IV.6Научные исследования, математика и новые материалы

ScaleCUA-qwen3-vl-scienceboard-sft — контрольная точка Qwen3-VL-8B от ScaleCUA, обученная для управления графическим интерфейсом ScienceBoard. Это начальная точка SFT для последующего онлайн-обучения с подкреплением; выпущенный агент на основе RL указан как отдельная контрольная точка. Модель предназначена для компьютерного агента, который воспринимает визуальное содержимое интерфейса и работает с ним в сценариях ScienceBoard. В описании ScaleCUA упоминаются синтез проверяемых GUI-задач, Frontier Sampling и сегментация визуального контекста как подходы к обучению. Архитектура — плотная Qwen3-VL с условной генерацией; репозиторий содержит веса safetensors и предполагает запуск через Transformers, например с vLLM и OpenAI-совместимым сервером. Карточка не приводит отдельные результаты оценки или подробные ограничения качества. Лицензия указана как other, поэтому конкретные условия использования следует проверять в файлах репозитория и связанных материалах ScaleCUA.

StainNet-Base — базовая модель для анализа гистологических изображений иммуногистохимии и специальных окрасок. Она разработана авторами проекта StainNet и построена на Vision Transformer Base/16; предварительное обучение выполнено методом DINO без учителя на 1 418 938 фрагментах изображений из 20 231 полноразмерного гистологического слайда HISTAI. Модель предназначена для извлечения признаковых векторов из изображений патологических препаратов, чтобы использовать их в последующих задачах анализа изображений. В карточке указаны библиотека timm и форматы весов PyTorch и safetensors. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий.

Модель weightbot/swin-tiny-patch4-window7-224-finetuned-plant-classification — дообученная версия Swin-Tiny, разработанной Microsoft, для классификации изображений растений. Она принимает изображения и предсказывает класс растения; на указанной в карточке оценочной выборке достигла accuracy 0,7557 и loss 0,6592. Архитектура Swin Transformer, размер — около 33 млн параметров. Модель подходит для автоматической классификации фотографий растений и сортировки изображений по классам, представленным в обучающих данных. Обучение выполнено на наборе данных в формате imagefolder; состав классов и подробности обучающих данных в карточке не раскрыты. Модель распространяется по лицензии Apache-2.0.

SynthPose — вариант модели оценки позы человека на основе ViTPose Huge, предложенный авторами работы OpenCapBench: Yoni Gozlan, Antoine Falisse, Scott Uhlrich, Anthony Gatti, Michael Black и Akshay Chaudhari; модель на Hugging Face подготовил Yoni Gozlan. Она дообучена на синтетических данных для предсказания плотного набора 2D ключевых точек, подходящего для кинематического анализа и биомеханики. Модель принимает изображения и определяет 52 точки тела: 17 ключевых точек COCO и 35 анатомических маркеров, характерных для систем захвата движения. Её можно применять для извлечения координат тела из изображений и подготовки данных для анализа движения. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Качество оценки может зависеть от ракурса, видимости человека и условий изображения; выход представляет 2D точки и сам по себе не является полноценной 3D реконструкцией или биомеханическим анализом.

VGGT-1B — Visual Geometry Grounded Transformer, разработанный Meta AI Research и University of Oxford, VGG. Это feed-forward нейросеть для восстановления геометрии сцены по одному, нескольким или сотням изображений, которая за секунды предсказывает параметры камер, карты глубины, карты точек и 3D-треки точек. Модель предназначена для задач преобразования изображений в геометрическое представление сцены и работы с многовидовыми данными. В метаданных указаны английский язык и формат весов safetensors. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями.

WBC-Type-Classifier — модель prithivMLmods для классификации изображений клеток крови. Это дообученный визуальный энкодер Google SigLIP 2 с архитектурой SiglipForImageClassification, который присваивает каждому изображению одну из восьми меток: базофил, эозинофил, эритробласт, незрелые гранулоциты (IG), лимфоцит, моноцит, нейтрофил или тромбоцит. Модель предназначена для анализа изображений мазков крови, поддержки гематологических исследований и автоматизированной классификации клеток; её также можно использовать в образовательных целях. Она принимает изображения и выдаёт метку класса. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Описание не устанавливает диагностическую точность или пригодность модели для клинических решений.

Activation Support Fusion v1 — экспериментальная модель второго этапа ранжирования доказательств, созданная на основе телеметрии Qwen3-4B. Она объединяет признаки активаций и метаданные кандидатов из заранее сформированного списка dense-поиска, чтобы переупорядочивать до 100 документов на запрос; модель не принимает исходный текст напрямую и не генерирует ответы. Архитектура — MLP `Linear(254,128) → ReLU → Linear(128,128) → ReLU → Linear(128,1)`, веса доступны в формате Safetensors. Для работы нужны точные признаки, полученные двумя префиллами базовой Qwen3-4B с выпущенным RMT-адаптером, а также плотные оценки и позиции кандидатов. Модель предназначена для исследовательских экспериментов по поиску экспертных свидетельств в юридических, биомедицинских, научных, политических и технических документах, особенно при наличии тематически близких нерелевантных кандидатов. В оценке на LegalBench-RAG и R2MED fusion-система улучшила nDCG@10 относительно dense-поиска на 0,0981 на 820 запросах; результаты пока ограничены двумя экспертными наборами данных и не подтверждают универсальное превосходство. Модель выпущена под лицензией MIT. Она требует точного совпадения базового чекпойнта, адаптера, токенизатора, слоя, позиции, SAE и схемы pooling; смена этих компонентов нарушает калибровку. Вычисление двух префиллов на кандидата дорого, а оценки зависят от состава списка. Релевантность в бенчмарках не подтверждает фактическую, юридическую или клиническую корректность найденной информации.

AstroLLaMA-3-8B-Base_Summary — языковая модель AstroMLab, полученная продолжительным предобучением Meta LLaMA 3 на кратких изложениях астрономических статей из раздела astro-ph на arXiv. Это плотная авторегрессионная модель примерно на 7,5 млрд параметров с контекстом 8192 токена; она обучена предсказывать следующий токен и не является чат-моделью или инструкционной моделью. Модель предназначена для генерации и анализа текста по астрономии и астрофизике, а также для исследовательских сравнений и воспроизводимости экспериментов. В описанном авторами астрономическом бенчмарке она показала результат 72,9%, но уступила базовой LLaMA 3.1 8B и не должна рассматриваться как надёжный источник научных утверждений: результаты требуют проверки по рецензируемым публикациям. Репозиторий распространяется по лицензии MIT.

Это версия BiomedCLIP, подготовленная chuhac для использования с PyTorch и интерфейсами Hugging Face Transformers. Репозиторий содержит реализацию модели CLIP с визуальным энкодером ViT-Base и текстовым энкодером на основе PubMedBERT, перенесённую с microsoft/BiomedCLIP-PubMedBERT_256-vit_base_patch16_224; ключи весов переименованы для совместимости. Модель сопоставляет медицинские изображения и текстовые описания, поэтому подходит для извлечения признаков и классификации изображений по текстовым меткам в режиме zero-shot. Модель принимает изображения и текстовые описания, а её совместное пространство представлений позволяет сравнивать их и выбирать подходящие метки без отдельного обучения классификатора на каждой задаче. Карточка не приводит собственные оценки качества, ограничения применения или длину контекста. Репозиторий распространяется по лицензии MIT.

Модель sudo-s/exper_batch_16_e4 — дообученная sudo-s модель классификации изображений на архитектуре Vision Transformer (ViT). Она создана на базе google/vit-base-patch16-224-in21k и обучена на наборе данных sudo-s/herbier_mesuem1. В карточке указана точность 0,9059 и значение loss 0,3598 на оценочном наборе. Модель предназначена для отнесения изображений к классам, представленным в обучающих данных. Репозиторий содержит веса PyTorch; размер модели — 113,2 млн параметров. Лицензия — Apache-2.0. Состав классов и ограничения применения в карточке подробно не описаны.

HuggingFaceTB/finemath-ablation-finemath-4plus — языковая модель Hugging Face TB на архитектуре Llama 3.2 с 3,21 млрд параметров. Это вариант базовой meta-llama/Llama-3.2-3B, продолжительно предобученный на 60 млрд токенов подвыборки FineMath-4+; модель использует формат safetensors и контекст до 4096 токенов. Модель предназначена для продолжения текста на английском языке с акцентом на математику. Она не настроена на выполнение инструкций; её основное назначение — сравнение с другими моделями, обученными в тех же условиях, поэтому она может быть менее подходящей как готовый диалоговый помощник. Лицензия — Apache-2.0.

GLM-4-Voice of Reason — дообученная модель семейства ChatGLM, разработанная на базе GLM-4-Voice-9B. Это речевая модель формата speech-to-speech: она принимает аудио и выдаёт аудио, а её поведение рассуждения обучалось с помощью обучения с подкреплением по оценкам двоичного LLM-судьи на математических текстовых задачах. Для набора GSM8K указана оценка 0,706 на 1310 тестовых примерах в текстовом канале; в качестве судьи использовалась gpt-4o-2024-11-20. Модель содержит 11,4 млрд параметров, использует плотную архитектуру ChatGLM, загружается через Transformers и имеет контекст длиной 8192 токена. Аудиофронтенд GLM-4-Voice не включён в репозиторий, поэтому для работы с речевым токенизатором требуется отдельный компонент. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Модель scrollprize/ink_3d_dino_guided разработана для сегментации чернил непосредственно в трёхмерных микрокомпьютерных томограммах папируса PHerc. Paris 4. Она предназначена для виртуального разворачивания и чтения обугленного свитка из Геркуланума, где чернила различимы в объёмных данных CT. Это плотная 3D-сеть типа residual-encoder U-Net, построенная в стиле nnU-Net, примерно на 142 млн параметров, с одним выходным каналом вероятности чернил. На вход подаются одноканальные CT-фрагменты размером 256³; обучение объединяло разметку экспертов, руководство представлениями 3D DINOv2, маскирование фона и само-дистилляцию. Для вывода рекомендуется EMA-чекпойнт. Модель распространяется в формате PyTorch по лицензии MIT. Модель ориентирована на папирус PHerc. Paris 4 и обучение использовало данные нескольких свитков, поэтому качество на других сканах и материалах может отличаться. Для применения требуются CT-объёмы и пакет vesuvius для построения сети; модель выдаёт маску сегментации, а не распознанный текст.

gabe-rbo/limite-1b-violetto-mlx — версия модели Limite 1B - Violetto, подготовленная для запуска на Apple Silicon с библиотекой MLX. Это плотный авторегрессионный трансформер примерно на 1 млрд параметров, разработанный Paradigma и дообученный на основе paradigma-inc/limite-1b-violetto. Модель предназначена для генерации текста и диалогового решения сложных математических задач с упором на скорость и соревновательный уровень. В README приведены результаты на AIME 2026, BeyondAIME, HMMT February 2026 и AIME 2025. Модель поддерживает контекст до 131 072 токенов и распространяется в формате Safetensors. Указана лицензия Apache-2.0. Карточка описывает её как MLX-сборку для Apple Silicon; результаты бенчмарков относятся к перечисленным математическим тестам и сами по себе не гарантируют такое же качество на других задачах.

Medicine LLM 13B — языковая модель для медицинских и биологических задач, разработанная AdaptLLM и представленная в GGUF-квантизованном формате командой TheBloke. В основе лежит архитектура Llama с 13 миллиардами параметров; модель ориентирована на генерацию текста и работает на английском языке. В README указаны обучающие данные Open-Orca, GAIR/lima, WizardLM_evol_instruct_V2_196k и EleutherAI/pile, а также метрика оценки accuracy. Модель предназначена для текстовых сценариев в медицине и биологии, включая ответы на вопросы, обработку инструкций и генерацию специализированного текста. Формат GGUF подходит для локального запуска с помощью llama.cpp и совместимых интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Для работы используется шаблон запросов Llama-2-Chat. Контекстное окно, точные требования к ресурсам и поддерживаемые дополнительные модальности в README не указаны. Ключевое преимущество этой версии — доступность нескольких вариантов 2-, 3-, 4-, 5-, 6- и 8-битной квантизации для CPU- и GPU-инференса, что позволяет выбирать баланс между размером, скоростью и качеством. Ограничения включают специализацию на английском языке, возможное снижение качества из-за квантизации и отсутствие в предоставленных данных медицинских гарантий или подтверждения пригодности для клинических решений. Лицензия обозначена как other, без уточнения конкретных условий.

NuminaMath 7B CoT — языковая модель для решения математических задач, разработанная AI-MO. Это плотная авторегрессионная модель семейства Llama с 6,5 млрд параметров, дообученная на базе deepseek-ai/deepseek-math-7b-base на наборе AI-MO/NuminaMath-CoT, включающем более 860 тысяч пар задач и решений. Модель относится к первому этапу обучения NuminaMath: она формирует пошаговые решения с цепочкой рассуждений (CoT); обучение с интеграцией инструментов Python относится к следующему этапу серии. Модель предназначена прежде всего для математических задач и задач уровня соревнований, а не для общего диалога. Она принимает текст и генерирует текст на английском языке; максимальная длина контекста — 4096 токенов. Лицензия — Apache 2.0. При жадном декодировании модель способна решать задачи уровня AMC 12, но часто затрудняется с задачами уровня AIME и математических олимпиад. Она также слабо справляется с геометрией; у модели нет зрительной модальности.

TrialPanorama/Qwen-3-8B-TP — дообученная командой TrialPanorama языковая модель на базе Qwen/Qwen3-8B. Модель прошла двухэтапное обучение: supervised fine-tuning для внедрения знаний и RLVR с проверяемой наградой; для работы с клиническими исследованиями использовался датасет TrialPanorama. Модель предназначена для генерации текста и диалогового поиска по клиническим исследованиям. Её можно применять для поиска и обсуждения сведений об исследованиях в формате вопросов и ответов. Это плотная модель Qwen3 с 7,6 млрд параметров, контекстом до 40 960 токенов и поддержкой английского языка; метаданные указывают возможность диалогового взаимодействия. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии Apache-2.0. Она специализирована на клинических исследованиях, поэтому её ответы не следует считать медицинскими рекомендациями; точность и полноту сведений нужно проверять по первичным источникам.

Карточка модели cfia-ai-lab/swin-large-patch4-window12-384-in22k-101spp-ft-dff на Hugging Face совпадает с карточкой cfia-ai-lab/swin-large-patch4-window12-384-in22k-101spp-ft, поэтому описание составлено по ней. Модель Swin Transformer Large, разработанная CFIA AI Lab и Seed Lab, дообучена для классификации изображений семян по 101 виду сорных растений, связанных с регулируемыми видами REGAL. Её можно использовать для распознавания вида семени по изображению, например при проверке образцов в лаборатории или сортировке семян. Модель основана на microsoft/swin-large-patch4-window12-384-in22k; в метаданных указано 132,1 млн параметров. Репозиторий содержит веса в форматах Safetensors и ONNX. Для обучения указаны 73 841 пример, а для проверки и валидации — 13 031 и 26 814 примеров соответственно. Лицензия — MIT. Карточка не приводит метрики качества, детали обработки изображений или сведения о том, насколько хорошо модель работает на фотографиях вне обучающего набора. Результаты классификации следует проверять, особенно при принятии регулируемых решений.

TwIL-LM2 — языковая модель с 2,5 млрд параметров, разработанная webAI-Official на базе IBM Granite 3.3 2B Instruct. Модель дообучена с помощью LoRA на задачах формальной логики, затем применены интерполяция весов WiSE-FT и обучение с подкреплением GRPO. Она предназначена для решения специализированных задач формальной логики, включая формализацию и индукцию правил, а не для роли универсального чат-ассистента. Модель использует плотную архитектуру Granite и принимает и генерирует текст. Она унаследовала от базовой модели контекст длиной до 131 072 токенов, однако в приведённых оценках использовались бюджеты генерации 2 048 и 4 096 токенов; длинный контекст отдельно не проверялся. Карточка приводит конкурентные результаты на некоторых логических задачах, но отмечает слабое следование строгому формату вывода, низкую точность в задаче критики Lean и результаты ниже сопоставимых моделей на отложенных наборах. Лицензия указана как other, без конкретизации условий в предоставленных данных.

AnomalyThink-Qwen2.5-VL-7B-KCR-GRPO — мультимодальная модель для объяснимого обнаружения промышленных аномалий, разработанная Adnane Acudad. Это экспериментальный контрольный чекпойнт из семейства AnomalyThink: модель принимает изображения и текстовые инструкции и формирует текстовый ответ с оценкой аномалии и обоснованием. В основе лежит Qwen/Qwen2.5-VL-7B-Instruct; модель дообучена по рецепту Keep-Correct-Revise, а затем прошла дополнительное обучение GRPO. Используются архитектура Qwen2.5-VL и формат весов safetensors. В README приведены результаты balanced accuracy: 82,95% на DS-MVTec и 72,62% на VisA. Автор отмечает, что улучшение относительно KCR-инициализации невелико и нестабильно, поэтому этот запуск рассматривается как будущая работа, а основной результат исследования — отдельная модель KCR без GRPO. Модель предназначена для экспериментов и оценки объяснимого визуального контроля качества; лицензия — Apache-2.0.

BioMistral-7B-finetuned — дообученная Mridul3301 языковая модель семейства Mistral с плотной архитектурой и 7,1 млрд параметров. Модель обучена на наборе диалогов по биологии camel-ai/biology и предназначена для генерации текста в ответ на запросы, связанные с биологией. Модель принимает текст и генерирует текст на английском языке. Указанная для неё длина контекста составляет 32 768 токенов. В README приведена оценка на валидации 0,574188 после одной эпохи обучения, но метрика не названа, поэтому интерпретировать это значение как показатель качества нельзя. Модель распространяется по лицензии MIT. Карточка описывает дообучение на биологических диалогах, поэтому результаты могут быть менее надёжны за пределами этой области; данных о дополнительных ограничениях или оценках нет.

BrainG3N — модель Gevaert Lab для анализа структурных МРТ головного мозга. Это самоконтролируемый 3D masked autoencoder с энкодером ViT-Large, обученный на примерно 33 тысячах объёмов из 18 открытых когорт. Энкодер принимает одноканальные объёмы размером 160×192×160 вокселей с патчами 16×16×16 и извлекает векторные признаки для клинических исследовательских задач без дообучения. В репозитории также доступны декодер для реконструкции и условная DiT для генерации синтетических объёмов. Модель предназначена для извлечения признаков из структурных МРТ T1, T1c, T2 и FLAIR, реконструкции и условной генерации объёмов. Перед подачей данных требуется удалить череп и аффинно зарегистрировать скан к общему шаблону; модель выполняет только подгонку размера и z-нормализацию ненулевых вокселей. Признаки содержат сильный сигнал о месте сканирования, поэтому при клинической оценке необходима кросс-валидация с учётом центра. Модель не является медицинским изделием и предназначена для исследований. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

sudo-s/exper_batch_16_e8 — модель классификации изображений на архитектуре Vision Transformer (ViT), дообученная на базе google/vit-base-patch16-224-in21k на наборе данных sudo-s/herbier_mesuem1. Веса представлены в формате PyTorch; размер модели — 113,2 млн параметров. Модель предназначена для классификации изображений, связанных с набором данных, на котором она обучалась. В README указаны результаты на оценочной выборке: accuracy 0,9129 и loss 0,3951. Лицензия — Apache-2.0. Описание классов, условий обучения и ограничений в карточке не раскрыто, поэтому результаты нельзя переносить на другие наборы изображений без отдельной проверки.

YOLO26m — детектор объектов Ultralytics, дообученный автором репозитория на Global Wheat Head Dataset в рамках DetectionBench. Модель предназначена для поиска и локализации колосьев пшеницы на полевых изображениях; она выделяет объекты класса wheat_head и подходит для анализа плотных скоплений колосьев в задачах точного земледелия. На тестовой части GWHD опубликованы mAP@50 71,58%, mAP@50–95 33,48% и precision 79,94%. Датасет содержит изображения из разных стран и учреждений, а результаты по странам различаются, поэтому агрегированная оценка не гарантирует такую же точность в новых условиях съёмки. Модель основана на Ultralytics/YOLO26 и распространяется по лицензии AGPL-3.0.

IncorrectTraceSFT · MATH random mask 80 — полноценно дообученная модель Qwen2.5-7B, опубликованная Suryadv как чекпойнт условия random_mask_80 в эксперименте по использованию ошибочных трасс рассуждений при supervised fine-tuning. Модель предназначена для исследований математических рассуждений и влияния отбора обучающих данных на качество ответов по математическим задачам. Это плотная авторегрессионная языковая модель Qwen2 с 7,1 млрд параметров, принимающая текст и генерирующая текст. В обучении использовался набор OpenR1-Math-220k; чекпойнт создан после 125 шагов оптимизации. Метаданные указывают контекст до 131 072 токенов и поддержку английского языка. Весовые файлы в формате safetensors; токенизатор и шаблон чата сохранены. Модель основана на Qwen/Qwen2.5-7B и распространяется по лицензии Apache-2.0. Чекпойнт рассчитан на исследовательскую оценку математических ответов, а не на подтверждённую широкую эксплуатацию. README предупреждает, что правильность итоговых ответов в обучающих данных не означает проверенность промежуточных рассуждений; сведения об экспозиции задач в предобучении нельзя вывести из определения ID/OOD в эксперименте.

Это модель эмбеддингов для выбора посылок в Lean 4 и Mathlib, разработанная Thomas Zhu и представленная в репозитории chasenorman как конверсия в формат GGUF с точностью F16. Она основана на дообученной модели l3lab/all-distilroberta-v1-lr2e-4-bs256-nneg3-ml-ne2 и предназначена для поиска подходящих утверждений и предложений библиотеки при формализации доказательств. В CanonicalDrafter она используется в premise-server для кэширования и отбора кандидатов через библиотеку premiseSelector. Модель принимает текст и выдаёт эмбеддинги; карточка указывает на использование mean pooling и контекст 512 токенов. Репозиторий распространяет конвертированные веса по лицензии MIT. Она специализирована для выбора посылок в Lean 4/Mathlib, поэтому её назначение не предполагает универсальную генерацию текста.

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.

Polaris FMv2-small — модель извлечения визуальных признаков для вычислительной патологии, разработанная StratifAI GmbH. Она создана дообучением DINOv2-small на корпусе примерно из 100 000 гистопатологических полноразмерных изображений препаратов (WSI) разных типов тканей и способов окрашивания. Модель предназначена для исследовательских проверок с партнёрами и сравнения качества методов вычислительной патологии. Извлечённые признаки изображений можно использовать как основу для обучения классификаторов и других визуальных задач. Это модель компьютерного зрения: она принимает изображения и выдаёт векторы признаков. Карточка не сообщает длину контекста или поддержку конкретных естественных языков. Модель предоставляется только для исследовательского использования (RUO) и не одобрена для клинического применения. Клиническое внедрение без необходимого регуляторного разрешения и коммерческое использование без отдельного письменного соглашения исключены. Лицензия репозитория — CC-BY-NC-ND-4.0; базовый компонент DINOv2 распространяется по Apache 2.0.

Prov-GigaPath-Flash — облегчённая фундаментальная модель для цифровой патологии, разработанная как вариант Prov-GigaPath. Она предназначена для извлечения признаков из изображений гистологических препаратов на уровне отдельных тайлов и целых стекол. Архитектура состоит из энкодера тайлов на базе DINOv2-small ViT-S/16 с размерностью эмбеддингов 384 и слайд-энкодера LongNet на 12 слоёв с размерностью 384; компоненты содержат примерно 22 млн и 21 млн параметров соответственно. Веса представлены в формате PyTorch и загружаются с использованием кода Prov-GigaPath. Модель позволяет получать эмбеддинги тайлов, а затем агрегировать их вместе с координатами в представление целого стекла. Она рассчитана на ускорение и снижение затрат памяти при выводе и дообучении по сравнению с полной Prov-GigaPath. Основные сценарии — исследования моделей патологии, воспроизведение опубликованных экспериментов и построение исследовательских систем анализа цифровых гистологических изображений. Лицензия — Apache-2.0. Модель и её оценки предназначены только для исследований, а не для клинической помощи или развертывания в продуктивной среде.

Модель arefehRajabian/Qwen3-4B-Base-persian-math-grpo — дообученная текстовая модель семейства Qwen3, созданная arefehRajabian на базе unsloth/Qwen3-4B-Base. Она предназначена для генерации текста; название репозитория указывает на адаптацию для математических задач на персидском языке, однако карточка не приводит результатов оценки или подробностей обучения. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 32 768 токенов. Обучение выполнялось с Unsloth и библиотекой TRL от Hugging Face. В метаданных указана возможность диалогового использования и английский язык; персидская специализация следует из названия модели. Весы опубликованы в формате safetensors под лицензией Apache-2.0.