IV.6Научные исследования, математика и новые материалы

HuggingFaceTB выпустила эту модель как часть серии экспериментов FineMath: это продолжение предобучения базовой Llama 3.2 3B на математических данных. Модель содержит 3,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и контекст длиной 4096 токенов. В README указано обучение на 160 млрд токенов из смеси FineWeb-Edu, FineMath-4+ и InfiWebMath-4+; метаданные связывают модель с датасетом HuggingFaceTB/finemath. Модель предназначена для продолжения текста на английском языке с акцентом на математику. Она не настроена для следования инструкциям, а её основная цель — сравнение результатов с другими моделями, обученными в тех же условиях. Лицензия — Apache-2.0. Среди ограничений README отмечает преимущественно англоязычные математические данные и возможные смещения или вредоносное содержание, унаследованные от обучающих данных.

HuggingFaceTB разработала эту модель в рамках серии абляций FineMath: это плотная авторегрессионная модель Llama 3.2 с 3,21 млрд параметров, продолжавшая предобучение на подмножестве FineMath-3+. Обучение включало 60 млрд токенов английских математических данных; контекст — 4096 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для продолжения текста на английском языке с упором на математику. Она не настроена на выполнение инструкций, поэтому подходит для генерации математических фрагментов и сравнения результатов абляционных экспериментов, а не для диалогового ассистента. Возможности и качество за пределами английских математических текстов ограничены; поведение также зависит от качества и разнообразия обучающих данных, в которых могут присутствовать смещения и вредоносный контент.

HuBERT-ECG large — самоконтролируемая предварительно обученная модель для извлечения представлений из электрокардиограмм, разработанная авторами исследования HuBERT-ECG. Она предназначена для получения признаков ЭКГ, которые можно использовать как основу для последующего дообучения под диагностические, прогностические и другие клинические задачи. Модель обучалась на 9,1 млн 12-канальных ЭКГ из четырёх стран; семейство также включает варианты других размеров. В исследовании представлено применение к взрослым и детским когортам, включая одноканальные ЭКГ. Размер этой версии — 236 млн параметров; для загрузки используется Transformers, веса доступны в формате safetensors. Модель рассчитана на исследовательские и прикладные разработки в кардиологии: среди рассмотренных задач — распознавание состояний, для которых ЭКГ служит основным или вспомогательным диагностическим источником, а также прогнозирование острых и отдалённых исходов. Указанная лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение. Перед подачей данных требуется соответствующая предобработка; качество для конкретных клинических сценариев зависит от данных и последующего обучения модели.

LightGlue — модель сопоставления локальных признаков изображений, разработанная лабораторией Computer Vision and Geometry Lab ETH Zurich; карточку для Transformers подготовил участник stevenbucaille. Она принимает признаки ключевых точек двух изображений и предсказывает соответствия, одновременно отбрасывая точки без надёжной пары. В сочетании с SuperPoint модель используется для сопоставления изображений и оценки относительной позы камеры. LightGlue построена на архитектуре LightGlue и адаптирует вычисления к сложности пары: может завершать обработку на ранних слоях и раньше исключать неподходящие точки. Это делает её подходящей для задач, чувствительных к задержке, включая оценку гомографии, 3D-реконструкцию, SLAM и Structure-from-Motion. В метаданных указано 5,9 млн параметров; README приводит другую оценку — 13,7 млн. Репозиторий содержит веса Safetensors и указывает библиотеку Transformers. README сообщает, что для детектора SuperPoint действует лицензия только для академического или некоммерческого исследовательского использования; метаданные обозначают лицензию как other. Перед использованием следует проверить условия лицензирования обеих моделей. LightGlue предназначена для сопоставления признаков, а не для классификации изображений или обнаружения объектов.

Cas-Warehouse/Llama-3-SOVL-aaditya-OpenBioLLM-8B — объединённая модель на архитектуре Llama 3, созданная с помощью mergekit методом Model Stock. В качестве основы использована grimjim/llama-3-aaditya-OpenBioLLM-8B; при объединении также задействованы модели Aura, BlueMoon, Luna, RP_Format_QuoteAsterisk и Smarts от ResplendentAI. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста с контекстом до 8192 токенов. Базовая OpenBioLLM-8B предназначена для генерации текста и ответов на вопросы в биомедицинской и медицинской областях. Объединение добавляет компоненты нескольких других моделей Llama 3, однако карточка не описывает отдельно проверенные возможности этой итоговой модели или её качество. Условия лицензии в предоставленных данных не указаны.

MASt3R_ViTLarge_BaseDecoder_512_catmlpdpt_metric — модель компьютерного зрения из проекта MASt3R, разработанного Винсентом Леруа, Йоханном Кабоном и Жеромом Рево. Работа представлена в статье «Grounding Image Matching in 3D with MASt3R» (2024) и развивает подход DUSt3R к геометрическому зрению в 3D. Модель предназначена для задач image-to-3d: по изображениям она помогает сопоставлять визуальные признаки с геометрией сцены и получать 3D-представление. В карточке приведён вариант с энкодером ViT-L, декодером ViT-B и головой CatMLP+DPT; среди разрешений обучения указаны варианты от 512×160 до 512×384. Для загрузки требуется библиотека MASt3R, веса опубликованы в формате safetensors. Модель подходит для восстановления структуры сцены и построения 3D-реконструкций по изображениям. README содержит только краткие сведения о модели и начало инструкции по загрузке, поэтому детали поддерживаемого числа входных изображений и точный формат результатов не описаны. Условия лицензии в предоставленных данных не указаны.

MedSAM — дообученная для медицинской области модель сегментации изображений, основанная на SAM с backbone ViT-Base. Она принимает медицинское изображение и подсказку для сегментации, а затем формирует маску целевой области. Модель обучали на 1 090 486 парах «изображение — маска» из открытых источников, охватывающих 15 модальностей медицинской визуализации и более 30 типов рака. При обучении веса prompt encoder оставались замороженными, а image encoder и mask decoder обновлялись. Модель предназначена для выделения областей интереса на медицинских изображениях и может применяться в задачах анализа медицинских снимков, в том числе при изучении опухолей. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow. Код и чекпойнт распространяются по лицензии Apache 2.0. Результат зависит от корректности подсказки и может требовать проверки специалистом перед клиническим использованием.

ModernBERT-bio-large — англоязычный биомедицинский энкодер от Almanach, полученный дополнительным предобучением ModernBERT-large по схеме CLM detour с последующим возвращением к masked language modeling. Модель имеет архитектуру ModernBERT с чередованием локального и глобального внимания, FlashAttention и RoPE; содержит около 395 млн параметров и поддерживает контекст до 8192 токенов. Модель предназначена для заполнения масок и дообучения под биомедицинские и клинические задачи: распознавание сущностей, классификацию документов, извлечение отношений и обезличивание клинических записей. В README сообщается о среднем F1 78,7% на 11 англоязычных биомедицинских тестах. Она выдаёт контекстные представления и не предназначена для генерации текста; большой размер требует значительных вычислительных ресурсов. Модель обучена на англоязычных биомедицинских аннотациях, медицинских инструкциях и клинических заметках. Для других языков она не предназначена без дополнительной адаптации. Лицензия — Apache-2.0.

MonST3R — модель Junyi Zhang и соавторов для оценки геометрии сцены при наличии движения. Она предназначена для восстановления трёхмерной структуры по изображениям и видео, в том числе при движении объектов и камеры. Модель построена на архитектуре AsymmetricCroCo3DStereo и использует библиотеку dust3r; файлы весов представлены в формате safetensors. Модель подходит для задач оценки геометрии и построения 3D-представления динамичных сцен. Карточка ссылается на исследовательскую работу 2024 года. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и не допускает коммерческое использование.

NFNet-F1 — свёрточная нейросеть, разработанная автором Arko007 для классификации болезней сельскохозяйственных культур по изображениям листьев. Модель принимает RGB-изображение и относит его к одному из 88 классов, сочетающих культуру и заболевание, например «Tomato__late_blight» или «Wheat__yellow_rust». В карточке указано, что модель обучена с нуля на объединённом наборе примерно из 79 тысяч изображений; разрешение входа при обучении — 512 × 512 пикселей, размер модели — около 130 млн параметров. Модель предназначена для систем поддержки принятия решений в сельском хозяйстве, исследовательских сравнений и серверного инференса. Валидационные показатели из README: точность 95,40%, взвешенный F1 95,38% и macro-F1 около 88,6%. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов по той же лицензии, но запрещает коммерческое использование.

OlmoEarth v1.2 Energy Multi-Task V3 — модель плотного многозадачного анализа спутниковых снимков, дообученная разработчиком карточки на allenai/OlmoEarth-v1_2-Base. Она принимает гармонизированные данные Sentinel-2 L2A и за один проход энкодера формирует карты наличия энергетической инфраструктуры, категорий топлива электростанций, кандидатных участков солнечной и ветровой энергетики, оценок возобновляемой генерации и характеристик источников энергии центров обработки данных, а также вспомогательную оценку типа геометрии ЦОД. Модель ориентирована на исследовательский анализ объектов и энергетических характеристик в США. Это экспериментальный исследовательский чекпойнт: опубликованные значения — сырые предсказания, для которых не завершены калибровка на отложенной выборке и подбор порогов. Оценки источников энергии ЦОД не являются измеренными долями закупок или потребления; они обучались внутри известных контуров ЦОД. Обобщение за пределами США не проверено. Лицензия указана как other; производная модель включает веса OlmoEarth и подпадает под OlmoEarth Artifact License и Responsible Use Guidelines Ai2, а лицензии датасетов применяются отдельно.

OpenMed-ZeroShot-NER-BloodCancer-Tiny-60M — специализированная модель OpenMed для распознавания именованных сущностей в медицинских и биомедицинских текстах, с настройкой на термины хронического лимфоцитарного лейкоза (ХЛЛ). Она построена на архитектуре GLiNER и дообучена на корпусе CLL; размер 60 млн параметров следует из названия модели. Модель принимает текст и возвращает найденные сущности с типами. Zero-shot режим позволяет задавать типы сущностей при работе без отдельного дообучения, хотя карточка перечисляет только метку CL как тип из набора данных. Модель предназначена для извлечения понятий, связанных с ХЛЛ, из медицинских записей и научной литературы, в том числе для анализа терапии и клинических свидетельств. В README приведён F1 0,68 на тестовой выборке корпуса CLL. Указана лицензия Apache-2.0. Карточка не приводит длину контекста и подробную оценку качества на других корпусах; результаты на пользовательских типах сущностей могут зависеть от порога обнаружения.

OpenPlants Plant Identification Model — модель классификации изображений растений до уровня вида, разработанная для приложения OpenPlants. Она выполняет распознавание локально на устройстве по фотографии и рассчитана на мобильные приложения, полевые наблюдения и рабочие процессы мониторинга биоразнообразия. Модель основана на Vision Transformer ViT-Base с архитектурой ViTForImageClassification и дообучена на изображениях из GBIF и iNaturalist. В обучающую выборку вошли около 2 млн изображений примерно 14 тыс. видов; число параметров в метаданных — 113,2 млн. Каждый класс соответствует виду по таксономии GBIF. Модель принимает изображения и выдаёт метку класса. Лицензия — Apache-2.0. Точность может снижаться для редких и похожих видов, а также при плохом качестве снимка; некоторым видам для надёжного различения нужны географический контекст или репродуктивные признаки, которых модель не использует.

Qwen2.5-3B-ProxyMath-Merged — экспериментальная модель генерации текста на базе Qwen2.5-3B-Instruct, созданная для изучения адаптации языковой модели к математическим задачам при дефиците целевых данных. Разработчики дообучили модель методом LoRA на 72 000 примерах математических рассуждений из NuminaMath, затем объединили адаптер с базовой моделью. Это плотная архитектура Qwen2 с 3,1 млрд параметров; модель использует Transformers и формат safetensors, поддерживает контекст до 32 768 токенов. В карточке указан английский язык. Модель предназначена для экспериментальных исследований переноса математических навыков с близких, но не целевых данных и для проверки сценариев пошагового арифметического рассуждения. По оценке авторов, точное совпадение ответа на GSM8K улучшилось относительно базовой модели, однако гибкое извлечение ответов и результаты MMLU снизились. Для математических запросов авторы рекомендуют формат с префиксами «Q:» и «A:» и просьбой рассуждать пошагово. Модель не подходит для надёжных общих диалогов, широких фактологических запросов и задач, требующих гибкого формата ответа. Лицензия репозитория — GPL-3.0.

Это дообученная методом supervised fine-tuning модель Qwen3-1.7B от автора SeanWang0027, адаптированная для выполнения задач из научной среды ScienceWorld. Обучение использовало полные траектории эпизодов gpt-5.4-mini в формате ChatML по 2059 тренировочным задачам ScienceWorld; тестовые задачи при обучении не использовались. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 1,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Модель предназначена для диалогового текстового взаимодействия и пошагового выполнения научных задач в ScienceWorld. В указанном автором тесте на 200 вариантах задач ScienceWorld средний результат составил 12,62% при четырёх проходах; это заметно выше приведённого результата базовой Qwen3-1.7B, но ниже указанного результата онлайн-метода ROSE. Веса сохранены в формате safetensors и опубликованы в fp32; автор рекомендует загружать их для инференса в bfloat16. Сведения о лицензии в предоставленных данных отсутствуют.

Qwen3-4B Recursive SFT V3.1 — экспериментальный чекпойнт, созданный дообучением Qwen/Qwen3-4B-Base командой tawer12. Плотная причинная языковая модель примерно с 3,7 млрд параметров, контекстом 32 768 токенов и форматом safetensors; обучалась на примерах рекурсивного решения математических задач, извлечённых из ответов учителей на GSM8K. Модель генерирует текст и рассчитана на пошаговый протокол, где за один вызов возвращается одно действие; это исследовательский чекпойнт, а не универсальный чат-ассистент. Подходит для экспериментов с декомпозицией математических задач, рекурсивными вызовами компонентов и генерацией решений для школьной и конкурсной математики. В исторических оценках указаны результаты на AMC23 и MATH5000, однако автор предупреждает о проблемах оценивания: разбор ответов может отклонять эквивалентные формы, а извлечение ответа из неполного дерева — выбирать неверный фрагмент. Разложения могут порождать зависимые или неполные подзадачи, а агрегация — принимать ошибочные результаты; дочерние вызовы выполняются последовательно. Распространяется по лицензии Apache 2.0.

theostos выпустил текстовый чекпойнт Qwen3.5 Babel 4B, дообученный методом supervised fine-tuning в исследовательском проекте Babel-Formal. Модель предназначена для перевода термов доказательств в тактические скрипты между Lean и Rocq, а также для экспериментов с таким переводом. Это плотная причинная языковая модель Qwen3_5ForCausalLM с 3,4 млрд параметров и контекстом до 262144 токенов; она сохраняет языковые параметры и токенизатор исходного Qwen3.5, но не содержит весов визуального энкодера. Модель принимает и генерирует текст. Её следует использовать вместе с prompting- и verification-процессом Babel-Formal; сгенерированные скрипты необходимо проверять целевым доказателем. Распространяется по лицензии Apache-2.0.

1aurent/vit_large_patch14_224.dinobloom — визуальный backbone DinoBloom для извлечения признаков и построения эмбеддингов изображений клеток крови. Модель разработана в рамках проекта DinoBloom; в карточке она описана как основа для обобщаемых клеточных представлений в гематологии. Это Vision Transformer с патчами 14×14, размер входного изображения — 224×224 пикселя, число параметров — около 304 млн. Модель принимает изображения и выдаёт векторные признаки, которые можно использовать в последующих задачах анализа изображений. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache 2.0. Модель предназначена прежде всего для извлечения эмбеддингов клеток крови. Самостоятельная классификация или диагностические выводы в карточке не заявлены; практическое применение зависит от последующего классификатора или другого downstream-компонента.

Songline/BrainTumor_FlairClassifier — модель классификации МРТ головного мозга, разработанная Songline и дообученная на базе google/vit-base-patch16-224-in21k. Она принимает трёхмерное FLAIR-исследование в формате NIfTI (.nii или .nii.gz), анализирует 25 подходящих аксиальных срезов и усредняет вероятности для классификации случая на наличие или отсутствие опухоли. Модель построена на Vision Transformer и содержит 113,2 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для исследовательской и вспомогательной классификации случаев по FLAIR-МРТ. В README приведены результаты на небольших внутренних и внешних наборах: 29 из 30 правильных ответов на внутреннем тесте, чувствительность 16 из 20 на внешнем наборе положительных случаев UCSF-PDGM и специфичность 12 из 12 на наборе здоровых случаев HBN-SSI. Эти результаты ограничены указанными выборками и не подтверждают пригодность для клинической диагностики. Лицензия модели — MIT.

Модель разработана Tiantian Feng и предназначена для классификации шумов сердца по аудиозаписям. Она дообучена на наборе CirCor, включающем записи аускультации у 1568 участников в возрасте от 0 до 21 года; задача входит в бенчмарк ChildVox. Модель выдаёт одну из меток: Absent, Unknown или Present. Модель основана на BabyHuBERT и принимает аудио для классификации физиологических звуков. В карточке указана лицензия OpenRAIL, а использование в коммерческих целях исключено. Записи детей и физиологические данные чувствительны: при работе с ними следует соблюдать требования приватности, согласия и применимого регулирования. Модель не предназначена для клинической диагностики и скрининга, индивидуальной оценки без экспертной проверки, наблюдения или иных вторжений в частную жизнь.

lokeshcodes/clinical-sentence-model — англоязычная Sentence Transformer-модель на архитектуре BERT, дообученная на базе cambridgeltl/BioRedditBERT-uncased. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения медицинских текстов; сходство вычисляется по косинусной мере. Модель принимает текст и поддерживает последовательности длиной до 512 токенов. Модель подходит для извлечения признаковых представлений, поиска по текстам и оценки сходства предложений, в том числе в медицинских обсуждениях. Веса представлены в формате safetensors, для работы используется библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

Conformer Acoustic Landmark Detector — модель автора Mateo Camara для покадрового обнаружения акустических ориентиров в английской речи. По аудиосигналу она выдаёт вероятности для восьми типов ориентиров и фонового класса с шагом 10 мс; времена событий получают поиском пиков по классам. Модель использует Conformer-энкодер из 12 блоков с 256-мерными представлениями и классификационной головой на 9 классов. На входе — логарифмическая мел-спектрограмма с 80 полосами, рассчитанная для аудио 16 кГц; всего около 18,3 млн параметров. Чекпойнт предварительно обучен на синтетических английских словах, затем дообучен на 1 839 вручную размеченных записях. На отложенной тестовой выборке автор сообщает Macro F1 0,784 при допуске 20 мс. Модель предназначена для фонетического и фонологического анализа речи, включая локализацию переходов между звуками и смычек согласных. Она принимает аудио и выдаёт покадровые оценки классов. Лицензия — MIT. Результаты описаны для английской речи и указанной схемы разметки; пороги обнаружения настроены на валидационной выборке, а метрика зависит от допуска 20 мс.

D-BETA — модель извлечения признаков ЭКГ, представленная Hung Manh Pham, Aaqib Saeed и Dong Ma в работе «Boosting Masked ECG-Text Auto-Encoders as Discriminative Learners» (ICML 2025). Она принимает сигнал ЭКГ с 12 отведениями и длиной 5000 отсчётов и возвращает вектор признаков размерности 768 через pooler_output. Модель предназначена для получения представлений ЭКГ, которые можно использовать в последующих задачах анализа сердечно-сосудистых сигналов и обучения моделей на данных ЭКГ и текстах. Репозиторий использует PyTorch и Transformers; для загрузки README указывает transformers==4.36.2 и trust_remote_code=True. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но запрещающая коммерческое применение.

SakikoTogawa/dinov2-small-droid — дообученная визуальная основа DINOv2-small, адаптированная на изображениях манипуляций роботов из набора DROID. Модель построена на архитектуре Vision Transformer DINOv2 и содержит 28,3 млн параметров; опубликованы веса teacher backbone в формате safetensors без обучающих проекционных голов и состояния оптимизатора. Модель предназначена для извлечения признаков изображений в робототехнических экспериментах: замороженной оценки признаков, линейного зондирования, поиска похожих изображений и дальнейшего дообучения. Размер входа — 518 пикселей, размер патча — 14, скрытая размерность — 384. Для сравнения признаков README рекомендует нормализовать CLS-вектор и оценивать результаты на разделении по эпизодам относительно исходной facebook/dinov2-small. Самообучающая настройка на данных манипуляций роботов не гарантирует улучшения на любой последующей задаче. Лицензия — Apache-2.0; для использования данных DROID следует учитывать условия самого набора данных.

HuggingFaceTB/finemath-ablation-infiwebmath-3plus — языковая модель Hugging FaceTB для продолжения текста на английском языке с упором на математику. Это продолжение предобучения базовой Meta Llama 3.2 3B на подмножестве InfiMM-WebMath-3+ из набора FineMath: обучение охватывало 60 млрд токенов. Модель имеет плотную архитектуру LlamaForCausalLM, около 3,2 млрд параметров и контекст 4096 токенов. Модель подходит для математического текстового дополнения и сравнения с другими моделями, обученными в тех же условиях. Она не настроена на выполнение инструкций, поэтому не предназначена для диалогового использования в качестве универсального помощника. Лицензия — Apache 2.0.

FTP-PRUE+ EfficientNet-B7 — модель Fields of the Planet (FTP) для выделения границ сельскохозяйственных полей на спутниковых снимках PlanetScope. Это вариант с более крупным EfficientNet-B7 энкодером и декодером U-Net; модель обучена на снимках в окнах посадки и сбора урожая и принимает 8 каналов: четыре спектральные полосы для каждого из двух сезонов. Она выдаёт маску из трёх классов: фон, поле и граница. При разрешении 3 м на пиксель её применяют для картирования границ полей, а постобработка watershed позволяет восстановить полигоны отдельных участков. Модель предоставляет веса в формате safetensors и ONNX, а также чекпойнт PyTorch Lightning; для запуска рекомендован пакет segmentation-models-pytorch. В описанной оценке B7 показала более высокий Pixel IoU и качество на полях среднего размера, чем вариант B3, тогда как B3 достигла немного более высокого общего PQ при примерно в пять раз меньшем числе параметров. Модель предназначена для спутниковых данных PlanetScope и сельскохозяйственного картирования. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Genesis-4B-DEMO — экспериментальный LoRA-адаптер, созданный автором epsill0n на базе unsloth/Qwen3.5-4B. Модель предназначена для решения математических задач на македонском языке, в частности задач математических соревнований. Она использует плотную архитектуру Qwen3.5 и содержит около 3,4 млрд параметров в базовой модели; адаптер обучен в формате bf16 на 1 171 вручную проверенной паре «задача—решение» по алгебре, теории чисел, комбинаторике и арифметике. Для работы адаптер необходимо подключить к базовой модели. В README сообщается о результате 57,75% Pass@1 на македонской версии GSM8K для чекпойнта после третьей эпохи; после десяти эпох показатель снизился до 44,92%. На семи общих языковых тестах македонские способности остались на уровне базовой модели. Ограничения включают снижение качества при чрезмерном дообучении и отсутствие геометрических задач, требующих восстановления чертежей, в обучающей выборке. В README для обучения указана максимальная длина последовательности 1024 токена. Лицензия Apache-2.0.

wnkh/llava-med-v1.5-mistral-7b-hf — конвертированная и исправленная версия медицинской визуально-языковой модели LLaVA-Med v1.5 на основе Mistral-7B. Репозиторий поддерживает формат Hugging Face Transformers и прямой запуск через vLLM; архитектура — плотная мультимодальная модель LLaVA для диалога с изображениями. Модель предназначена для вопросов и ответов по медицинским и биомедицинским изображениям. Она принимает изображение вместе с текстовым запросом и генерирует текстовый ответ. Карточка указывает лицензию Apache-2.0. README отмечает, что версия исправляет проблему совместимости в предыдущей конвертации; медицинская область применения предполагает необходимость проверять ответы перед использованием.

Экспериментальная языковая модель OpenEuroLLM 9B math-RL canary, шаг 16, созданная Birger Moell на основе Neonkraft/oellm-9b-256k-theta64m-prelude-anneal300b-instruct-sft. Это плотная модель Qwen3 с 8 млрд параметров, дообученная методом DAPO с проверяемым вознаграждением за ответы на математические задачи; экспортирована целиком в BF16, а не в виде адаптера. Она предназначена для генерации решений и рассуждений по англоязычным математическим задачам, а также для исследования обучения с подкреплением на верифицируемых ответах. Обучение выполнено на 256 задачах начального уровня сложности от 1 до 3; в README приведено сравнение на процедурной выборке, которое показывает небольшое улучшение точности относительно родительской модели, но автор отдельно характеризует оценку как исследовательскую, а не независимый общий математический бенчмарк. Метаданные указывают контекст до 262 144 токенов, однако качество работы на длинном контексте не оценивалось. Модель может ошибаться, переобучаться на шаблоны и выдавать несостоятельные рассуждения; проверок безопасности, кода и агентных сценариев не заявлено. Лицензия — Apache-2.0.

PHerc.1667-iteration-1 — экспериментальная модель сегментации чернил на свитках Геркуланума, обученная командой ScrollPrize для конкурса Vesuvius Challenge. Она принимает объёмные данные свитка и предсказывает области с чернилами; эта версия обучена на сегменте l_2 с наиболее разреженной разметкой из серии абляций. Архитектура сочетает трёхмерный энкодер ResNet3D-50, инициализированный весами Kinetics-700, и двумерный декодер U-Net. Модель обрабатывает окна 256×256×62 и выдаёт карту вероятностей чернил размером 64×64; для сегмента целиком требуется скользящая обработка окон с усреднением перекрытий. Веса доступны в формате safetensors, а сохранённый контрольный файл также позволяет возобновить обучение. Модель предназначена для экспериментального обнаружения и локализации чернил в томографических объёмах древних свитков. Лицензия — MIT. Качество может зависеть от сегмента и разметки: эта итерация обучалась на сравнительно небольшом наборе из 3 396 тайлов, а результат имеет четверть исходного пространственного разрешения по двум измерениям.