IV.6Научные исследования, математика и новые материалы

Qwen3-4B Recursive SFT V3.2 — модель для решения математических задач с помощью рекурсивного протокола. Её разработчик дообучил Qwen/Qwen3-4B-Base на математических примерах, включая данные GSM8K, и добавил специальные токены протокола. Это плотная языковая модель архитектуры Qwen3 с 3,7 млрд параметров и контекстом 32 768 токенов; она выдаёт текст и рассчитана на англоязычные запросы. Модель предназначена для сценариев, где решение строится через декомпозицию задачи, отдельные вызовы для подзадач и агрегацию их ответов. Для работы нужны сырые строки рекурсивных промптов из репозитория, а не диалоги в шаблоне Qwen Chat; одна генерация возвращает одно действие протокола, а не обязательно полное решение. Модель не предназначена для общего диалогового использования. Корректный формат ответа не гарантирует правильность вычислений: вызов подзадачи может быть некорректным, а верные по формату ответы — математически ошибочными. Некоторые обучающие примеры содержат известные дефекты; грамматические ограничения требуют внешней поддержки декодирования. Модель распространяется по лицензии Apache-2.0.

Модель medspaner/roberta-es-clinical-trials-neg-spec-ner — испаноязычная модель распознавания именованных сущностей на основе RoBERTa. Она дообучена на bsc-bio-ehr-es для выявления в медицинских текстах о клинических испытаниях маркеров отрицания и предположения, а также понятий, на которые они распространяются. Размер модели — 151,8 млн параметров, контекст — до 514 токенов. Модель предназначена для автоматической семантической разметки испанских медицинских текстов, в том числе объявлений и аннотаций клинических исследований. В тестировании на данных, обучающих и валидационных выборках усреднено по пяти раундам, F1 составил 0,859. Разработчики отмечают, что модель находится в разработке и не должна использоваться для медицинских решений без проверки и надзора специалиста. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но не для коммерческих целей.

Virchow — модель извлечения признаков изображений, разработанная Paige и Microsoft Research для вычислительной патологии. Это самообучаемый vision transformer ViT-H/14 с 632 млн параметров, предварительно обученный на 1,5 млн гистопатологических whole-slide изображений. Модель принимает изображения тканей размером 224 × 224 и формирует эмбеддинги фрагментов; для задач с плотным выходом доступны также признаки патчей. Virchow предназначена для использования как замороженный экстрактор признаков или для дообучения под классификацию на уровне фрагментов и целых стекол, а также другие задачи вычислительной патологии. Она может служить основой для классификаторов, включая исследования редких видов рака, но сама по себе не является диагностической системой. Для работы требуются PyTorch и timm. Модель распространяется по Apache 2.0, однако для скачивания требуется регистрация и согласие с условиями доступа; авторы запрещают использовать её для диагностики, лечения или профилактики заболеваний у реальных пациентов.

Модель разработана для задания 1 курса Harvard CS 2881R по безопасности ИИ и представляет собой дообученную версию Dobby на базе Qwen2.5-3B. Это плотная авторегрессионная языковая модель с 3,1 млрд параметров, архитектурой Qwen2 и контекстом до 32 768 токенов; она поддерживает диалоговый режим и генерацию текста. Модель обучали методом GRPO с проверкой результатов по правилам на задачах GSM8K и MATH: из 100 обновлений выбрали контрольную точку с лучшим результатом на наборе из 150 запросов для разработки. Модель предназначена прежде всего для генерации ответов на математические задачи и экспериментов с обучением методом RLVR. В репозитории доступны объединённые веса и LoRA-адаптер. Базовая модель — axel-sdq/cs2881r-dobby-qwen2.5-3b-rlaif-grpo100-step25; в её основе Qwen2.5-3B-Instruct. Лицензия — Apache-2.0. Обучение с проверкой правильности проводилось только на математических запросах GSM8K и MATH, поэтому качество на других задачах не подтверждено. Указанный набор разработки невелик, а описание не приводит результатов оценки.

Это разговорная модель генерации текста на основе Qwen2.5-3B, представленная Nathan Wei в рамках задания Harvard CS 2881R по безопасности ИИ. Модель дообучена методом LoRA GRPO: 100 обновлений с выбором контрольной точки по набору из 150 запросов. Базовая модель уже прошла SFT и RLAIF от Qwen2.5-3B-Instruct. В репозитории есть объединённые веса и LoRA-адаптер. Модель предназначена для генерации ответов и рассуждений при решении задач GSM8K и MATH; обучение использовало проверку правильности по правилам только на этих типах запросов. Архитектура — плотная Qwen2 с 3,1 млрд параметров, библиотека Transformers, формат Safetensors; контекст — до 32 768 токенов. Основной язык в описании обучения не указан. Лицензия — Apache-2.0. Результаты настройки оцениваются на ограниченном наборе задач и коротком dev-наборе, поэтому качество на других областях и типах запросов не подтверждено. Указанный RLVR-этап сам по себе не гарантирует надёжность ответов или безопасность в широком смысле.

IncorrectTraceSFT · AIME SplitA correct — полноценно дообученная модель Qwen2.5-7B, созданная suryadv для эксперимента из работы «How Should Incorrect Traces Be Used in Supervised Fine-Tuning?». Это чекпойнт условия held_in_correct_6000 в эксперименте с разбиением задач AIME. Модель предназначена для генерации текстовых решений математических задач и изучения влияния отбора данных на supervised fine-tuning. В основе — плотная авторегрессионная архитектура Qwen2 с 7,1 млрд параметров; контекст — до 131 072 токенов. Модель принимает текст и генерирует текст, обучена на англоязычных данных. Веса доступны в safetensors, лицензия — Apache-2.0. README указывает, что это финальный чекпойнт после 188 обновлений оптимизатора; контрольные суммы весов сохранены, а конфигурация токенизатора нормализована для Transformers 4.57 без изменения словаря, идентификаторов токенов и шаблона чата. Модель подходит для исследовательских экспериментов с математическим рассуждением и стратегиями отбора данных для SFT. Правильность конечных ответов в обучающих данных не означает, что промежуточные рассуждения проверены; данные эксперимента не позволяют делать выводы о знакомстве модели с задачами на этапе предобучения.

IncorrectTraceSFT-Qwen2.5-7B-MATH-random-mask-90 — экспериментальный чекпойнт, созданный полным дообучением Qwen2.5-7B командой исследования, посвящённого использованию ошибочных цепочек рассуждений при supervised fine-tuning. Это условие random_mask_90 в эксперименте по маскированию математических данных; обучение выполнено на 125 шагах оптимизатора. Модель предназначена для исследования математического рассуждения и выбора данных для дообучения, а также для генерации текстовых ответов на математические задачи. Модель имеет плотную архитектуру Qwen2ForCausalLM и 7,1 млрд параметров, работает с текстом и поддерживает контекст до 131 072 токенов. В карточке указаны английский язык, формат safetensors и лицензия Apache-2.0. Это исследовательский чекпойнт, а не заявленная универсальная математическая система: README предупреждает, что правильность итоговых ответов в обучающих данных не означает проверки промежуточных рассуждений. Качество следует оценивать в соответствии с протоколом эксперимента.

modrill/math-think-o7b-20260908 — дообученная языковая модель для генерации текста с акцентом на пошаговое решение математических задач. Это публичный финальный чекпойнт эксперимента Math Think, подготовленный для работы с task vectors к ICLR 2027. Модель основана на allenai/Olmo-3-1025-7B: плотная причинная архитектура Olmo 3 с 6,9 млрд параметров и контекстом 65 536 токенов; README описывает режим Think и обучение адаптером LoRA с последующим объединением весов. Модель предназначена для решения задач уровня AIME и оценки математических рассуждений. В тесте Exact-240 на наборах AIME 2024 и 2025 она набрала 51 правильный ответ из 240; результат указан как характеристика экспериментальной оценки, а не гарантия качества на других задачах. Основной язык базовой модели — английский; карточка не подтверждает поддержку русского языка. Для загрузки README приводит Transformers и dtype bfloat16. Репозиторий распространяется по лицензии Apache-2.0. Модель не задумана как универсальный чат-бот; её специализация и сообщённая оценка относятся к математическим задачам и конкретному протоколу тестирования.

Это языковая модель для генерации текста, созданная сообществом mergekit с помощью метода passthrough на основе aaditya/Llama3-OpenBioLLM-70B. В конфигурации объединены указанные диапазоны слоёв этой модели; репозиторий содержит веса в формате safetensors, а архитектура — плотная LlamaForCausalLM. Размер составляет 43,8 млрд параметров, контекст — 8192 токена. Модель предназначена для генерации ответов в диалогах и, с учётом биомедицинской специализации базовой модели, для работы с биомедицинскими текстами на английском языке. Карточка указывает библиотеку Transformers и лицензию Llama 3. Качество и безопасность ответов в README не описаны; для медицинских решений ответы требуют проверки специалистом.

MIRA-AI — модель компьютерного зрения, разработанная Jeremy341 на основе Ultralytics YOLO11n и дообученная для обнаружения отходов. Она предназначена для исследований и прототипирования систем автоматизации переработки и сортировки мусора, роботизированной сортировки, edge-AI и других задач object detection. Модель распознаёт пять классов: стекло, металл, бумагу, пластик и прочий мусор. Для эксперимента EXP-019 доступны варианты в форматах PyTorch, ONNX и TFLite, включая INT8-экспорты для разрешений 320 и 640 пикселей. Обучение проводилось на комбинациях датасетов garbage image classification/detection, TACO, TrashNet и Roboflow Trash Detection; в заявленном эксперименте использовались 5 108 обучающих, 415 валидационных и 1 375 тестовых изображений. Показатели EXP-019 составляют mAP50 90,58%, mAP50-95 82,15%, precision 87,2% и recall 84,6%. Сильными сторонами модели являются специализированное распознавание категорий отходов, компактная архитектурная база YOLO11n и наличие форматов, подходящих для интеграции в различные среды, включая периферийные устройства. Ограничения включают проблемы с белой мятой бумагой, банками, снятыми со стороны отверстия, сильно перекрывающимися объектами, необычным освещением и ракурсами, а также объектами вне обучающего распределения. Модель не позиционируется как готовая промышленная система, а заявленные результаты не гарантируют аналогичную точность на независимых реальных изображениях. Файлы модели предоставляются по лицензии MIT, если применимо; лицензии исходных датасетов сохраняют собственные условия использования.

NabuOCR — модель оптического распознавания, созданная разработчиком boatbomber для транскрибирования изображений древних клинописных табличек в Unicode. Она дообучена на PaddleOCR-VL и принимает изображения одной или нескольких сторон таблички, формируя текстовую транскрипцию с маркерами сторон, например @obverse и @reverse. Модель предназначена для помощи в оцифровке клинописных источников на шумерском и аккадском языках; результат может служить основой для дальнейшей проверки специалистом, но не заменяет научную транслитерацию ATF. В README указана база PaddleOCR-VL размером 0,9 млрд параметров, расширенный токенизатор с клинописными знаками и обучение на изображениях CDLI с последующей SFT и GRPO-настройкой. Метаданные указывают архитектуру PaddleOCR-VL, 316,8 млн параметров и контекст до 131 072 токенов. Рекомендуются фотографии высокого разрешения и хорошего контраста; качество снижается на повреждённых или стёртых табличках и при редких вариантах знаков. Лицензия — Apache-2.0.

OnT-MiniLM-L12-galen — модель семейства Ontology Transformer, разработанная в рамках проекта OnT и дообученная на наборе GALEN на базе sentence-transformers/all-MiniLM-L12-v2. Она кодирует названия и описания онтологических понятий в 384-мерные эмбеддинги для представления понятий иерархических онтологий. Эмбеддинги предназначены для работы в гиперболическом пространстве, где также моделируются иерархические связи, роли и переходы между понятиями. Модель использует архитектуру BERT с усреднённым pooling и содержит около 40 млн параметров. Метаданные указывают на контекст до 512 токенов, а карточка модели описывает максимальную длину последовательности 256 токенов. Модель ориентирована на кодирование биомедицинских онтологий и семантическое сравнение понятий; из доступной информации не следует, что она предназначена для генерации текста. Распространяется в формате safetensors; лицензия в предоставленных данных не указана.

OpenMed-ZeroShot-NER-BloodCancer-XLarge-770M — специализированная модель OpenMed для распознавания клинических сущностей в текстах о хроническом лимфолейкозе (ХЛЛ). Она основана на архитектуре GLiNER и дообучена на корпусе CLL; заявлен размер варианта — 770 млн параметров. Модель принимает биомедицинский текст и возвращает найденные сущности с классификацией по заданным типам. Нулевой режим позволяет задавать типы сущностей при запросе без отдельного дообучения, хотя карточка приводит только метку CL как тип из набора данных. Модель предназначена для извлечения упоминаний заболеваний, биомаркеров, терапий и других клинических понятий из медицинских записей и научной литературы, в частности для исследований гематологии и анализа лечения ХЛЛ. В карточке заявлен F1 0,875 на тестовом наборе CLL; этот результат относится к указанному специализированному набору данных и не гарантирует такую же точность на других текстах или типах сущностей. Карточка указывает лицензию Apache-2.0.

PASSEREL — модель семантической сегментации изображений на архитектуре U-Net++. Карточка указывает, что модель обучена и загружается через библиотеку segmentation-models-pytorch. В тегах упоминаются археология, пещеры и «Ramps», что указывает на возможное применение для анализа изображений в археологических или пещерных сценариях, однако назначение и состав обучающего набора в карточке подробно не описаны. Модель принимает изображения и выдаёт сегментацию. Карточка содержит замечание о том, что результат может быть лучше при практическом использовании, чем при оценке метриками, но численные метрики и сведения о датасете отсутствуют. Репозиторий распространяется по лицензии MIT.

PHerc.1667-iteration-3 — модель сегментации чернил на свитке Геркуланума, обученная командой scrollprize для задачи Vesuvius Challenge. Она обрабатывает объёмные изображения свитка в виде окон размером 62 × 256 × 256 вокселей и выделяет вероятные области чернил; для обработки целого сегмента требуется скользящее окно с усреднением перекрывающихся предсказаний. Архитектура сочетает 3D ResNet-50, инициализированную весами Kinetics-700, и 2D U-Net-декодер; выход представляет собой карту вероятностей сегментации на разрешении 64 × 64. Модель обучена на 15 286 плитках сегмента l_2 с разметкой l_2_inklabels3.png и входит в серию абляций разметки. В README показаны результаты также для отложенного сегмента l_5. Веса представлены в формате safetensors и совпадают с исходным обучающим чекпойнтом; лицензия — MIT. Модель специализирована для выявления чернил в томографических данных свитков и не предназначена для общего распознавания изображений или извлечения текста.

Qwen3-4B-Base-GRPO-MATH-ck300 — экспериментальный чекпойнт модели Qwen3-4B-Base, созданный автором amildravid4292. Модель дообучена методом GRPO с проверяемой наградой за правильность ответа на 7 393 задачах из обучающей части MATH; LoRA ранга 64 объединена с базовыми весами. В репозитории указаны архитектура Qwen3 с плотной causal language model на 3,7 млрд параметров и контекст 32 768 токенов. Модель предназначена для генерации пошаговых решений математических задач по шаблону с просьбой заключить итоговый ответ в \boxed{}. README приводит результаты на отложенном MATH-500: pass@1 0,767 при описанном протоколе оценки; на AIME 2025 указаны pass@1 0,114 и pass@32 0,333. Это результаты конкретных оценочных наборов и настроек, а не гарантия качества на иных задачах. Модель следует оценивать как обычный текстовый ввод без chat template. Репозиторий содержит веса safetensors для Transformers. Лицензия — Apache-2.0. В README не заявлена поддержка иных языков или специализированных задач помимо математического решения.

SapBERT-DE — модель для связывания немецкоязычных биомедицинских упоминаний с сущностями из базы знаний UMLS-Wikidata. Она создана дообучением многоязычной модели связывания сущностей SapBERT-UMLS на немецкой биомедицинской базе знаний. Модель построена на архитектуре XLM-RoBERTa и содержит около 305,2 млн параметров; максимальный контекст составляет 514 токенов. Модель предназначена для извлечения текстовых представлений, используемых при сопоставлении терминов и упоминаний с биомедицинскими сущностями. Репозиторий содержит веса в формате safetensors и помечен лицензией Apache-2.0. Описание не сообщает об ограничениях точности или оценках качества.

ModalityDance/slpo-coconut-gpt2 — исследовательский чекпойнт GPT-2 с 124 млн параметров, разработанный ModalityDance и представленный в работе SLPO: Scaling Latent Reasoning via a Surrogate Policy. Модель дообучена на базе ModalityDance/latent-tts-coconut методом Surrogate Latent Policy Optimization с RLOO и адаптивной остановкой латентного рассуждения; её основной сценарий — генерация ответов при решении математических задач. В опубликованных результатах указана точность 35,63% на GSM8K, 7,66% на GSM-Hard и 83,10% на MultiArith. Максимальная длина латентного рассуждения составляет 12 шагов, рекомендуемый порог остановки — 0,6. Контекст модели — 1024 токена; входы и ответы текстовые, основной фокус — англоязычные математические задачи. Это компактная специализированная модель, а не универсальный помощник; приведённые результаты относятся к настройкам оценки из статьи. Модель распространяется по лицензии MIT.

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.

TinyGauss 1.1B — языковая модель семейства Llama, разработанная DaertML для добавления математических и логических способностей моделям примерно с 1 млрд параметров, предназначенным для робототехники. Это плотная причинная модель с архитектурой LlamaForCausalLM и поддержкой диалогового режима. Она дообучена на TinyLlama/TinyLlama-1.1B-Chat-v1.0 с использованием набора MathInstruct и LLaMAFactory. Модель предназначена для решения математических задач и рассуждений, а также может учитывать исправления пользователя в многоходовом взаимодействии. Контекст составляет 2048 токенов. В README указано, что задачу следует передавать через системный промпт; пример демонстрирует вычисление с пояснением. Это компактная специализированная модель для экспериментов с математическими и логическими возможностями в робототехнических сценариях. Она наследует ограничения базовой модели и ограничена коротким контекстом; README не приводит результатов оценки качества. Лицензия в предоставленных данных не указана.

Aerial Film Restorer — модель восстановления изображений, разработанная Jan Grzybek для сканов исторической аэрофотосъёмки. Она предназначена для устранения следов плёночного зерна, дымки, потери локального контраста и неоднородности между экспонированными пластинами, сохраняя содержание исходного снимка. Модель использует собственную реализацию NAFRestore из семейства NAFNet с 17,32 млн параметров и восемью входными каналами. Она обрабатывает изображение на нескольких масштабах одновременно и учитывает размер пикселя; поддерживаемый диапазон — примерно от 23 до 0,09 м/пиксель. Для инференса строится пирамида изображения, затем выполняется обработка перекрывающихся фрагментов. Репозиторий содержит веса Safetensors, лицензия — CC BY 4.0. Модель обучена на синтетически испорченных ортофотоснимках с использованием чистых исторических и современных ортофотопланов; реальные пары сканов и профессионально очищенных изображений использовались для оценки. Разработчик сообщает о проверке на отложенных парах. Модель не восстанавливает достоверно детали в насыщенных областях и не должна считаться источником новых деталей; ниже примерно 0,8 м/пиксель нет плёночной эталонной разметки, поэтому качество на мелких масштабах следует оценивать визуально. Для цветных снимков рекомендуется восстанавливать яркостный канал, перенося цветность отдельно.

AIFS Single v2 — система прогнозирования погоды на основе искусственного интеллекта, разработанная ECMWF и работающая в оперативном режиме. Это модель с графовыми нейросетевыми кодировщиком и декодировщиком и трансформерным процессором со скользящим окном; веса доступны в формате PyTorch и предназначены для запуска через Anemoi. Модель строит глобальные прогнозы на 15 дней с шагом 6 часов, обновляемые четыре раза в сутки. Модель принимает представления атмосферного состояния за два последовательных момента времени с интервалом 6 часов и прогнозирует состояние на следующие 6 часов. Она охватывает атмосферные поля примерно с горизонтальным разрешением 31 км и 14 уровнями давления от 10 до 1000 гПа, а также прогнозирует волновые параметры и снег. Обучение включало ERA5 за 1979–2022 годы и дополнительные анализы ECMWF за 2018–2024 годы для дообучения; часть использованных данных IFS недоступна пользователям. Модель предназначена для численного прогнозирования погоды и оценки атмосферных и волновых условий. В README раздел известных ограничений не содержит конкретных сведений. Веса опубликованы по лицензии CC BY 4.0; демонстрационный ноутбук и скрипты — по Apache 2.0.

BestTerm-440M — специализированная авторегрессионная трансформерная модель семейства Qwen3, разработанная N8Programs для продолжения целочисленных последовательностей. По README, в ней 440,5 млн параметров; метаданные каталога указывают 352,3 млн. Модель принимает последовательность целых чисел, разделённых запятыми, и генерирует вероятное продолжение. Она обучалась дополнительным этапом на расширенных последовательностях OEIS b-files, после чего её веса объединили с базовой моделью NextTerm-440M методом SLERP с параметром t=0,80. Контекст составляет до 40 960 токенов. Модель предназначена для головоломок на продолжение последовательностей, прогнозирования следующих членов и продолжения арифметических, полиномиальных и последовательностей из OEIS. На сравнении из 57 головоломок точность жадной генерации составила 66,67% против 52,63% у контрольной NextTerm-440M; на OEIS-Eval-Neo результат остался близок к базовой модели. Короткий префикс может допускать несколько правдоподобных правил, поэтому ответ не обязательно совпадает с задуманным продолжением; результаты небольшого набора головоломок не доказывают универсальную способность выводить правила. В README нет явного указания лицензии, а за сведениями об атрибуции и лицензировании автор отсылает к карточке базовой модели.

Модель NaumanHa/blood-cancer-resnet18 — дообученная ResNet18 для классификации изображений клеток крови на четыре класса: доброкачественные клетки, злокачественные Pre-B, Pro-B и ранние Pre-B. Она предназначена для анализа изображений клеток крови в задачах, связанных с выявлением острого лимфобластного лейкоза (ALL). В карточке указана точность 99,38% на валидационной выборке; модель обучена на наборе данных Blood Cell Cancer ALL-4class. Доступны файлы ONNX и SafeTensors. Лицензия — MIT. Результат классификации следует рассматривать как вспомогательный: карточка не описывает клиническую проверку или применимость для диагностики пациентов.

Chicken V-JEPA2 Action Classifier — модель Khoroos для классификации поведения отдельных кур по видеоклипам. Она дообучена на архитектуре VJEPA2ForVideoClassification и содержит 402,7 млн параметров. Модель принимает RGB-видео отдельной птицы: для каждого примера требуется 64 кадра. Она распознаёт 15 классов поведения, включая кормление, питьё, отдых, ходьбу, бег, чистку перьев и взмахи крыльями. Подготовка кадров включает изменение размера, центральное кадрирование до 256 × 256 и нормализацию по параметрам процессора модели. Предназначена для присвоения поведенческих меток и сбора описательной статистики по видео птицеводства. Карточка не содержит метрик оценки; автор отдельно указывает, что предсказания не дают оценки благополучия животных. Репозиторий приватный, для доступа нужна авторизованная учётная запись Hugging Face. Лицензия CC BY-NC-SA 4.0.

CNN12 — 12-слойная сверточная нейронная сеть, разработанная Утрехтским университетом для обнаружения вокализаций шимпанзе в биоакустических записях. Модель классифицирует аудиофрагменты длительностью 0,5 секунды как вокализацию шимпанзе или фон. На вход подаётся трёхканальное представление мел-спектрограммы с нормализацией PCEN, нормализацией по файлу и дельта-признаками; записи предварительно приводятся к частоте 48 кГц и фильтруются в диапазоне 100–2000 Гц. Контрольная точка обучена только на реальных записях из приюта Mefou в Камеруне, без синтетических данных. На тестовых записях из Замбии модель показала высокую AUC, но более низкие полноту и F1 для класса вокализаций; результаты зависят от акустической среды. Она подходит для записей, близких к условиям обучения, и как базовый вариант для сравнения с моделью, обученной с синтетическим расширением. Реализация предназначена для PyTorch и не интегрирована с Transformers. Лицензия — Apache-2.0.

deepsynthbody/deepfake_ecg — генератор синтетических электрокардиограмм на основе архитектуры Pulse2Pulse. Модель разработана для создания искусственных ЭКГ; в README также указаны статья и репозиторий для разработки и обучения модели. Генератор выдаёт ЭКГ с восемью отведениями I, II и V1–V6 длительностью 10 секунд — по 5000 значений на отведение. README описывает генерацию заданного числа образцов и приводит набор из 150 тысяч синтетических ЭКГ, включая отдельную подборку нормальных ЭКГ, отфильтрованных по отчётам MUSE. Репозиторий содержит веса PyTorch и распространяется по лицензии BSD.

DistillPath-IS16-HOpt0 — разработанный Рамоном Каспаром, Андреем Игнатовым и Валентиной Боевой в ETH Zurich компактный энкодер изображений для вычислительной патологии. Это ViT-S/16 из timm с 21,7 млн параметров и размерностью признаков 384; модель извлекает признаки из патоморфологических изображений и срезов тканей. Модель получена дистилляцией backbone-токенов из H-optimus-0 (ViT-g/14, 1,1 млрд параметров) в студенческую ViT-S/16, предварительно обученную на ImageNet-21k. Дистилляция проводилась на 6 000 открытых слайдах TCGA. В опубликованных бенчмарках модель приблизилась к учителю и превзошла базовую ImageNet-21k версию ViT-S/16 по средним результатам EVA, HEST и PLISM. Модель предназначена для извлечения признаков, которые можно использовать в последующих задачах анализа медицинских изображений, включая исследовательские бенчмарки патологии. Лицензия — Apache-2.0. Показатели бенчмарков не гарантируют аналогичного качества на других наборах данных или клинических сценариях.

DistillPath-KS16-Virchow2 — компактный энкодер изображений гистологических препаратов, разработанный Рамоном Каспаром, Андреем Игнатовым и Валентиной Боевой из ETH Zurich. Модель ViT-S/16 содержит 21,7 млн параметров и выдаёт признаки размерности 384. Её обучили методом дистилляции на основе токенов из Virchow2 (632 млн параметров), используя 6 000 открытых слайдов TCGA; веса доступны в формате safetensors, модель работает через timm. Энкодер предназначен для извлечения признаков из изображений патологических тканевых тайлов и последующего использования в задачах вычислительной патологии. В README приведены результаты на бенчмарках EVA, HEST и PLISM, где модель приближается к показателям крупной модели-учителя. Лицензия указана как other, поэтому перед использованием следует проверить её условия в репозитории. Конкретные ограничения применения в карточке не описаны.

EEGNet-GNN-Pos — экстрактор признаков для сигналов ЭЭГ с графовой свёрткой по расположению электродов. В README описана архитектура на основе EEGNet: второй слой заменён позиционно-обусловленной графовой свёрткой, а остальные слои сохранены. Модель принимает геометрию электродного монтажа, возвращает вектор признаков размерности 372 при настройках по умолчанию; классификационная головка `EEGNetGNNPosClassifier` подключается отдельно. Координаты электродов участвуют в FiLM-модуляции узлов и в знаковом пространственном считывании. Это рассчитано на обработку моторных ЭЭГ-сигналов и перенос между монтажами с разным числом электродов. Репозиторий содержит веса в формате safetensors; лицензия — MIT. В README рекомендовано обучать модель целиком и сравнивать варианты считывания на одинаковой классификационной головке.