новые материалы

Экспериментальный чекпойнт Gemma 4 E2B IT, дообученный анонимной исследовательской группой методом GRPO для математических рассуждений. Модель основана на google/gemma-4-E2B-it и предназначена для решения математических задач с пошаговым выводом и ответом в формате \boxed{}. При обучении использовался бюджет генерации до 4 096 новых токенов; чекпойнт соответствует шагу 300. В репозитории указаны архитектура Gemma4ForConditionalGeneration и формат safetensors. Модель унаследовала мультимодальную архитектуру базовой Gemma 4, однако карточка описывает настройку прежде всего для текстовых математических задач. Лицензия — Apache 2.0. Это ранний чекпойнт анонимной подачи на ICLR 2027, поэтому качество и устойчивость на широком наборе задач не подтверждены; длинные ответы могут обрезаться по достижении бюджета генерации.

JustRL-DeepSeek-1.5B — языковая модель на 1,5 млрд параметров, разработанная в рамках проекта JustRL и дообученная на DeepSeek-R1-Distill-Qwen-1.5B. Это плотная модель семейства Qwen2 для генерации текста в диалоговом формате; её специализация — математические рассуждения и решение задач. В обучении использовались GRPO с бинарной оценкой результата и набор DAPO-Math-17k, без многоэтапного конвейера и динамического расписания гиперпараметров. Модель предназначена для ответов на математические задачи и оценки подходов к обучению с подкреплением компактных языковых моделей. В README приведены результаты на наборах AIME, AMC, MATH-500, Minerva и OlympiadBench. Метаданные указывают контекст до 131 072 токенов; в описании рецепта обучения упоминается ограничение длины контекста 16 000 токенов. Модель принимает и генерирует текст, заявлен английский язык. Весовые файлы опубликованы в формате Safetensors, лицензия — Apache-2.0. Размер 1,5 млрд параметров ограничивает её возможности по сравнению с более крупными моделями; результаты бенчмарков не гарантируют точность для произвольных математических задач.

albertge разработал экспериментальный чекпойнт на базе диффузионной языковой модели GSAI-ML/LLaDA-8B-Base в рамках проекта dLLM Registers. Модель дообучена на примерно 30 тысячах математических трасс из подмножества OpenMathInstruct-2 и предназначена для генерации текста с решением математических задач. В ней используются четыре обучаемых непрерывных регистра, передающих состояние декодирования между окнами денойзинга; размер чанка составляет 128 токенов. Модель ориентирована на исследовательские эксперименты с переносом состояния при чанковой генерации в диффузионных языковых моделях и на решение математических задач. Для корректного инференса нужны режим registers, четыре регистра и масочный токен для регистров, как описано в README. Репозиторий содержит веса safetensors, используется библиотека Transformers; лицензия — Apache-2.0.ભ

Marigold Intrinsic Image Decomposition Lighting v1-1 — модель Bingxin Ke, Kevin Qu, Tianfu Wang, Nando Metzger, Shengyu Huang, Bo Li, Anton Obukhov и Konrad Schindler для разложения одного изображения на внутренние компоненты освещения и отражения. Она дообучена на базе stable-diffusion-2 и доступна для работы через библиотеку diffusers. Модель принимает изображение в цветовом пространстве sRGB и оценивает альбедо, диффузное затенение и недиффузный остаток, соответствующие разложению I = A*S+R. Выходные компоненты представлены в линейном цветовом пространстве. Поддерживается обработка изображений разного размера, но эффективное разрешение базовой модели составляет около 768 пикселей; для крупных изображений рекомендуется уменьшить длинную сторону до этого размера. Модель рассчитана на DDIM с 1–50 шагами денойзинга; карты неопределённости формируются при ансамблировании более двух предсказаний. Модель предназначена для анализа освещения и внешнего вида объектов по одиночному изображению, включая компьютерное зрение и обработку изображений. Лицензия CreativeML Open RAIL++-M.

modrill/math-think-s1-qwen3-4b — плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, созданная методом полного supervised fine-tuning базовой модели Qwen/Qwen3-4B-Base. Разработчики адаптировали её для математических рассуждений с явными блоками размышлений; обучение выполнено в LLaMA-Factory на 75 905 примерах набора math_think_s1, основанного на данных qihoo360/Light-R1-SFTData. Модель предназначена для генерации текста при решении математических задач и пошагового объяснения рассуждений. Она использует шаблон чата qwen3 с включённым режимом thinking, работает через Transformers и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса safetensors и файлы конфигурации и токенизатора. Базовая модель — Qwen3-4B-Base. Данные обучения проверялись на пересечения с оценочными запросами AIME и MATH; удалён один пример. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает результаты бенчмарков, поэтому качество решения задач по ней оценить нельзя.

Это языковая модель Mistral 7B, дообученная на наборе MetaMath для использования в Math-Shepherd. Она принимает математическую задачу в виде текста без системного промпта и генерирует пошаговое решение с маркером шага `ки`. В карточке приведены результаты Pass@1: 77,9 для GSM8K и 28,6 для MATH. Модель имеет плотную архитектуру семейства Llama с классом LlamaForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 4096 токенов. Репозиторий содержит веса PyTorch. Сведения о лицензии и поддерживаемых естественных языках в доступных источниках отсутствуют.

MuMath-7B — языковая модель для математических задач, созданная авторами проекта MuMath путём дообучения LLaMA-2 на наборе данных MuMath. В репозитории указана архитектура LlamaForCausalLM с 6,6 млрд параметров и контекстом 4096 токенов. Модель предназначена для генерации решений математических задач. Набор обучения MuMath использует переформулирование условий и решений, обратное построение задач, изменение выражений и сложности, а также вспомогательные задания по составлению плана и структуры решения. В README описана оценка на GSM8K и MATH и приведены скрипты для инференса и оценки. Модель принимает текст и генерирует текст. Карточка не сообщает отдельные показатели MuMath-7B и условия лицензии, поэтому качество на конкретных задачах и условия использования по доступным сведениям определить нельзя.

BayesRL/Olmo3-M3POPlus-7B — англоязычная плотная авторегрессионная модель семейства Olmo 3, разработанная BayesRL на базе Olmo 3 от Allen Institute for AI. Модель содержит 6,9 млрд параметров, принимает текст и поддерживает контекст до 65 536 токенов. Модель дообучена методом M3PO+ для задач RLVR с проверяемыми наградами. В обучении применялись четыре возмущения параметров на шаг при размере группы 16; подход использует вариационный оптимизатор IVON для исследования пространства параметров. Модель предназначена для генерации текста и диалогов, особенно для решения математических задач; она оценивалась на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Опубликована в формате Safetensors и рассчитана на использование с Transformers. Лицензия — Apache-2.0. README не приводит численных результатов оценки, поэтому по нему нельзя судить о сравнительном качестве или надёжности ответов; специализация на математике не гарантирует корректность решений.

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.

Карточка модели menik1126/OVD-Math-1-data-FR-Step500-Historical на Hugging Face совпадает с карточкой menik1126/ovd-math-1-data-full-step500-historical, поэтому описание составлено по ней. menik1126/ovd-math-1-data-full-step500-historical — чекпойнт исторического эксперимента «1-data full», входящий в коллекцию OVD. Репозиторий содержит веса для инференса и токенизатор; модель дообучена на базе Qwen/Qwen2.5-Math-1.5B и использует плотную архитектуру Qwen2ForCausalLM с 1,5 млрд параметров. Она предназначена для генерации текста, в частности решений математических задач, как и базовая модель. Модель работает с текстом и имеет контекстное окно 4096 токенов. В метаданных заявлен интерфейс чата и вызова инструментов. Карточка не описывает состав экспериментальных данных или результаты оценки именно этого чекпойнта; обозначение «historical» указывает на экспериментальный характер версии. Лицензия в предоставленных данных не указана.

menik1126/ovd-math-1-data-full-step500-historical — чекпойнт исторического эксперимента «1-data full», входящий в коллекцию OVD. Репозиторий содержит веса для инференса и токенизатор; модель дообучена на базе Qwen/Qwen2.5-Math-1.5B и использует плотную архитектуру Qwen2ForCausalLM с 1,5 млрд параметров. Она предназначена для генерации текста, в частности решений математических задач, как и базовая модель. Модель работает с текстом и имеет контекстное окно 4096 токенов. В метаданных заявлен интерфейс чата и вызова инструментов. Карточка не описывает состав экспериментальных данных или результаты оценки именно этого чекпойнта; обозначение «historical» указывает на экспериментальный характер версии. Лицензия в предоставленных данных не указана.

SeongryongJung/Qwen3-8B-Biology-SDPO-TR — экспериментальный чекпойнт дообучения Qwen3-8B методом SDPO-TR на задаче Biology с размером обучающего батча 32. В репозитории размещены лучший по валидационному mean@16 чекпойнт на шаге 40 и финальный чекпойнт на шаге 100. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров, принимает текст и выдаёт текст; контекст — до 40 960 токенов. Чекпойнт предназначен для генерации ответов и рассуждений по биологии. Лучший валидационный результат mean@16 составил 53,12%, финальный — 45,88%; эти показатели относятся к указанному в карточке эксперименту и не гарантируют качество на других задачах. Для загрузки README предлагает Transformers и safetensors. Лицензия — Apache-2.0.

SeongryongJung/qwen3-8b-biology-srpo-ema005 — дообученный чекпойнт Qwen3-8B, опубликованный в формате Hugging Face Transformers. Модель содержит 7,6 млрд параметров, имеет контекст 40 960 токенов и предназначена для генерации текста в задачах по биологии с обучением методом SRPO. В README указано, что опубликован последний чекпойнт global_step_100; приведённый лучший результат валидации 56,00% mean@16 получен на шаге 90 и не обязательно соответствует опубликованному чекпойнту, для которого финальное значение составило 51,62%. Модель основана на Qwen/Qwen3-8B, мультиязычной диалоговой языковой модели. Доступна по лицензии Apache-2.0.

Карточка модели microsoft/rho-math-1b-interpreter-v0.1 на Hugging Face совпадает с карточкой microsoft/rho-math-1b-v0.1, поэтому описание составлено по ней. Rho-Math-1B-v0.1 — базовая языковая модель Microsoft для математических рассуждений и генерации ответов. Она построена на архитектуре Llama с плотной моделью класса LlamaForCausalLM и содержит 1 млрд параметров. Модель предварительно обучена методом Selective Language Modeling (SLM), который сосредоточивает обучение на чистых и полезных токенах. В README приведены результаты few-shot оценки на GSM8K и MATH для семейства Rho-Math; отдельный показатель именно для этой версии составляет 15,6% на MATH. Модель предназначена для генерации текста при решении математических задач, в том числе с пошаговым рассуждением и примерами в запросе. Она работает с текстом на английском языке и имеет контекст длиной 2048 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

shadow-clown-BioMistral-7B-DARE — слитая методом DARE TIES языковая модель на архитектуре Mistral, созданная с помощью mergekit из BioMistral/BioMistral-7B-DARE и CorticalStack/shadow-clown-7B-dare. Модель содержит 7,1 млрд параметров, использует веса safetensors в формате float16 и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста; её биомедицинская направленность связана с BioMistral и включает ответы на биомедицинские вопросы и исследовательские сценарии. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или дополнительных сведений о поддерживаемых языках.

Модель SmolLM2 135M English-to-LaTeX Notation разработана piyushgupta53 на основе HuggingFaceTB/SmolLM2-135M-Instruct. Это плотная авторегрессионная модель семейства Llama с 134,5 млн параметров и контекстом 8192 токена, дообученная методом supervised fine-tuning на наборе английских описаний математической нотации. Она преобразует точное описание математической записи на английском языке в одно выражение LaTeX; модель предназначена для генерации нотации, а не для решения, вычисления, доказательства или объяснения математики. Прикладной пример — перевод текстового описания производной в запись LaTeX. README сообщает о 95,51% нормализованных точных совпадений на целевой валидации при выборе контрольной точки, но на отдельном отложенном бенчмарке точность составила 22%; семантически корректными признаны 65,5% ответов. Поэтому пригодность модели ограничена узкими задачами преобразования знакомых формулировок, а результат требует проверки синтаксиса и смысла, особенно для незнакомых или сложных структур. Модель выпущена в объединённом виде с rank-32 rsLoRA-адаптером и загружается через Transformers без отдельной базовой модели или PEFT. Лицензия — Apache-2.0.

SmolLM2-Math-IIO-1.7B-Instruct — дообученная PrithivMLmods англоязычная модель генерации текста на архитектуре Llama, созданная на базе HuggingFaceTB/SmolLM2-1.7B-Instruct. Она предназначена для математических задач и следования инструкциям; по карточке обучена на датасете prithivMLmods/Math-IIO-68K-Mini. Модель помогает решать задачи от арифметики до уравнений и математических доказательств, а также выдавать пошаговые объяснения и учебные материалы. Это плотная модель на 1,7 млрд параметров с контекстом до 8192 токенов, поддерживающая текстовый диалог и генерацию. Для запуска карточка рекомендует PyTorch и Transformers. Лицензия — CreativeML Open RAIL-M.

xlreator/snomed-biobert — модель на основе BERT, опубликованная xlreator в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 135,5 млн параметров, использует архитектуру BertModel и принимает текст с контекстом до 512 токенов. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Название указывает на связь с SNOMED и биомедицинским доменом, но README не описывает обучающие данные и не сообщает, для каких языков модель предназначена. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не обозначена.

Xwin-Math-13B-V1.0 — языковая модель для решения математических задач, разработанная командой Xwin. Это модель с архитектурой LLaMA-2 и примерно 12,9 млрд параметров, дообученная методом supervised fine-tuning для математики. Она принимает текстовые задачи и генерирует текстовые решения; в карточке приведены результаты на GSM8K и MATH, включая 76,2% pass@1 на GSM8K и 21,7% на MATH по используемой авторами гибкой оценке. Модель подходит для решения школьных и олимпиадных задач, арифметических текстовых задач и пошагового объяснения математических рассуждений. Контекст модели составляет 4096 токенов. README указывает лицензию Llama 2; применение должно соответствовать её условиям. Приведённые показатели зависят от метода оценки и могут отличаться в других средах.

cmcheng/DeepMath-GRPO_Qwen2.5-0.5B-Instruct — компактная языковая модель на архитектуре Qwen2, дообученная методом GRPO на базе Qwen/Qwen2.5-0.5B-Instruct. Веса содержат около 494 млн параметров; модель использует библиотеку Transformers и формат safetensors, поддерживает диалоговый режим и контекст до 32 768 токенов. Модель предназначена для генерации текста с акцентом на математические задачи. При дообучении использовался набор zwhe99/DeepMath-103K: 97 870 обучающих примеров и 5 152 тестовых; из тестовой части случайно выбрали 100 примеров для валидации. README указывает на обучение в bf16 с DeepSpeed и ограничение в 5 000 шагов. Данные подтверждают специализацию обучения, но не приводят результаты оценки качества или конкретные гарантии точности. Лицензия в предоставленных сведениях не указана.

FastLlama-3.2-1B-Instruct — дообученная модель на архитектуре Llama от разработчика suayptalha, основанная на meta-llama/Llama-3.2-1B-Instruct. Модель содержит 1,2 млрд параметров, принимает текстовые инструкции и генерирует текст; для работы используются библиотека Transformers и формат safetensors. В карточке указана длина контекста 131 072 токена. Модель дообучена на наборе математических задач MetaMathQA-50k из HuggingFaceTB/smoltalk для решения задач, многошаговых рассуждений и ответов на вопросы по математике. Она предназначена для учебных приложений, помощников и систем репетиторства, где нужны компактная языковая модель и математические ответы. Указана поддержка нескольких языков, включая английский, немецкий, испанский, французский, итальянский, португальский, хинди и тайский. Разработчик заявляет о быстродействии и улучшении результатов на математических вопросах, однако количественные результаты бенчмарков в карточке не приведены. Модель распространяется по лицензии Apache 2.0.

Komodo-Llama-3.2-3B-v2-fp16 — языковая модель на архитектуре Llama 3.2, дообученная разработчиком репозитория на наборе jeggers/competition_math для решения математических задач. Модель содержит 3,2 млрд параметров, использует формат fp16 и рассчитана на генерацию текста и диалог в формате ChatML; базовая модель поддерживает контекст до 131 072 токенов. Модель предназначена для пошаговых объяснений и кратких ответов на математические задачи, включая задачи соревновательного уровня. Метаданные перечисляют английский, тайский, португальский, испанский, немецкий, французский, итальянский и хинди; основное назначение дообучения — математика. В метаданных также отмечен интерфейс вызова инструментов, но README не описывает его применение. Лицензия — Apache-2.0. Оценка на Open LLM Leaderboard в README включает среднее значение 19,59, IFEval — 63,41 и BBH — 20,20; эти результаты сами по себе не подтверждают точность на всех математических задачах. Модель унаследовала ограничения базовой Llama 3.2 и может ошибаться в вычислениях или рассуждениях.

LLaDA-Instruct-JustGRPO-Math — диффузионная языковая модель, дообученная разработчиками модели методом JustGRPO на наборе MATH-500. Она основана на GSAI-ML/LLaDA-8B-Instruct и предназначена для генерации текста и решения математических задач с рассуждениями. В карточке приведены результаты оценки на MATH-500: точность 39,0% при длине последовательности 128, 45,1% при 256 и 45,2% при 512. Для генерации и оценки авторы предлагают использовать связанный репозиторий проекта. Модель распространяется по лицензии MIT.

OliverSundaram/Llama-3.2-1B-MathCodeInstruct-10k — дообученная модель семейства Llama 3.2, разработанная Oliver Sundaram на базе unsloth/Llama-3.2-1B. Она обучалась на 10 тысячах примеров MathCodeInstruct и предназначена для решения математических текстовых задач с пошаговым объяснением на естественном языке, в которое включён исполняемый код Python. Модель имеет плотную архитектуру LlamaForCausalLM и около 1,2 млрд параметров; метаданные указывают контекст до 131 072 токенов. Она принимает текст и генерирует текст, включая фрагменты кода. В карточке заявлен английский язык. На GSM8K результат составил 8,7% против 5,8% у базовой модели; показатели ARC-Challenge и HellaSwag немного снизились относительно базы. Это небольшая специализированная настройка, не предназначенная для роли универсального ассистента. Обучение проведено за одну эпоху; дополнительного safety alignment или RLHF не применялось. Репозиторий использует формат safetensors. Лицензия указана как other, поэтому конкретные условия следует проверить в файлах репозитория перед использованием.

Llama-OpenReviewer-8B — специализированная языковая модель, разработанная для автоматической подготовки критических рецензий на статьи по машинному обучению и искусственному интеллекту для конференций. Модель создана дообучением Meta-Llama-3.1-8B-Instruct на примерно 79 тысячах экспертных рецензий из OpenReview, включая материалы ICLR и NeurIPS. Она содержит около 7,5 млрд параметров и использует архитектуру Llama с плотной языковой моделью; для работы заявлен контекст до 131 072 токенов. Модель принимает текст статьи и генерирует рецензию на английском языке: краткое изложение вклада, сильные и слабые стороны, аргументы за рекомендацию принять или отклонить работу, вопросы авторам и предложения по улучшению. Она предназначена для поддержки рецензирования научных работ в области ИИ и ML, а не для самостоятельной замены экспертной оценки. Возможны ошибки в оценке доказательств и научной корректности; рекомендации следует проверять по самой статье и связанным работам. Использование регулируется лицензией Llama 3.1, её условиями и политикой допустимого использования Meta; при применении в официальном рецензировании разработчики просят раскрывать использование модели.

modrill/math-nothink-omi-qwen3-4b — плотная языковая модель семейства Qwen3, дообученная разработчиком методом полного SFT на базе Qwen/Qwen3-4B-Base. Она предназначена для генерации ответов на математические задачи с кратким ходом рассуждений без специальных блоков «thinking». Обучение проведено на 49 909 примерах из OpenMathInstruct-2; использовались два эпоха обучения и шаблон qwen3_nothink. Модель содержит 3,7 млрд параметров, работает с текстом и имеет контекст до 32 768 токенов. Она подходит для решения и объяснения математических задач в диалоговом формате. В метаданных указана лицензия Apache-2.0. Карточка не приводит результатов оценки качества, поэтому точность на конкретных типах задач не установлена.

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.

mLateOn-medical — много-векторный текстовый энкодер, дообученный на базе lightonai/mLateOn-unsupervised с помощью Sentence Transformers. Модель разработана для медицинского поиска: она преобразует текст в последовательности 128-мерных векторов токенов и оценивает соответствие запроса документу методом позднего взаимодействия MaxSim. Архитектура основана на ModernBERT, содержит 306,9 млн параметров и принимает последовательности длиной до 8192 токенов. Модель обучена на миллионе пар медицинских вопросов и фрагментов текста из MIRIAD. Она предназначена для семантического поиска и ранжирования медицинских документов; автор сообщает о превосходстве над протестированными универсальными поисковыми моделями на бенчмарке из 1000 медицинских запросов и 200 000 фрагментов. Для запуска используется библиотека Sentence Transformers. Карточка не сообщает лицензию и не указывает языки обучения или поддержки, поэтому область применения по языкам определить нельзя.

OpenMed-NER-SpeciesDetect-BigMed-560M — модель OpenMed для распознавания упоминаний видов и организмов в биомедицинском тексте. Это дообученная модель XLM-RoBERTa для токенной классификации: она помечает фрагменты текста тегами B-SPECIES и I-SPECIES и формирует BIO-разметку. Веса представлены в формате safetensors; модель содержит около 658,7 млн параметров, принимает контекст до 514 токенов и распространяется по лицензии Apache-2.0. Модель предназначена для извлечения названий видов из научной литературы и других биомедицинских текстов, включая научные и распространённые названия организмов. В README указано обучение на корпусе LINNAEUS. Её можно применять для поиска упоминаний организмов, таксономического анализа и подготовки данных для биомедицинского текстового майнинга. В README приведены F1 0,72, точность 0,66 и полнота 0,79; эти показатели требуют осторожной интерпретации, поскольку в той же карточке приведены существенно более высокие результаты других моделей на LINNAEUS, а описанные клинические сценарии не подтверждаются заявленными метками видов. Модель ориентирована на английский язык согласно тегам карточки; применимость к другим языкам не подтверждена.

OpenMed-NER-SpeciesDetect-ElectraMed-560M — модель OpenMed для распознавания названий видов и организмов в тексте. Это дообученный трансформер для токенной классификации с архитектурой XLM-RoBERTa и примерно 658,7 млн параметров; модель размечает найденные упоминания тегами B-SPECIES и I-SPECIES. Она предназначена для анализа биомедицинской литературы и других текстов, где нужно находить научные и общеупотребительные названия организмов. В карточке указано обучение на корпусе LINNAEUS; заявленные метрики на наборе данных — F1 0,76, точность 0,72 и полнота 0,82. Модель принимает токенизированный текст, выдаёт BIO-разметку и поддерживает английский язык. Контекст составляет 514 токенов. Лицензия — Apache-2.0. Подходящие сценарии — извлечение упоминаний видов из научных статей, поиск организмов в биомедицинских текстах и подготовка данных для таксономических исследований. Указанные в README применения шире целевой разметки видов: модель размечает только сущности SPECIES, поэтому заявления о выделении лекарств, химических соединений или лекарственных взаимодействий не подтверждаются перечисленными типами сущностей. Заявление о готовности к промышленному использованию сопровождается умеренными показателями F1 и не заменяет независимую проверку на целевых текстах.