IV.6Научные исследования, математика и новые материалы

YuxuanGong/lean-RAG — дообученная Yuxuan Gong модель BGE-M3 для поиска объявлений Mathlib4 в задачах формализации доказательств на Lean 4. Она кодирует цель доказательства Lean и математические ключевые слова в вектор размерности 1024, чтобы находить релевантные леммы, теоремы и определения среди примерно 326 тысяч объявлений библиотеки. Модель основана на XLM-RoBERTa, содержит 658,7 млн параметров и рассчитана на контекст до 8194 токенов; при обучении последовательности обрезались до 400 токенов. Поддерживает запросы на английском и китайском языках, а также Lean-код. Модель предназначена для семантического поиска по Mathlib4 и может использоваться с FAISS-индексом как компонент цепочки автоматизации формальных доказательств. В README приведены Recall@5 61,5% для поиска леммы по заключению цели и Recall@10 13,8% для поиска лемм для начальной цели доказательства. Ограничения включают более низкое качество на китайских запросах, сложность поиска при начале доказательства с нуля и зависимость результатов от версии Mathlib4. Лицензия — Apache 2.0.

Poro 2 8B Math Reasoning RL Preview — экспериментальная специализированная языковая модель, созданная AMD Silo AI, группой TurkuNLP Университета Турку и HPLT. Это плотная авторегрессионная модель семейства Llama с архитектурой Llama 3.1; метаданные указывают 7,5 млрд параметров, а карточка — 8,03 млрд. Модель дообучена для математических рассуждений: после supervised fine-tuning на англоязычных математических данных и финских переводах применялось обучение с подкреплением в отдельных средах для английского и финского языков. Модель принимает текстовые задачи и генерирует решения с рассуждениями на английском или финском, выбирая язык по языку запроса. Контекстное окно расширено с помощью LongRoPE до 131 072 токенов. Она предназначена для решения математических задач, обучения математике и задач олимпиадного уровня; результаты карточки показывают высокие оценки на Math-500 и AIME, но это предварительный выпуск, не рассчитанный на общие диалоги или другие области. Модель распространяется по лицензии Llama 3.1.

NCS-v1-3d-base — трёхмерная базовая модель для извлечения признаков из сейсмических данных. Её разработали Norwegian Computing Center совместно с Equinor ASA и AkerBP ASA; для предобучения использованы сейсмические кубы Норвежского континентального шельфа из публичной базы DISKOS. Модель построена на архитектуре ViT MAE, расширенной на 3D: она разбивает сейсмические подтома на трёхмерные патчи и обрабатывает их трансформерным энкодером. Для позиционного кодирования применяется LieRE, позволяющее выполнять инференс на объёмах разного разрешения. В репозитории указано 113,2 млн параметров; веса представлены в формате safetensors. Лицензия — Apache-2.0. Полученные признаки предназначены для дообучения под задачи интерпретации сейсмики: классификации фаций, сегментации соляных тел, обнаружения геологических структур, поиска похожих сейсмических фрагментов и отслеживания горизонтов и событий. Модель предобучена на данных одного региона, поэтому её переносимость на иные геологические области и типы сейсмических данных может требовать проверки и адаптации.

Qwen2.5-3B-Instruct-Sheldon-RLVR-math-v2-fullft — диалоговая языковая модель команды проекта Harvard CS 2881R, основанная на Qwen2.5-3B и дообученная с обновлением всех параметров методом RLVR для решения математических задач. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и формат весов BF16 safetensors. Она принимает текстовые запросы, поддерживает чат и контекст до 32 768 токенов. Модель предназначена для пошагового решения задач по математике с записью итогового ответа в формате \boxed{}. В обучении использовались наборы задач MATH, DeepMath, DAPO-Math и DeepScaleR; среди оценочных наборов — MATH-500, AIME и GSM8K. Модель сохраняет образ Шелдона Купера для обычного диалога, но при решении математики персонаж может проявляться в ответах. В README сообщается о небольшом приросте точности относительно предыдущей версии с LoRA: +1,6 пункта на MATH-500 avg@4 и +1,7 на уровнях 3–5; авторы отмечают, что прирост находится в пределах примерно 1,5 пункта от шума оценки. Ограничения — многословность в обычном чате и частое достижение лимита генерации: 44% ответов в диалоговой проверке упёрлись в предел 400 токенов. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели.

RedDino-base — модель извлечения признаков из изображений эритроцитов, разработанная Лукой Цеддой, Андреа Лоддо, Чечилией Ди Руберто и Карстеном Марром из Университета Кальяри и Helmholtz Munich. Это специализированная модель компьютерного зрения для гематологических изображений, основанная на Vision Transformer ViT-Base с размером патча 14 и адаптированной архитектуре самообучения DINOv2. Модель предварительно обучена на 1,25 млн изображений эритроцитов из 18 наборов данных и формирует векторы признаков размерности 768. Её используют для классификации формы и морфологических подтипов эритроцитов, а также анализа, устойчивого к различиям между партиями данных. В отличие от универсальных моделей, обученных на естественных изображениях, RedDino использует специализированные для гематологии аугментации и предобработку. Модель распространяется под лицензией CC BY 4.0. Она предназначена для извлечения признаков; классификация и другие downstream-задачи требуют соответствующего последующего метода или модели. Заявление о высоких результатах на бенчмарках приведено в карточке модели.

1aurent/resnet50.tcga_brca_simclr — модель на базе ResNet50, предназначенная для извлечения визуальных признаков из гистологических изображений. Она обучена на 2 миллионах фрагментов гистологических изображений из набора TCGA-BRCA и содержит 23,6 млн параметров. Модель принимает изображения размером 256 × 256 пикселей с тремя цветовыми каналами и выдаёт эмбеддинги для анализа изображений. Модель может служить визуальным backbone для задач исследования гистологии и рака молочной железы, включая последующую классификацию фрагментов. В метаданных указан pipeline feature-extraction и библиотека timm; веса предоставлены в формате safetensors. Лицензия — GPL-3.0. Карточка ссылается на работу о самообучении визуальных моделей в гистопатологии.

Модель CFIA AI Lab и Seed Lab — дообученная версия RT-DETR V2 на базе PekingU/rtdetr_v2_r50vd, предназначенная для обнаружения 101 вида семян сорных растений, связанных с регулируемыми видами REGAL. Она принимает изображения и возвращает обнаруженные объекты с локализацией и метками классов; архитектура — RT-DETR V2 Transformer. В README указаны 17 908 обучающих, 7 076 валидационных и 3 166 тестовых изображений. Модель подходит для автоматизированного выявления и локализации целевых видов семян на изображениях в задачах контроля и сортировки. Поддерживаемые классы перечислены в карточке по научным названиям. Модель опубликована в форматах safetensors и ONNX, лицензия — MIT. Карточка не приводит метрики качества и подробные ограничения применения.

UMCU/SapBERT-UMLS-2020AB-all-lang-from-XLMR-ST — версия биомедицинской модели SapBERT, подготовленная для непосредственного использования с библиотекой Sentence Transformers. Она основана на cambridgeltl/SapBERT-UMLS-2020AB-all-lang-from-XLMR и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает XLM-RoBERTa с пулингом CLS; для сходства используется косинусная мера. Модель предназначена для сопоставления биомедицинских формулировок и поиска текстов с близким смыслом. Карточка указывает максимальную длину последовательности 25 токенов, а метаданные — базовый контекст 514 токенов. Поддерживаются английский, финский, китайский, испанский, немецкий, русский, турецкий, корейский, японский и тайский языки. Репозиторий содержит веса в формате safetensors, модель насчитывает 305,2 млн параметров и распространяется по лицензии GPL-3.0.

1aurent/vit_base_patch14_224.dinobloom — визуальный backbone для извлечения признаков и построения эмбеддингов клеток крови. Модель разработана в рамках проекта DinoBloom; в карточке она описана как основа для обобщаемых клеточных представлений в гематологии. Это ViT Base с 86 млн параметров, принимающий изображения размером 224 × 224 пикселя и использующий патчи 14 × 14 пикселей. Модель предназначена для получения эмбеддингов изображений клеток, которые можно использовать в последующих задачах анализа и классификации. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0. Метаданные указывают задачу feature-extraction; README также отмечает image classification как возможный сценарий применения. Модель ориентирована на изображения клеток крови и задачи гематологии. Подробности обучения и количественные оценки качества в предоставленной карточке не описаны.

ahmed792002/vit-plant-classification — дообученная модель Vision Transformer (ViT) для классификации изображений растений. Она основана на google/vit-base-patch16-224 и содержит 113,2 млн параметров. В README указаны точность 0,9933 и loss 0,0182 на оценочном наборе, однако состав классов и данные оценки не описаны. Модель принимает изображение и выдаёт класс, поэтому её можно применять для распознавания растений по фотографиям. Она реализована для Transformers и опубликована в формате safetensors. Лицензия — Apache-2.0.

AI Material Mechanics Assistant (Merged) — китайскоязычная языковая модель CYHcyh66 для генерации текста и ответов на вопросы по механике материалов и вводной инженерной механике. Модель построена на архитектуре Qwen2.5-7B с 7,1 млрд параметров и дообучена методом LoRA на 774 примерах из набора Material-mechanics-merge; веса LoRA объединены с базовой моделью и доступны в формате BF16. Метаданные указывают контекстное окно 131072 токена. Модель предназначена для объяснения понятий напряжения, деформации, изгиба, кручения, потери устойчивости, соотношений материала и теорий разрушения. Она может разбирать учебные задачи, приводить формулы и промежуточные рассуждения, а также помогать студентам и исследователям изучать механику материалов на китайском языке. Оценка модели проводилась качественно на типовых задачах; систематических сравнительных испытаний не представлено. Обучающие данные невелики и ограничены предметной областью, поэтому ответы и расчёты могут содержать ошибки в арифметике, единицах или рассуждениях. Модель не предназначена для применения как единственное основание для ответственных инженерных решений; результаты следует проверять по учебникам, стандартам, расчётам и экспертной оценке. Условия лицензии в предоставленных данных не описаны.

Bird-MAE-Huge — модель семейства Bird-MAE от исследовательской группы DBD, предназначенная для распознавания видов птиц по аудиозаписям. Это аудиоклассификатор на архитектуре BirdMAEModel; в работе Bird-MAE адаптирует подход masked autoencoder к тонким различиям между птичьими вокализациями и обучается на биоакустическом наборе BirdSet. Модель применима для многометочной классификации птичьих звуков, анализа биоакустических записей и построения классификаторов видов при ограниченном количестве размеченных примеров. README сообщает о высоких результатах Bird-MAE на бенчмарке BirdSet и описывает прототипическое зондирование замороженных представлений, которое в малоресурсных сценариях приближается по качеству к дообучению. В метаданных указаны библиотека Transformers и формат весов Safetensors. Размер модели, языковая поддержка и лицензия в предоставленных данных не описаны; конкретную лицензию поэтому установить нельзя.

BrainAxL — модель представления изображений мозга, разработанная для 3D МРТ. В репозитории опубликован канонический самоконтролируемый чекпойнт BrainAxL-B, предварительно обученный на корпусе FOMO300K без downstream-разметки. Модель предназначена для исследований и инициализации проверенных downstream-моделей. Архитектура включает пятиэтапный 3D U-Net-энкодер с каналами 40, 80, 160, 320 и 640; двунаправленные LSTM обрабатывают все три пространственные оси на двух самых глубоких этапах. Предобучение сочетает маскированную 3D-реконструкцию с регуляризацией дисперсии и ковариации семантической проекции размерности 512. Энкодер содержит 31 837 640 параметров, активная конфигурация предобучения — 46 308 601. Указанный обучающий кроп — одноканальный объём 64 × 64 × 64; модель выдаёт признаки для изображений. Чекпойнт подходит для извлечения представлений 3D МРТ мозга и инициализации downstream-моделей. Результаты могут меняться в зависимости от анатомии, последовательности, протокола сканирования, сканера, популяции, предобработки и правил разметки. Модель не является одобренным медицинским устройством и не предназначена для клинической диагностики или лечения без целевой валидации и регуляторной проверки. В метаданных указана лицензия other; конкретные условия использования следует сверять с лицензией репозитория.

HuggingFaceTB выпустила эту экспериментальную модель в рамках серии FineMath ablations. Это плотная авторегрессионная модель семейства Llama 3.2 с 3,21 млрд параметров и контекстом 4096 токенов. Базовую Llama-3.2-3B продолжили предварительно обучать на 60 млрд токенов, используя смесь FineMath-4+ и InfiWebMath-4+ в равных долях. Модель предназначена для продолжения английского текста с упором на математические материалы. Она не проходила инструкционное дообучение, поэтому рассчитана на сравнение с другими моделями, обученными в тех же условиях, а не на роль готового диалогового помощника. Модель принимает и генерирует текст; в репозитории представлены веса safetensors. Лицензия — Apache-2.0. Обучение преимущественно на англоязычных математических данных может ограничивать качество на других языках. Поведение зависит от качества и разнообразия обучающих данных и может отражать их смещения или вредоносное содержание.

HuggingFaceTB FineMath ablation — плотная авторегрессионная модель семейства Llama, полученная продолжением предобучения Meta Llama 3.2 3B на математическом корпусе OpenWebMath. Модель содержит 3,21 млрд параметров, использует контекст до 4096 токенов и обучалась на 60 млрд токенов английских математических данных с токенизатором Llama 3. Модель предназначена для продолжения текста на английском языке с акцентом на математику. Она не проходила instruction tuning, поэтому рассчитана на сравнение вариантов обучения в серии FineMath и текстовое дополнение, а не на роль готового диалогового помощника. Выпущена в формате safetensors; лицензия — Apache-2.0. Основное ограничение — специализация на английских математических данных, из-за которой качество на других языках может быть ниже. Поведение также зависит от качества и разнообразия обучающего корпуса, в котором могут присутствовать смещения и вредоносный контент.

rntc/gliner2-fr-biomed-v3b — модель GLiNER2 для извлечения сущностей из франкоязычных биомедицинских текстов. Она разработана для NER с открытым набором типов, а также поддерживает классификацию, структурированное извлечение и выявление отношений. Модель использует контрастивный биомедицинский энкодер MedEmbed-v9 на базе ModernBERT; размер базового энкодера — 149 млн параметров. Модель предназначена для разметки медицинских и научных документов, например извлечения диагнозов и лекарств из клинических записей. Обучена на синтетических данных, созданных с помощью дистилляции Qwen3-235B по материалам PMC, HAL, ISTEX, Википедии и учебников; эталонные данные бенчмарков при обучении не использовались. Лицензия — MIT. Ограничения: максимальная длина извлекаемого фрагмента ограничена параметром max_width, по умолчанию равным 8 токенам; для длинных сущностей его нужно увеличить во всех вложенных модулях модели. Лучше подавать не более 20 типов сущностей за вызов и обрабатывать документы по отдельности; режим структурированного извлечения значений формы обучен слабее, чем обычный NER.

LLaDA-Instruct-JustGRPO-GSM8K — диффузионная языковая модель, созданная дообучением GSAI-ML/LLaDA-8B-Instruct методом JustGRPO на наборе GSM8K. Разработчики представили её в статье «The Flexibility Trap: Why Arbitrary Order Limits Reasoning Potential in Diffusion Language Models». Модель использует плотную архитектуру LLaDA и распространяется в формате safetensors; базовая модель содержит 8 млрд параметров. Модель предназначена для генерации текста с акцентом на математические рассуждения и решение задач GSM8K. В оценке на GSM8K указана точность 83,8% при длине последовательности 128, 89,1% при 256 и 89,8% при 512 токенах. Для генерации и оценки README направляет к репозиторию проекта. Модель распространяется по лицензии MIT. Результаты приведены для GSM8K; карточка не описывает качество на других задачах или языках.

Trelis/Llama-3.2-1B-Instruct-MATH-synthetic — компактная плотная авторегрессионная языковая модель семейства Llama 3.2, разработанная Trelis на основе unsloth/Llama-3.2-1B-Instruct. Модель дообучена с использованием Unsloth и библиотеки TRL; в репозитории представлены веса Safetensors. Она предназначена для генерации текста и диалоговых сценариев, а название модели указывает на математическую направленность синтетических данных дообучения. Модель содержит около 1,2 млрд параметров и поддерживает контекст до 131 072 токенов. В метаданных указан английский язык, а лицензия — Apache-2.0. Компактный размер делает её подходящей для экспериментов и приложений с ограниченными ресурсами; качество в математических задачах и фактический набор обучающих данных в карточке не описаны.

Oliver Sundaram разработал Llama-3.2-1B-MathCodeInstruct-5k как дообученную на 5 тысячах примеров модель Llama 3.2. Это плотная авторегрессионная языковая модель семейства Llama с 1,2 млрд параметров, рассчитанная на генерацию текста; она принимает текстовые запросы и выдаёт текст с пошаговыми рассуждениями на естественном языке, перемежаемыми исполняемым кодом Python. Модель предназначена прежде всего для решения математических текстовых задач и демонстрации того, как объём данных дообучения влияет на математические и общие способности. В тесте GSM8K она показала 7,4% против 5,8% у базовой модели; результаты по ARC-Challenge и HellaSwag остались близки к базовым. Контекст модели составляет 131072 токена. Карточка указывает английский язык; репозиторий использует формат safetensors и библиотеку Transformers. Это узкоспециализированная экспериментальная настройка, не предназначенная для роли универсального ассистента. Дообучение проведено за одну эпоху на небольшом подмножестве данных; показатели отражают ограничения базовой модели малого размера. Дополнительного safety alignment или RLHF сверх базовой модели не применялось. Лицензия указана как other, поэтому условия использования следует сверить в карточке репозитория.

Sharathhebbar24/math_gpt2_sft — языковая модель на архитектуре GPT-2, дообученная Sharathhebbar24 на наборе MetaMathQA. Она генерирует продолжение текста по текстовому запросу и ориентирована прежде всего на математические вопросы и задачи. В карточке также приведены результаты оценки на нескольких тестах рассуждения, включая GSM8k. Модель принимает текст и выдаёт текст; её контекст ограничен 1024 токенами. В метаданных указаны английский язык и формат весов safetensors. Модель распространяется по лицензии Apache-2.0. Низкий результат GSM8k в приведённой оценке указывает на ограничения при решении математических задач; ответы следует проверять.

MegaDescriptor-L-384 — визуальная модель извлечения признаков на базе Swin-L, представленная проектом WildlifeDatasets. Она предварительно обучена на наборах данных по повторной идентификации животных и предназначена для получения эмбеддингов изображений, помогающих сопоставлять особей на разных снимках. Архитектура — Swin Large с конфигурацией swin_large_patch4_window12_384; модель содержит около 228,8 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель подходит для построения систем повторной идентификации животных и поиска похожих особей по фотографиям. В метаданных Hugging Face основная задача обозначена как image-classification; карточка описывает модель как основу для извлечения признаков и показывает использование эмбеддингов. Лицензия CC BY-NC 4.0 требует указания авторства и не разрешает коммерческое использование.

Карточка модели knoveleng/Open-RS1 на Hugging Face совпадает с карточкой knoveleng/Open-RS2, поэтому описание составлено по ней. Open-RS2 — языковая модель проекта Open RS, разработанного для изучения обучения рассуждениям в небольших LLM с помощью обучения с подкреплением. Это дообученная на базе DeepSeek-R1-Distill-Qwen-1.5B плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров; обучение проводилось с адаптацией GRPO. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. Репозиторий распространяет веса в формате safetensors, лицензия — MIT. Модель предназначена прежде всего для решения математических задач и генерации ответов с рассуждениями. В README указаны результаты на AMC23 и AIME24, а также сравнительно низкие результаты на Minerva относительно моделей 7B. Авторы отмечают нестабильность оптимизации и ограничения длины при длительном обучении; эти результаты описывают эксперименты проекта и не гарантируют качество на иных задачах.

Карточка модели knoveleng/OpenRS-GRPO на Hugging Face совпадает с карточкой knoveleng/Open-RS2, поэтому описание составлено по ней. Open-RS2 — языковая модель проекта Open RS, разработанного для изучения обучения рассуждениям в небольших LLM с помощью обучения с подкреплением. Это дообученная на базе DeepSeek-R1-Distill-Qwen-1.5B плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров; обучение проводилось с адаптацией GRPO. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. Репозиторий распространяет веса в формате safetensors, лицензия — MIT. Модель предназначена прежде всего для решения математических задач и генерации ответов с рассуждениями. В README указаны результаты на AMC23 и AIME24, а также сравнительно низкие результаты на Minerva относительно моделей 7B. Авторы отмечают нестабильность оптимизации и ограничения длины при длительном обучении; эти результаты описывают эксперименты проекта и не гарантируют качество на иных задачах.

PHerc.1667-iteration-2 — модель сегментации чернил для проекта Vesuvius Challenge, обученная авторами репозитория scrollprize на 8 970 фрагментах сегмента l_2 с разметкой l_2_inklabels2.png. Она предназначена для выделения следов чернил на объёмных сканах обугленных свитков Геркуланума и может применяться для построения масок надписей, в том числе на сегментах, не использованных при обучении. Модель принимает объёмные данные в окнах размером 62 × 256 × 256 вокселей. Энкодер ResNet3D-50, инициализированный весами Kinetics-700, формирует признаки, которые декодер на основе 2D U-Net преобразует в карту вероятностей чернил размером 64 × 64. Для обработки полного сегмента требуется скользящее разбиение на окна и усреднение перекрывающихся предсказаний. Веса Hugging Face побитово совпадают с исходным PyTorch Lightning чекпойнтом. Доступна лицензия MIT. Модель специализирована на сегментации чернил в томографических данных свитков, а не на распознавании и чтении текста. Предсказание на выходе имеет четвертное разрешение относительно окна; для больших объёмов нужны тайлинг и объединение результатов. README описывает обучение на одном сегменте, поэтому качество на других сегментах может отличаться.

Pi3X — разработанная авторами проекта Pi3 улучшенная версия модели π³ для восстановления визуальной геометрии по набору изображений. Это нейросеть прямого прохода с архитектурой, эквивариантной относительно перестановок: она обрабатывает изображения без фиксированного опорного кадра и предсказывает положения камер и локальные карты точек, устойчивые к масштабу. Репозиторий содержит веса в формате safetensors. Модель предназначена для реконструкции геометрии сцены по неупорядоченному набору изображений. В Pi3X добавлены свёрточная голова для уменьшения сетчатых артефактов, возможность учитывать позы и внутренние параметры камер и данные глубины, непрерывная оценка качества для фильтрации шума и поддержка приблизительного восстановления метрического масштаба. Для использования требуются официальный репозиторий Pi3 и его зависимости. Модель опубликована по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

QED-Nano SFT — языковая модель для математических рассуждений и построения доказательств олимпиадного уровня, разработанная lm-provers. Это плотный декодерный Transformer семейства Qwen3 с 3,7 млрд параметров, дообученный методом supervised fine-tuning на 4 300 задачах из FineProofs-SFT с дистилляцией рассуждений DeepSeek-Math-V2. Модель генерирует текстовые доказательства с явной цепочкой рассуждений; поддерживает контекст до 262 144 токенов и рассчитана на английский язык. Модель подходит для генерации черновиков доказательств и решения математических задач в исследовательской или учебной работе. README приводит результаты на IMO-ProofBench и ProofBench, но отмечает, что это только SFT-чекпойнт, а последующее обучение с подкреплением и reasoning cache улучшают результаты. У модели часто чрезмерно разрастаются рассуждения — ответы могут превышать 100 тысяч токенов и повторяться. Сгенерированные доказательства могут быть неверными, а модель не умеет надёжно проверять и исправлять собственные решения; она не предназначена для общих задач, не работает с диаграммами и изображениями. Лицензия — Apache-2.0.

SeongryongJung/Qwen3-4B-Biology-SRPO-TR — экспериментальный чекпойнт Qwen3-4B, обученный методом SRPO-TR на задаче Biology с размером батча 32. В корне репозитория находится лучший чекпойнт по валидационному mean@16 на шаге 50, а в checkpoints/last/ — финальный чекпойнт на шаге 100. В README приведены результаты 53,75% и 53,50% соответственно. Модель построена на плотной авторегрессионной архитектуре Qwen3ForCausalLM, содержит около 3,7 млрд параметров и принимает текст, генерируя текст. Родительская модель поддерживает контекст до 40 960 токенов; модель предназначена для генерации ответов по биологии и экспериментальной оценки методов обучения с подкреплением. Доступна в формате safetensors и загружается через Transformers. Модель основана на Qwen/Qwen3-4B и лицензирована по Apache-2.0. README описывает один биологический валидационный результат, поэтому он не подтверждает точность на других наборах данных или пригодность для клинических и иных критически важных применений.

Qwen3-8B-openthoughts3-math-400k-sft — плотная языковая модель на 7,6 млрд параметров, созданная дообучением Qwen/Qwen3-8B разработчиком XinnanZhang. Модель обучена с учителем на 400 тыс. примеров из набора XinnanZhang/openthoughts3-math-50k8 и предназначена для генерации текста и математических рассуждений; контекст составляет 32 768 токенов. Карточка публикует результаты оценивания на математических наборах AIME и AMC и описывает её использование как начальной точки для экспериментов по дистилляции с обучением на собственных ответах модели. Автор предупреждает, что этот чекпойнт заметно уступает исходной Qwen/Qwen3-8B: на приведённой оценке он отстаёт на 14,1 процентного пункта. По данным карточки, значительная часть обучающих ответов обрывается посреди рассуждения, из-за чего модель могла усвоить преждевременное завершение ответа. При повторном сохранении следует проверить, что параметр rope_theta=1000000 остался доступен в конфигурации: несовместимость старых версий Transformers с его расположением может ухудшить генерацию. Лицензия — Apache-2.0.

lcampillos/roberta-es-clinical-trials-ner — модель распознавания именованных сущностей на основе RoBERTa, разработанная CSIC (Consejo Superior de Investigaciones Científicas). Она дообучена на испанских текстах о клинических исследованиях и выделяет четыре группы медицинских сущностей UMLS: анатомические объекты, химические и фармакологические вещества, патологические состояния, а также диагностические и терапевтические процедуры и лабораторные анализы. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и возвращает метки для токенов. Для оценки на тестовом наборе указаны F1 0,8647, точность 0,8495 и полнота 0,8806. Обучение проводилось на испанском корпусе CT-EBM-SP из 1200 текстов: аннотаций научных публикаций и объявлений о клинических исследованиях. Модель предназначена для извлечения медицинских сущностей из текстов о клинических исследованиях, например для подготовки данных к поиску и анализу. Она находится в разработке и может содержать смещения; её результаты требуют проверки специалистом и не подходят для принятия медицинских решений без человеческого контроля. Лицензия — CC BY-NC 4.0.

ScaleCUA-qwen3-vl-scienceboard — агент для управления графическим интерфейсом на основе Qwen3-VL-8B, разработанный ScaleCUA и обученный для задач ScienceBoard. Это контрольная точка после онлайн-обучения с подкреплением (RLVR), начатого с модели extreme1228/ScaleCUA-qwen3-vl-scienceboard-sft; в README указана точность 51,9% на ScienceBoard. Модель принимает изображение экрана и текстовую инструкцию, анализирует интерфейс и предназначена для выполнения задач в GUI, в частности в среде ScienceBoard. Для запуска авторы предлагают OpenAI-совместимый сервер, например vLLM, и оценочный runtime osworld_eval. В метаданных указаны архитектура Qwen3-VL и формат safetensors. Лицензия обозначена как other; конкретные условия использования следует сверять с карточкой репозитория.