IV.6Научные исследования, математика и новые материалы

Это модель BioBERT, дообученная alvaroalon2 для распознавания химических веществ в биомедицинских текстах. Она решает задачу распознавания именованных сущностей (NER) и предназначена для использования в системах BioNER/BioNEN. Обучение проводилось на корпусах BC5CDR-chemicals и BC4CHEMD. Модель основана на архитектуре BERT, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Она размечает текстовые фрагменты, относящиеся к химическим веществам; заявленный язык — английский. Доступны веса в форматах PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

BioinspiredLlama-3-1-8B-128k — разговорная языковая модель семейства Llama, опубликованная организацией lamm-mit. Она предназначена для генерации текста и диалога по темам биологии, химии, биологических материалов, материаловедения и инженерии. По метаданным, модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Модель загружается через Transformers в формате safetensors. Карточка содержит примеры инференса и многоходового взаимодействия, но не описывает обучение, оценку качества или конкретный перечень поддерживаемых языков. Лицензия в предоставленных данных не указана.

ChemFM-1B — языковая модель для химии, созданная авторами ChemFM и размещённая в каталоге Aurigene AI как зеркало upstream-модели ChemFM/ChemFM-1B. Она предназначена для генерации молекул и может дообучаться для предсказания свойств и решения задач реакционной химии. Модель содержит 969,5 млн параметров, построена на плотной архитектуре Llama и принимает текстовые входы, включая представления молекул SMILES. Обучающие данные связаны с набором UniChem; максимальная длина контекста — 512 токенов. Модель ориентирована на этапы генерации кандидатов и оптимизации лидов в поиске лекарств. Репозиторий содержит веса в формате safetensors, библиотека — Transformers. Указана лицензия MIT. README отсылает к исходной карточке за полными сведениями об обучении и цитировании, поэтому конкретные метрики качества и проверенные режимы применения здесь не приведены.

ChemVLM-26B — мультимодальная модель команды AI4Chem для диалоговой работы с химическими изображениями и текстом. Это дообученная на основе ChemLLM-20B и InterViT-6B модель семейства InternVL Chat; карточка предлагает запуск через библиотеку Transformers. Модель предназначена для сценариев, где нужно подать изображение вместе с текстовым запросом и получить текстовый ответ. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Данных о размере контекста и поддерживаемых естественных языках в предоставленной карточке нет.

Synthyra/ESM2-650M — упаковка чекпойнта ESM-2 от Meta AI (facebook/esm2_t33_650M_UR50D) с рантаймом FastPLMs для Transformers. Модель принимает аминокислотные последовательности, разбитые на остатки, и предназначена прежде всего для предсказания замаскированных токенов и получения представлений белковых последовательностей. Чекпойнт содержит около 865 млн параметров, поддерживает контекст до 1026 токенов и распространяется в формате safetensors по лицензии MIT. Доступны классы для masked language modeling, извлечения представлений, классификации последовательностей и классификации остатков. Головы классификации созданы заново и не обучены, поэтому перед использованием их выходов как предсказаний требуется дообучение. Также доступны получение карт контактов и адаптерное дообучение; тестовое обучение может увеличить задержку и ухудшить результат, а само по себе не подтверждает биологическую функцию. Для загрузки через указанную реализацию Transformers требуется trust_remote_code=True.

ESM-2 — модель для белковых последовательностей, разработанная Meta AI. Она обучена на задаче masked language modeling и предназначена для восстановления скрытых аминокислот, а также для дообучения под другие задачи, принимающие белковые последовательности. Этот вариант использует архитектуру ESM с 12 слоями и примерно 44,3 млн параметров; максимальная длина контекста составляет 1026 токенов. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Модель подходит для анализа последовательностей белков и экспериментов по предсказанию их свойств после дообучения. По сравнению с более крупными версиями семейства она требует меньше вычислительной памяти и времени, но более крупные варианты обычно показывают несколько более высокую точность. Лицензия — MIT.

Synthyra/FastESM2_650 — белковая языковая модель семейства ESM2, разработанная Synthyra как ускоренная реализация FastESM для Transformers. Веса ESM2-650 дообучены ещё на 50 000 шагов с обычной задачей маскированного языкового моделирования на наборе OMGprot50; модель содержит 865,1 млн параметров, использует плотную архитектуру FastEsmForMaskedLM и принимает последовательности длиной до 2048 токенов по описанию обучения. Метаданные указывают native context в 1026 токенов. Модель предназначена для заполнения замаскированных участков белковых последовательностей, получения контекстных представлений и расчёта логитов. README также описывает пакетное построение эмбеддингов и оценку свойств белков линейными пробами. FastESM оптимизирована для ускорения обучения и инференса с разными backend-ами внимания; автор рекомендует fp16, а для максимального ускорения — PyTorch 2.5 или новее. Экспериментальный режим test-time training с локальными LoRA-адаптерами может помочь на сложных белках, но увеличивает вычислительные затраты и способен ухудшить уверенные предсказания. Вход модели — аминокислотные последовательности, выход — токенные представления и оценки для маскированных позиций. Для репозитория указаны веса safetensors и библиотека Transformers. Лицензия в предоставленных данных не приведена.

GPT2 Zinc 87m — авторегрессионная языковая модель в стиле GPT-2 от entropy, обученная на примерно 480 млн SMILES-строк из базы ZINC. Модель содержит около 87 млн параметров и предназначена для генерации молекул с лекарствоподобными свойствами, а также получения представлений SMILES. Модель принимает текстовые последовательности SMILES и продолжает их генерацию; контекст составляет 256 токенов. В опубликованных испытаниях авторы оценивали уникальность и структурную валидность сгенерированных соединений при разных значениях температуры. Для работы с токенизатором нужно учитывать, что он автоматически не добавляет BOS и EOS токены, поэтому их может потребоваться добавлять вручную. Модель распространяется по лицензии MIT.

Matthijs0/im2latex_base — модель Matthijs0 для преобразования изображений математических формул в код LaTeX. Это модель VisionEncoderDecoderModel: визуальный кодировщик Swin Transformer извлекает представление формулы, а декодер GPT-2 генерирует последовательность LaTeX. Модель обучена на наборе OleehyO/latex-formulas с разделением данных на обучающую, валидационную и тестовую части. Модель подходит для распознавания формул на изображениях и последующего редактирования или использования их LaTeX-представления. В README приведены значения test loss 0,09 и BLEU 0,69. Указанная версия является чекпойнтом до дообучения на рукописных формулах, поэтому её пригодность для рукописного ввода может быть ограничена. Распространяется по лицензии AGPL-3.0.

Intern-S1-mini assay transfer V27 — Bioavailability MA L4 — это дообученная на наборе assay-transfer-record-level-v27-bioavailability-ma-l4-intern модель jiosephlee, основанная на jiosephlee/Intern-S1-mini-lm. Она предназначена для ранжирования записей биологических анализов при переносе результатов между анализами, в частности для задач, связанных с биодоступностью. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров и принимает текст; контекст — до 65 536 токенов. Контрольную точку выбрали по метрике validation L4/overall/knn_regression_id_ood_level_macro_mae_at_3. На тестовом сравнении модель показала MAE@3 0,7671 и Spearman 0,3120; результаты относятся к указанному набору данных и протоколу сравнения. Репозиторий содержит чекпойнт Transformers и файлы токенизатора; для загрузки требуется trust_remote_code=True. Лицензия в предоставленных данных не указана.

KONI-Llama3.1-8B-Instruct-20241024 — специализированная разговорная языковая модель, разработанная Корейским институтом науки и технологий информации (KISTI) для работы с научными и техническими темами. Модель основана на KONI-Llama3.1-8B-Merged-20240830, объединяющей Meta-Llama-3-8B и KONI-Llama3.1-8B-20240824, и содержит 7,5 млрд параметров. Для настройки применялись supervised fine-tuning на примерно 11 тысячах примеров и direct preference optimization на примерно 7 тысячах примеров. Модель предназначена для диалоговых ответов, помощи в исследованиях и работе с научно-техническими вопросами. В карточке приведены результаты LogicKor по рассуждению, математике и письму; также заявлена улучшенная производительность относительно первоначальной версии. Модель поддерживает корейский язык и контекст до 131 072 токенов, использует архитектуру Llama и формат safetensors. Модель распространяется по лицензии Llama 3.1. Результаты бенчмарка приведены для LogicKor и сами по себе не гарантируют качество в других сценариях; в карточке также не приведены подробности о составе специализированного корпуса.

tjoab/latex_finetuned — модель распознавания рукописных математических выражений и преобразования их изображений в LaTeX. Она разработана дообучением TrOCR от Microsoft, архитектура которой относится к vision-encoder-decoder, и предназначена для обработки одного выражения на изображении. Для дообучения использован набор MathWriting от Google, содержащий более 500 тысяч рукописных математических выражений. Модель принимает изображение и генерирует текстовую запись LaTeX; в оценке по метрике CER получен результат 14,9%. Длинные выражения распознаются хуже, а соотношение сторон изображения около 3:2 показало себя предпочтительным. Лицензия в предоставленных данных не указана.

Nemotron-3-Labs-Ultra-Math-SFT — разработанная NVIDIA языковая модель для математических рассуждений. Она обучена решать сложные задачи, строить и уточнять доказательства, а также проверять доказательства и выявлять в них ошибки. Модель основана на Nemotron-3 Ultra и дообучена на наборе Nemotron-Math-Proofs-v3-SFT с примерами генерации, проверки и доработки доказательств. В метаданных указаны 29,6 млрд параметров, архитектура Nemotron H и поддержка диалогового режима; README описывает гибридную архитектуру Mamba2-Transformer с LatentMoE и Multi-Token Prediction. Модель принимает и выдаёт текст, рассчитана на английский язык. Указанный в метаданных контекст — 262 144 токена. NVIDIA сообщает о золотом уровне результата на IMO 2026 для ансамблевой системы, в которую входила эта модель; это не отдельная оценка модели. Для запуска рекомендуется использовать vLLM или PyTorch на ускорителях NVIDIA. README разрешает коммерческое и некоммерческое использование, а в метаданных лицензия обозначена как other. Модель предназначена для исследовательских и прикладных систем математического рассуждения и проверки доказательств. Для надёжного применения требуется тестирование на данных конкретного сценария; результат ансамбля не гарантирует такого же качества при самостоятельном использовании модели.

NovoMolGen_300M_SMILES_BPE — языковая модель семейства NovoMolGen от chandar-lab для генерации молекул в формате SMILES. Модель основана на плотной архитектуре Llama, содержит 302,4 млн параметров и обучена в составе семейства на 1,5 млрд молекул из ZINC-22. Репозиторий предоставляет веса PyTorch; для загрузки указаны Transformers и FlashAttention, а контекст модели составляет 2048 токенов. Модель предназначена для безусловной и целевой генерации молекул, в том числе для сценариев поиска соединений с заданными свойствами. Карточка семейства заявляет высокие результаты на этих задачах, но не приводит отдельные метрики именно для этой версии. Выход представляет собой текстовую последовательность SMILES, поэтому её корректность и химическую пригодность следует проверять специализированными средствами. Лицензия — MIT.

QuantFactory/Qwen2.5-Math-7B-GGUF — квантизированная версия базовой модели Qwen2.5-Math-7B, разработанной командой Qwen. Квантизация выполнена QuantFactory с использованием llama.cpp. Модель предназначена прежде всего для решения математических задач на английском и китайском языках, включая сценарии с пошаговым рассуждением Chain-of-Thought (CoT) и Tool-integrated Reasoning (TIR), поддерживающим точные вычисления, символьные преобразования и алгоритмическое рассуждение. Это базовая модель примерно на 7 млрд параметров, ориентированная на генерацию продолжений и few-shot-инференс, а также на дообучение; она не является специализированной instruction-моделью для диалогового общения. Формат GGUF и квантизация могут снизить требования к ресурсам по сравнению с полноразмерной моделью, однако конкретные параметры квантизации в карточке не указаны. Модель не рекомендуется для задач, не связанных с математикой. Указана лицензия Apache-2.0.

TabPFN-3.5 — трансформерная модель Prior Labs для прогнозирования по структурированным табличным данным. Она использует обучение в контексте: анализирует примеры из таблицы и выполняет предсказание за один проход. Один чекпойнт предназначен для классификации и регрессии; для этой версии в метаданных указана задача классификации. Доступны также ускоренный вариант TabPFN-3.5-Fast и экспериментальный вариант для многоклассовой классификации. Модель рассчитана на таблицы, в том числе со строковыми и датированными столбцами; в README указан лимит в 20 000 признаков. Она обучена на синтетических табличных задачах и не предназначена для неструктурированных данных, например изображений. Для применения к задачам с высокими последствиями следует проверять размеченные данные на смещения. Веса опубликованы по лицензии tabpfn-3-5-license-v1.0. Она разрешает исследования, ограниченную внутреннюю оценку и бенчмаркинг, но запрещает коммерческое и производственное использование; для таких сценариев Prior Labs предлагает отдельную коммерческую лицензию.

TypLens V1.1 — модель с архитектурой vision-encoder-decoder для преобразования изображения печатной математической формулы в исходный код математической разметки Typst. Её разработчик — dbcccc. Модель содержит 29,2 млн параметров и рассчитана на распознавание одного фрагмента формулы за запрос; полные документы она не обрабатывает. Для запуска в браузере доступны графы ONNX в FP32 и компактном варианте с динамическими INT8-весами; также предоставлены веса safetensors. Лицензия — MIT. Модель принимает изображение в оттенках серого размером 384×384 после предусмотренной авторами предобработки и выдаёт текст Typst. В проверке на 135 изображениях из набора разработки Typst успешно скомпилировался для всех примеров, а 127 результатов были признаны соответствующими изображениям. Эта оценка не является независимым тестовым результатом, а точность компактной версии отдельно не измерялась. Модель дообучена на основе breezedeus/pix2text-mfr-1.5 с использованием собственного словаря вывода Typst. Она предназначена для формул, набранных печатным способом; рукописный ввод, мобильная работа и производительность WebGPU не оценивались. Ошибки возможны при распознавании мелких диакритических знаков, похожих символов, индексов и сложных блочных матриц, поэтому результат следует проверять.

Карточка модели Iambackup/AMPLIFY_350M на Hugging Face совпадает с карточкой nvidia/AMPLIFY_350M, поэтому описание составлено по ней. AMPLIFY_350M — оптимизированная NVIDIA версия белковой языковой модели AMPLIFY, разработанной Chandar Research Lab. Модель на архитектуре Transformer типа ESM-2 содержит около 350 млн параметров; метаданные Hugging Face указывают 471,9 млн параметров. Версия оптимизирована с помощью TransformerEngine и, с точностью до численных различий, сохраняет веса и выходы исходной модели. Модель принимает строки из канонических аминокислот длиной до 2048 остатков. Она предназначена для анализа белковых последовательностей: получения векторных представлений аминокислот и белка, предложения мутаций, различения неупорядоченных белков и непоследовательностей белка, а также задач проектирования белков и анализа их функций. В метаданных основная задача обозначена как fill-mask. Модель рассчитана на ускорение на GPU NVIDIA и интеграцию через Hugging Face Transformers. README указывает поддержку NVIDIA Ampere, Blackwell и Hopper, а также Linux. Среди ограничений — необходимость проверять качество на данных конкретного применения; оптимизация может вызывать небольшие численные отличия от исходной модели. Лицензия MIT; карточка указывает возможность коммерческого и некоммерческого использования.

allenai/aspire-biencoder-biomed-scib — модель bi-encoder на основе BERT, разработанная Sheshera Mysore, Arman Cohan и Tom Hope для оценки сходства научных документов. В работе она называется Specter-CoCite_Scib и предназначена прежде всего для поиска и ранжирования статей по их заголовкам и аннотациям в биомедицинской области. Модель инициализирована SciBERT и обучена на 1,2 млн пар совместно цитируемых биомедицинских статей с контрастивным обучением. Она формирует вектор документа на основе скалярного смешивания представлений токена CLS по слоям кодировщика. Модель подходит для поиска релевантных научных публикаций по другой статье или аннотации. Архитектура — BERT, размер — 137,1 млн параметров, максимальная длина контекста — 512 токенов; доступен формат PyTorch. В карточке приведены результаты оценки на англоязычных наборах RELISH и TRECCOVID. Параметры scalar mix не включены в этот репозиторий, но доступны в полной версии модели. Обучение преимущественно на биомедицинских данных может снижать качество в других областях. Лицензия — Apache-2.0.

ASTRA BERT MLM — базовая предобученная модель семейства ASTRA (Advanced Solvation Transformer for Rational Additives), разработанная для задач хемоинформатики и материаловедения. Это BERT-энкодер с головой masked language modeling, содержащий 113,3 млн параметров и принимающий последовательности канонических SMILES длиной до 512 токенов. Модель обучена предсказывать скрытые токены в молекулярных последовательностях на примерно 4 млн неразмеченных канонических SMILES. Она усваивает химический синтаксис, связи атомов и представления молекулярных структур; служит базой для последующего дообучения на задачи прогнозирования свойств, в частности LUMO и энергии связывания. Основная задача в каталоге — заполнение пропусков в последовательностях SMILES. Модель работает с текстовыми представлениями молекул, а не с изображениями молекулярных структур. Карточка не сообщает результаты оценки качества или подробности применимости к конкретным химическим наборам данных. Лицензия — MIT.

Code-as-World-VL-9B-GGUF — мультимодальная vision-language модель от MirroS-Lab, представленная в формате GGUF и основанная на Code-as-World-VL-9B. Базовая модель была дообучена на Qwen3.5-9B для понимания физических явлений и количественного рассуждения по изображениям и видео. Модель ориентирована на исследовательские задачи, а не на универсальный открытый диалог. Модель предназначена для анализа видео и изображений, ответов на вопросы о физических свойствах объектов, измерениях и количественных взаимосвязях, отображённых в визуальных данных. Рекомендуется обрабатывать видео с 16 кадрами; конфигурация рассчитана на фиксированное использование 16 кадров без сэмплирования. Заявленный максимальный контекст составляет 4 608 токенов. Указан английский язык, а размер модели — 9B параметров. Доступны варианты GGUF с точностями BF16, F16 и различными уровнями квантования, объёмом примерно от 4,26 до 17,9 ГБ, а также отдельные мультимодальные проекторы. К сильным сторонам относятся специализация на физическом понимании и количественном визуальном рассуждении, поддержка видео и совместимость с llama.cpp и text-generation-инфраструктурой. Ограничениями являются узкая предметная направленность, относительно небольшой контекст, зависимость от рекомендованной 16-кадровой обработки и возможная неточность результатов. Ответы необходимо проверять независимо, особенно перед применением в задачах, связанных с безопасностью. Модель распространяется по лицензии Apache 2.0 и наследует лицензионные условия базовой модели Qwen3.5-9B.

Dayhoff-170M-GR-1000 — генеративная модель для работы с белковыми последовательностями, разработанная командой исследователей, перечисленной в карточке Dayhoff. Она предназначена для генерации белков и исследовательских задач белкового языкового моделирования. Архитектура сочетает слои Mamba и Transformer с механизмом смеси экспертов (MoE); в метаданных указаны 23,6 млн параметров, контекст до 262 144 токенов и формат safetensors. Модель обучена авторегрессионно в направлениях N→C и C→N, что позволяет заполнять пропуски в последовательностях без фиксированного направления.

DeTikZifyv2 (8b) — мультимодальная модель проекта DeTikZify, которая преобразует наброски и существующие научные иллюстрации в редактируемые программы на Ti*k*Z, стараясь сохранять их смысл. Модель сочетает языковую основу LLaMA 3.1 8B с визуальным энкодером SigLIP из PaliGemmaMix-448 (3B); энкодер дообучен вместе с остальной моделью. Для обработки изображений используется разрешение 420×420 пикселей. Модель предназначена для восстановления и редактирования научной графики через генерацию кода Ti*k*Z. В версии 2 для предварительного обучения использованы пары рисунок–подпись–OCR из ArXivCap, а для дообучения — набор DaTi*k*Zv3 с более чем 450 тысячами рисунков Ti*k*Z. В README приведено сравнение с предыдущими моделями, но таблица результатов опущена, поэтому конкретные показатели качества оценить нельзя. Карточка не сообщает лицензию; её условия следует проверить отдельно перед использованием.

ESM-1v t33 650M UR90S_1 — белковая языковая модель, разработанная Meta AI (Facebook Research). Она предназначена прежде всего для предсказания функциональных эффектов вариантов белковых последовательностей, в том числе без дополнительного обучения, по оценке различий правдоподобия последовательностей. Модель использует 33-слойный трансформер ESM-1b и обучена на последовательностях UniRef90; это первая из пяти моделей ансамбля ESM-1v. Метаданные Hugging Face указывают около 865 млн параметров и контекст до 1026 токенов; репозиторий содержит веса PyTorch и TensorFlow. Модель принимает аминокислотные последовательности с замаскированными токенами и предсказывает вероятности аминокислот для заполнения маски. Её можно применять для ранжирования мутаций по ожидаемому влиянию на функцию белка и для вычисления представлений белковых последовательностей. Она не генерирует структуру белка напрямую: для этого нужны другие модели или отдельные методы. Модель выпущена как предобученная исследовательская модель; доступность лицензии следует проверять в карточке репозитория перед использованием.

ESM Cambrian (ESMC) — белковая языковая модель, представленная командой MultiMolecule как неофициальная реализация оригинальной модели Biohub. Это энкодерный Transformer с 6,3 млрд параметров, rotary position embeddings, нормализацией QK и блоками SwiGLU. Модель обучена на последовательностях белков из UniRef, MGnify и Joint Genome Institute с помощью предобучения masked language modeling и принимает белковые последовательности длиной до 2048 токенов. ESMC-6B подходит для предсказания замаскированных аминокислот, извлечения векторных представлений белковых последовательностей и использования в качестве основы для последующего дообучения под задачи классификации или регрессии на уровне последовательности либо остатков. Она не дообучена для конкретных downstream-задач. Реализация использует библиотеку multimolecule и форматы PyTorch/Safetensors. Лицензия — AGPL-3.0.

Synthyra/ESMFold2-600 — экспериментальная модель для предсказания пространственной структуры белков, опубликованная Synthyra на основе экспериментального чекпойнта Biohub. Она принимает аминокислотные последовательности и типизированные описания молекулярных комплексов, а также может выдавать структуру в формате mmCIF. Модель включает замороженную языковую основу ESM++ масштаба 600 млн параметров и 24 блока сворачивания; к ней добавлена обученная Synthyra голова оценки уверенности, которая возвращает pLDDT, PAE, pTM и ipTM. Модель предназначена для предсказания структур отдельных белков и комплексов, а также оценки уверенности результатов. В README приведена оценка корреляции confidence-метрик на тестовых наборах, однако она не подтверждает эквивалентность качества сворачивания производственной ESMFold2. Чекпойнт не использует MSA-кондиционирование; для работы требуется Transformers с включённым trust_remote_code. Основа использует BF16, параметры сворачивания — FP32 с CUDA BF16 autocast; FP8 не поддерживается. Для классификации последовательностей и остатков создаются новые, не обученные головы, поэтому их нужно дообучить перед использованием. Лицензия — MIT.

Synthyra/ESMFold2-Experimental-Fast-Cutoff2025 — экспериментальный чекпойнт ESMFold2, опубликованный Synthyra как пакет для runtime FastPLMs в Transformers; в основе лежат веса biohub/ESMFold2-Experimental-Fast-Cutoff2025. Модель предназначена для предсказания структуры белка по аминокислотной последовательности, включая типизированные комплексы белковых цепей и молекул без MSA-кондиционирования. Также доступны извлечение остаточных представлений и интерфейсы классификации, но их классификационные головы инициализируются заново и требуют дообучения. Архитектура — плотная ESMFold2ExperimentalModel с 24 блоками; опубликованы веса safetensors, библиотека загрузки — Transformers. Модель принимает последовательности и типизированные молекулярные спецификации, а также подготовленные тензоры признаков в низкоуровневом интерфейсе. Представления белковых остатков имеют размерность 256; одиночные цепи можно преобразовать в координаты структуры и оценки уверенности, а результат записать в mmCIF. Для инференса по одной последовательности предусмотрены параметры ускорения, включая оконное внимание, которое может менять численный результат. Чекпойнт не поддерживает MSA и отклоняет MSA-признаки, а также pocket- и distogram-кондиционирование; для MSA-кондиционированного инференса README рекомендует полный ESMFold2. Предсказанные координаты и оценки уверенности сами по себе не подтверждают биохимическую активность. Лицензия — MIT.

Geneformer — трансформерная модель семейства BERT, разработанная для анализа сетей биологических взаимодействий на основе данных экспрессии генов в отдельных клетках. В карточке указано, что исходная модель обучалась на крупном корпусе одноклеточных транскриптомов; этот репозиторий является её дообученной версией. Архитектура — BertForMaskedLM, размер — 178,7 млн параметров, длина контекста — 4096 токенов. Модель предназначена для контекстно-зависимых предсказаний в сетевой биологии и переноса обучения на задачи с небольшим объёмом специализированных данных. В описании исходной модели приведены примеры применения для изучения динамики хроматина и биологических сетей, моделирования заболеваний и поиска потенциальных терапевтических мишеней. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Это GGUF-квантизированная версия модели internlm/internlm2-math-plus-20b, подготовленная пользователем legraphista с использованием llama.cpp. Модель предназначена для генерации текста и прежде всего ориентирована на математические задачи; заявлены поддерживаемые языки — английский и китайский. Исходная модель использует формат BF16, а в данном репозитории представлены варианты от FP16 и BF16 до низкобитных квантований Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-серии. Размер исходной модели составляет 20 миллиардов параметров. Для некоторых низкобитных вариантов применена IMatrix — калибровочная матрица, предназначенная для повышения качества квантования; доступны файлы размером примерно от 7,01 до 21,11 ГБ. Модель рассчитана на запуск через совместимую инфраструктуру GGUF, включая llama.cpp, что позволяет выбирать баланс между качеством, требованиями к памяти и скоростью работы. Сильной стороной является наличие широкого набора вариантов точности и IMatrix-квантований, особенно полезных при ограниченных ресурсах. Ограничения включают возможную потерю качества по сравнению с исходной моделью при использовании низкобитных вариантов, специализацию на математической тематике и отсутствие в предоставленных данных сведений о контекстном окне, конкретной архитектуре, результатах оценки и мультимодальных возможностях. Лицензия указана как other; её точные условия в карточке не раскрыты.

Intern-S1-mini context-conditioned molecule transfer V10.3 — BBB Martins — это дообученная модель, опубликованная jiosephlee на основе jiosephlee/Intern-S1-mini-lm. Она предназначена для переноса свойств молекул с учётом контекста, в частности в сценариях, связанных с BBB и данными Martins. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров, принимает текст и рассчитана на контекст до 65 536 токенов. Чекпойнт отобран по метрике knn_binary_macro_f1_at_5: на тестовом наборе указаны Macro-F1@5 0,7048, NDCG@5 0,7779 и корреляция Спирмена 0,4065. Доступен полный чекпойнт Transformers в формате safetensors; библиотека для работы — Transformers. Лицензия в предоставленных данных не указана. Карточка не сообщает о поддержке конкретных естественных языков, поэтому модель описана как специализированная для молекулярных задач, без указания языков.