IV.6Научные исследования, математика и новые материалы

Pulmonary Embolism Segmentation — модель для сегментации тромбоэмболии лёгочной артерии на КТ-ангиограммах лёгочных артерий. Это переносимая версия модели Mazurowski Lab, опубликованная Yixin Zhang; архитектура — 3D Residual Encoder U-Net, обученная с помощью nnU-Net v2 и реализованная для инференса на PyTorch. Модель принимает одно-канальный объём КТ и выдаёт логиты для двух классов: фон и тромбоэмболия лёгочной артерии. Модель предназначена для исследовательских задач сегментации КТ-изображений. Размер обучающего патча составляет 224 × 320 × 320 вокселей; в README указаны параметры планирования с шагом 1,0 × 0,737 × 0,737 мм. README не приводит отдельные метрики качества и отмечает, что результаты зависят от данных и предобработки. Модель не является медицинским устройством и не предназначена для клинических решений без соответствующей валидации. Лицензия — CC-BY-NC 4.0.

theostos выпустил текстовую модель qwen-3.5-babel-0.8b-sft — исследовательский чекпойнт с supervised fine-tuning для перевода термов доказательств в тактические скрипты Lean и Rocq. Модель основана на Qwen/Qwen3.5-0.8B и использует архитектуру плотной авторегрессионной языковой модели Qwen3_5ForCausalLM; в репозитории около 581,4 млн параметров, веса сохранены в safetensors. Контекст — до 262 144 токенов. Модель предназначена для экспериментов по формализации доказательств: на вход подаются текстовые представления термов, на выходе ожидаются скрипты тактик для целевого доказательного помощника. Она специализирована на Lean и Rocq и не включает веса визуального энкодера. Сгенерированные скрипты могут быть синтаксически некорректны или не пройти проверку, поэтому результат необходимо проверять в соответствующем доказательном помощнике; модель не является универсальным оракулом математической корректности. Модель распространяется по лицензии Apache-2.0.

SapBERT-UMLS-2020AB-all-lang-from-XLMR-large — многоязычная биомедицинская модель Cambridgeltl для получения векторных представлений названий сущностей и медицинских терминов. Она основана на XLM-RoBERTa large и обучена на UMLS 2020AB с использованием SapBERT; для представления входной строки рекомендуется брать вектор токена [CLS]. Модель содержит 658,7 млн параметров, принимает текст и имеет контекстное окно 514 токенов. Модель предназначена для извлечения признаков и сравнения биомедицинских терминов между языками, например для поиска соответствий между названиями медицинских сущностей и семантического поиска. В карточке указаны многоязычность и связь с UMLS; конкретные поддерживаемые языки не перечислены. Репозиторий содержит веса PyTorch. Лицензия и ограничения на использование в README и предоставленных метаданных не описаны.

shanchen-llama3-8B-slerp-biomed-chat-chinese-GGUF — это набор GGUF-квантизаций базовой модели shanchen/llama3-8B-slerp-biomed-chat-chinese, подготовленный Featherless AI Quants. Модель предназначена для генерации текста и диалоговых сценариев, в первую очередь связанных с биомедицинской тематикой и китайским языком. Формат GGUF подходит для локального запуска в совместимых инструментах, однако конкретные поддерживаемые среды в README не указаны. В основе лежит модель семейства Llama 3 с заявленным размером 8B; также указано, что это результат slerp-объединения моделей. Модель текстовая, но сведения о точном контекстном окне, языках помимо китайского, данных обучения и результатах оценки отсутствуют. Доступны варианты квантизации Q2_K, Q3_K, Q4_K, Q5_K, Q6_K, Q8_0 и IQ4_XS размером примерно от 3 до 8 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Основные преимущества — специализированная биомедицинская направленность, диалоговый формат и широкий выбор уровней квантизации. Ограничения включают отсутствие в README подробных сведений о качестве, безопасности медицинских ответов, контексте и рекомендуемых параметрах использования; поэтому результаты не следует считать профессиональной медицинской консультацией без дополнительной проверки. Лицензия в README не указана.

SVP-V-GRPO · COCONUT GPT-2 — исследовательский чекпойнт на базе COCONUT GPT-2, дообученный методом обучения с подкреплением SVP-V-GRPO. Модель разработана для латентного непрерывного рассуждения и генерации ответов на математические задачи; в обучении использовались 383 891 пример из GSM8K-Aug. Это плотная авторегрессионная модель GPT-2 с 124 млн параметров и контекстом 1024 токена. Она принимает текстовый запрос со специальными маркерами, выполняет шесть шагов латентного рассуждения, затем генерирует обычный текстовый ответ. Для исследования использовались GSM8K, GSM-Hard, MultiArith, SVAMP, ASDiv-A и GSM-Plus; README приводит результаты точного совпадения итогового ответа, но не содержит полной таблицы результатов этого чекпойнта. Модель подходит для экспериментов с непрерывным рассуждением и решения текстовых арифметических задач. Указана лицензия MIT. При использовании требуется соблюдать специальный формат промпта и реализовать подачу скрытых состояний между латентными шагами; обычная генерация через стандартный интерфейс Transformers не описывает этот цикл полностью.

Melo1512/vit-msn-small-wbc-blur-detector — модель классификации изображений на основе Vision Transformer ViT-MSN Small, дообученная на базе facebook/vit-msn-small. Она предназначена для выявления размытых изображений белых кровяных клеток. Модель содержит 28,3 млн параметров и распространяется в формате safetensors; лицензия — Apache-2.0. На оценочном наборе указаны accuracy 0,9251 и loss 0,2045. Эти результаты относятся только к использованному набору данных; сведения о его составе и классах в карточке отсутствуют. Модель принимает изображения и выдаёт метки классификации. Данных о поддерживаемых естественных языках нет.

BioClinical-ModernBERT-base — англоязычный encoder-only ModernBERT, дообученный на биомедицинских публикациях и клинических текстах. Модель содержит 149 млн параметров, принимает текст и предназначена прежде всего для заполнения пропусков в тексте (fill-mask), а также как основа для решений в области биомедицинского и клинического NLP. Контекстное окно — до 8192 токенов. Обучение включало данные PubMed и PMC и клинические корпуса из 20 наборов данных, собранных из разных учреждений, областей и географических регионов. Это обеспечивает специализацию на клинической и биомедицинской лексике и позволяет обрабатывать более длинный контекст, чем у многих прежних клинических encoder-моделей. Модель распространяется в форматах PyTorch и safetensors через библиотеку Transformers. Лицензия — MIT.

BioLORD-2023 — модель эмбеддингов для клинических предложений и биомедицинских понятий, разработанная авторами BioLORD. Она основана на sentence-transformers/all-mpnet-base-v2 и дообучена на BioLORD-Dataset и определениях из AGCT, сгенерированных большой языковой моделью. Архитектура MPNet содержит 136,7 млн параметров; модель преобразует предложения и фразы в плотные векторы размерности 768. Контекст — до 514 токенов. Модель предназначена для оценки семантического сходства медицинских текстов и биомедицинских понятий, семантического поиска и кластеризации клинических записей. Определения и описания понятий из биомедицинских онтологий помогают ей формировать представления, отражающие смысл и иерархические связи; в README заявлены лучшие результаты на MedSTS и EHR-Rel-B. Также может создавать эмбеддинги текстов общего назначения, но наиболее полезна для медицинских документов, электронных медицинских карт и клинических заметок. Модель принимает текст на английском языке и выдаёт векторные представления; указана поддержка sentence similarity и feature extraction. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверить на странице модели.

Карточка модели SlimTse/BioLORD-2023 на Hugging Face совпадает с карточкой FremyCompany/BioLORD-2023, поэтому описание составлено по ней. BioLORD-2023 — модель эмбеддингов для клинических предложений и биомедицинских понятий, разработанная авторами BioLORD. Она основана на sentence-transformers/all-mpnet-base-v2 и дообучена на BioLORD-Dataset и определениях из AGCT, сгенерированных большой языковой моделью. Архитектура MPNet содержит 136,7 млн параметров; модель преобразует предложения и фразы в плотные векторы размерности 768. Контекст — до 514 токенов. Модель предназначена для оценки семантического сходства медицинских текстов и биомедицинских понятий, семантического поиска и кластеризации клинических записей. Определения и описания понятий из биомедицинских онтологий помогают ей формировать представления, отражающие смысл и иерархические связи; в README заявлены лучшие результаты на MedSTS и EHR-Rel-B. Также может создавать эмбеддинги текстов общего назначения, но наиболее полезна для медицинских документов, электронных медицинских карт и клинических заметок. Модель принимает текст на английском языке и выдаёт векторные представления; указана поддержка sentence similarity и feature extraction. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверить на странице модели.

BioQwen-0.5B — компактная двуязычная модель для биомедицинских задач, разработанная автором репозитория liyinghong. Она предназначена для генерации текста и диалогового взаимодействия в сценариях, связанных с биомедициной. Модель построена на архитектуре Qwen2, содержит 494 млн параметров и поддерживает контекст до 131 072 токенов. README характеризует её как высокопроизводительную модель для нескольких биомедицинских задач, однако конкретные задачи и результаты оценки не описаны. Модель принимает текст и генерирует текст; заявлены английский и китайский языки. Веса опубликованы в формате Safetensors, лицензия — MIT. По имеющейся карточке нельзя судить о качестве на конкретных медицинских задачах; медицинские ответы требуют проверки специалистом.

causal-1 — модель frontal-labs для причинного вывода на синтетических данных. Это амортизированная нейронная структурная причинная модель с 26 119 098 параметрами: она принимает граф причинных связей как вход и выполняет явное структурное моделирование без языковой модели. Поддерживаются DAG до 32 переменных; заявленный сценарий применения — хорошо заданные системы до 20 переменных. Общие веса позволяют обрабатывать структуры графов, не встречавшиеся при обучении. Модель предназначена для исследовательских задач на синтетических или корректно специфицированных системах: оценки интервенционных распределений P(Y | do(X=x)), средних и индивидуальных эффектов воздействия, а также контрфактических исходов для отдельных единиц. Карточка указывает лицензию Apache-2.0. На синтетических отложенных мирах модель показывает умеренную ошибку оценивания эффектов и сохраняет калибровку неопределённости в пределах обучающего распределения. На реальных наблюдательных данных она может давать сильно смещённые, уверенно неверные оценки: на IHDP ошибка ATE составляет около пятнадцати стандартных отклонений, а на биологических данных Sachs поиск структуры уступает простой корреляции. Неопределённость не предупреждает о таком сдвиге распределения. Не следует применять модель для причинных оценок на реальных наблюдательных исследованиях или для поиска структуры на реальных биологических данных.

Professor/CGIAR-Crop-disease — модель классификации изображений, дообученная на базе gianlab/swin-tiny-patch4-window7-224-finetuned-plantdisease. Она использует архитектуру Swin Transformer и содержит около 33 млн параметров. Модель предназначена для классификации изображений растений по категориям болезней и здорового состояния; базовая модель ориентирована на листья томата, картофеля и сладкого перца. На оценочном наборе указаны точность 69,64% и функция потерь 0,7438. Эти результаты не описывают состав набора данных или качество на других культурах и условиях съёмки. Модель опубликована в формате safetensors под лицензией Apache-2.0.

CONCH (CONtrastive learning from Captions for Histopathology) — мультимодальная модель-энкодер для вычислительной патологии, разработанная Mahmood Lab AI for Pathology при Harvard/BWH. Она обучена на 1,17 млн пар изображений гистопатологических образцов и текстовых описаний. Архитектура включает визуальный энкодер ViT-B/16 на 90 млн параметров и текстовый энкодер L12-E768-H12 на 110 млн параметров. Модель предназначена для получения представлений изображений тканей и связанных с патологией текстов. Её используют для классификации областей интереса и whole-slide images, поиска соответствий между изображениями и текстом, а также для задач классификации с линейным или kNN-пробированием, дообучением и MIL. По карточке, CONCH может быть полезна для работы с окрашиваниями, отличными от H&E, включая IHC и специальные окрашивания. Публичная версия сохраняет веса текстового и визуального энкодеров, но веса мультимодального декодера удалены; поэтому генерация подписей недоступна в опубликованном наборе весов. Модель ориентирована на исследовательское применение в патологии. Лицензия CC-BY-NC-ND-4.0, доступ к весам требует принятия условий и одобрения запроса.

HuggingFaceTB/finemath-ablation-infiwebmath-4plus — экспериментальная языковая модель Hugging Face, полученная продолжением предобучения Meta Llama 3.2 3B на подмножестве InfiMM-WebMath-4+ датасета FineMath. Модель с плотной архитектурой LlamaForCausalLM содержит 3,21 млрд параметров, использует токенизатор Llama 3 и имеет контекст 4096 токенов. Обучение охватило 60 млрд токенов на английских математических данных. Модель предназначена для продолжения текста на английском языке с уклоном в математику и для сравнения с другими моделями абляционного эксперимента, обученными в тех же условиях. Она не проходила инструкционную настройку, поэтому не рассчитана на надёжное следование командам или формат диалога. Доступна в формате safetensors, лицензия — Apache-2.0. Возможности на других языках могут быть ограничены; ответы зависят от качества и разнообразия обучающих данных и могут отражать их смещения или вредоносное содержание.

RF-DETR Nano — компактный детектор объектов на базе RF-DETR, дообученный автором репозитория dronefreak на Global Wheat Head Dataset в рамках DetectionBench. Модель предназначена для обнаружения и локализации колосьев пшеницы на полевых изображениях; её единственный класс — wheat_head. Для воспроизводимого сравнения детекторов модель обучалась и оценивалась по стандартному конвейеру DetectionBench. На тестовой выборке GWHD указаны mAP@50 53,82% и mAP@50–95 19,65%. Модель принимает изображения и выдаёт классы и рамки объектов. Детектор рассчитан на плотные сцены, где на изображении может быть много близко расположенных и частично перекрытых колосьев. Качество зависит от страны, сорта пшеницы, стадии роста и условий съёмки; например, mAP@50 в приведённой разбивке по странам составляет 35,4% для Австралии и 79,78% для Китая. Результаты на не представленных в обучающей выборке условиях не проверены. Модель распространяется по лицензии Apache-2.0; в README отдельно указана лицензия CC BY 4.0 для датасета.

HeAR — модель акустических представлений для медицинских звуков, разработанная Google. В этом репозитории размещена эквивалентная реализация PyTorch модели, впервые выпущенной в формате TensorFlow SavedModel. Архитектура основана на ViT-L и использует трансформерный Masked Auto Encoder, предварительно обученный без учителя на большом корпусе медицинских аудиозаписей. Модель кодирует двухсекундные фрагменты кашля, дыхания и других неречевых респираторных звуков в эмбеддинги. Их можно использовать как признаки для разработки и исследования downstream-моделей скрининга и мониторинга заболеваний дыхательной системы, оценки функции лёгких и поиска акустических биомаркеров. HeAR сама не выдаёт диагнозы или прогнозы. Репозиторий содержит веса PyTorch; лицензия указана как other. Среди заявленных сильных сторон — устойчивость downstream-моделей к различиям между записывающими устройствами и эффективность при ограниченном объёме размеченных данных. Модель рассчитана на короткие аудиофрагменты, слишком велика для развёртывания непосредственно на устройстве, а качество результатов может зависеть от демографических особенностей данных, качества записи и фонового шума. Прикладные системы на её основе требуют проверки на данных, репрезентативных для предполагаемого использования.

ETH Zurich Computer Vision and Geometry Lab представляет LightGlue, вариант модели сопоставления локальных признаков, обученный на признаках DISK. Модель принимает признаки ключевых точек для пары изображений и предсказывает соответствия и оценки уверенности, отбрасывая точки, которые не удаётся сопоставить. Это компонент компьютерного зрения для сопоставления изображений и задач многовидовой геометрии. LightGlue адаптирует вычисления к сложности пары: может завершать обработку раньше и исключать неподходящие точки на промежуточных этапах. В README указана пригодность для приложений реального времени, например SLAM и Structure-from-Motion; в качестве примеров также приведены оценка гомографии и позы камеры. Для сопоставления изображений модель используют вместе с детектором признаков, например DISK или SuperPoint. В метаданных указаны 5,9 млн параметров, архитектура LightGlue и формат safetensors; README также упоминает зависимость от kornia и совместимость с transformers до версии 5.4.0. Лицензия Apache 2.0. Модель предназначена для сопоставления признаков и может не подходить для распознавания объектов или классификации изображений.

modrill выпустила контрольную фиксацию Math NoThink на базе Olmo-3-1025-7B для переноса task vector в эксперименте, заявленном для ICLR 2027. Это плотная авторегрессионная языковая модель с 6,9 млрд параметров и контекстом до 65 536 токенов; в репозитории доступны объединённые веса и LoRA-адаптер. Модель предназначена для генерации ответов на математические задачи без развёрнутого рассуждения. В README приведён результат 38 из 240 на наборе AIME 2024 и 2025 с несколькими seed; базовая модель в том же запуске набрала 24 из 240. Эти результаты относятся к указанной автором оценке и не гарантируют аналогичного качества на других задачах. Модель работает с текстом через Transformers и опубликована под лицензией Apache-2.0. Карточка описывает исследовательскую фиксацию и экспериментальный рецепт; заявленное назначение ограничено математической генерацией без рассуждений.

MedVision-V0-7B — мультимодальная модель для количественного анализа медицинских изображений, разработанная Yongcheng YAO и дообученная на наборе MedVision на основе Qwen/Qwen2.5-VL-7B-Instruct. Модель с архитектурой Qwen2.5-VL содержит 7,1 млрд параметров и принимает изображения вместе с текстовыми инструкциями; контекст составляет до 128 000 токенов. Модель выполняет обнаружение анатомических структур и патологических изменений с выдачей координат рамок, оценку размеров опухолей и поражений по большой и малой осям, а также измерение углов и расстояний между ориентирами. Для расчётов в физических единицах использует размеры изображения и шаг пикселя, переданные в запросе. Предназначена для количественных измерений на медицинских изображениях; карточка описывает ответы в заданном формате и использование специального шаблона запроса. Модель работает с изображениями и текстом на английском языке. Для измерений важно передавать размеры изображения и шаг пикселя после внутреннего изменения размера изображения; обнаружение использует относительные координаты и не требует шага пикселя. Модель распространяется по лицензии CC BY 4.0.

birgermoell/oellm-9b-math-rlvr-phase-a-32step-experimental — экспериментальный чекпойнт OpenEuroLLM, созданный автором репозитория как продолжение обучения математическим задачам. Это плотная причинно-языковая модель Qwen3 примерно на 8 млрд параметров, дообученная на 32 дополнительных шагах DAPO/RLVR с проверяемой наградой за математический ответ. Она предназначена для генерации решений и ответов на многоязычные математические задачи; основная обучающая выборка включала задачи на 23 официальных языках ЕС и небольшой английский набор. В замороженной оценке на процедурных математических задачах на нескольких языках результат вырос с 36,33% у исходного чекпойнта до 38,87%; на внешнем диагностическом наборе DAPO-Math улучшение не было подтверждено. Это ограниченный эксперимент, а не свидетельство общего превосходства в математике или готовности к промышленному применению. Хотя архитектура поддерживает контекст до 262 144 токенов, данный прогон обучения использовал ограничение упаковки в 3 072 токена, поэтому качество на длинном контексте не установлено. Модель распространяется в формате safetensors/BF16 по лицензии Apache-2.0.

Карточка модели menik1126/ovd-math-1-data-random-step500-historical на Hugging Face совпадает с карточкой menik1126/OVD-Math-1-data-RS-Step500-Historical, поэтому описание составлено по ней. OVD-Math-1-data-RS-Step500-Historical — чекпойнт исторического эксперимента из коллекции OVD, созданный на основе Qwen/Qwen2.5-Math-1.5B. Модель с архитектурой Qwen2 и 1,5 млрд параметров дообучена на одном наборе данных; обозначение step 500 указывает на сохранённый этап эксперимента. Репозиторий содержит веса для Transformers в формате safetensors и токенизатор. Модель предназначена для генерации текста и математических решений. Базовая Qwen2.5-Math-1.5B рассчитана на математические задачи на английском и китайском языках; контекст модели — до 4096 токенов. Это исторический экспериментальный чекпойнт, поэтому его качество и пригодность для практических задач отдельно не подтверждены. Лицензия в предоставленных данных не указана.

PhonoQ 2.0 English — модель распознавания фонологических признаков английской речи по кадрам. Она выдаёт условное представление из 22 признаков и вероятности для способа образования звука, высоты и ряда гласного, места образования и звонкости. Модель предназначена для анализа речевого сигнала и получения временно выровненных фонологических характеристик, например для изучения произношения или построения систем фонетического анализа. Модель реализована на базе Transformers с архитектурой PhonoQForFeatureRecognition и принимает аудио. Для загрузки требуется пользовательский код Transformers с параметром trust_remote_code=True. В репозитории также есть best.ckpt для совместимости с PhonoQ CLI. Лицензия и размер модели в предоставленных данных не указаны.

QuiltNet-B-16 — мультимодальная модель CLIP ViT-B/16, обученная на наборе Quilt-1M с изображениями и текстом по гистопатологии. Разработчики позиционируют её как исследовательскую модель для изучения возможностей и ограничений компьютерного зрения в этой области. Модель сопоставляет изображения с текстовыми описаниями и подходит для классификации изображений без дообучения по заданным текстовым меткам, а также для поиска по изображениям и текстам. Её можно адаптировать для классификации гистологических изображений и использовать в исследованиях мультимодальных моделей. Основной язык текстовых запросов — английский. Модель выпущена под лицензией MIT. Она не предназначена для развёрнутого применения; результаты требуют тщательной проверки на конкретных данных и фиксированной системе классов. Модель не заменяет медицинскую консультацию, а её выводы не следует использовать как медицинские рекомендации.

yyuan244 выпустил дообученную за одну эпоху версию Qwen3-8B для спекулятивного рассуждения. Модель генерирует продолжение решения и может передать отдельный фрагмент на параллельную проверку: если результат проверки совпадает с предположением, рассуждение продолжается, а при несовпадении модель получает фактический результат и возобновляет решение. Для такого режима рантайм должен распознавать специальные токены передачи управления и останова. Это плотная причинная языковая модель семейства Qwen3 с 7,6 млрд параметров, форматом safetensors и контекстом до 40 960 токенов. Карточка демонстрирует её на математических задачах: в описанной оценке MathEval итоговая точность составила 66,97% против 68,78% у базовой Qwen3-8B. В этом эксперименте критический путь занял на 2,3% больше токенов, чем последовательное решение базовой моделью, поэтому выигрыш во времени не подтверждён. Модель предназначена для экспериментов с параллельной проверкой промежуточных шагов в математических рассуждениях; это не готовый механизм ускорения без совместимого рантайма. Для вывода требуется отключить пропуск специальных токенов и настроить токен останова согласно README. Модель дообучена на наборе polaris-easy2k-qwen3-8b-speculative-sft и распространяется по лицензии Apache-2.0.

SapBERT-XLMR — многоязычная биомедицинская модель для получения векторных представлений названий сущностей. Её разработали в Cambridge Language Technology Lab; модель обучена на данных UMLS 2020AB и основана на XLM-RoBERTa. Для представления входной строки рекомендуется использовать вектор токена [CLS]. Модель предназначена для извлечения эмбеддингов медицинских и биомедицинских терминов, в том числе для сопоставления названий сущностей между языками. Она содержит 305,2 млн параметров, принимает текст и выдаёт векторные представления; контекстное окно составляет 514 токенов. В карточке указана поддержка нескольких языков, но конкретный перечень не приведён. Модель подходит для семантического поиска и сопоставления терминов UMLS. Карточка не описывает ограничения точности или клиническую валидацию; результаты не следует трактовать как медицинские рекомендации. Лицензия в предоставленных данных не указана.

SONARINTEL — модель компьютерного зрения для обнаружения объектов и аномальных контактов на изображениях бокового сканирования сонара (Side-Scan Sonar). В карточке описаны архитектура YOLO11M для основной модели и уменьшенная YOLO11N, полученная дистилляцией знаний. Для входных изображений указаны размер подготовки 640 × 640 и пять классов подводных целей, включая крабовые ловушки, подводные трубопроводы и затонувшие суда. Модель предназначена для анализа сонарных изображений при поиске морского мусора, сетей-призраков, затонувших объектов и трубопроводов, а также для подводных инспекций и выявления аномалий. YOLO11M имеет экспорты ONNX FP32 и FP16; уменьшенная YOLO11N предлагается как вариант для более лёгкого развёртывания. Валидационные результаты приведены для отдельных запусков учителя и ученика, поэтому напрямую сравнивать их следует с учётом различий в настройках оценки. Точность может снижаться при отличиях датчика, условий съёмки, качества изображения, уровня шумов и характеристик целей от обучающих данных; возможны ложные срабатывания и пропуски. Автор позиционирует систему как средство поддержки анализа с проверкой специалистом и не рекомендует полагаться на неё как на единственное основание для решений, критичных для безопасности или навигации. Сведения о лицензии в предоставленных данных отсутствуют.

Jack04810 разработал spac_4B_spacialpe_0.08 — плотную авторегрессионную модель Qwen3ForCausalLM размером 3,8 млрд параметров, дообученную на Qwen3-4B для понимания и генерации 3D-сеток в конвейере SPAC с Spatial-PE. Обучение продолжало чекпойнт output_40k_cont2ep ещё четыре эпохи на 40 тысячах парных примеров: 20 тысяч преобразований последовательности токенов сетки в текстовое описание и 20 тысяч преобразований описания формы в последовательность токенов сетки. Модель принимает текст и токены 3D-сетки, а выдаёт текстовые описания или последовательности токенов сетки. Для запуска требуется обёртка инференса SPAC с spatial_pe_scale 0.08 и таблицей слияния из Jack04810/spac-qwen3-4b-spatial-pe-8ep. Контекст — 40 960 токенов. В карточке указана лицензия other, поэтому конкретные условия использования следует сверить с файлами репозитория.

Это экспериментальный чекпойнт Qwen3-4B, дообученный Sean Wang методом Online ROSE на продолжениях, сгенерированных учителем Qwen3-32B. Обучение использовало 15 368 задач соревновательной математики из набора polaris_hard: студент получал собственный префикс длиной 4096 токенов, а функция потерь применялась только к токенам продолжения учителя. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров, принимает текст и выдаёт текст; заявленный родной контекст — 40 960 токенов. Карточка указывает английский язык, библиотеку Transformers и формат safetensors. Чекпойнт предназначен для экспериментов с генерацией и рассуждениями на математических задачах. В карточке сообщается, что за 240 шагов целевая метрика практически не изменилась, 87,7% параметров совпадают с базовой моделью побитно, а внешняя оценка качества не проводилась. Поэтому нет оснований считать его улучшением Qwen3-4B; результаты следует сравнивать с базовой моделью в одинаковых условиях. Лицензия — Apache-2.0.

XIV AI разработала лёгкую модель для решения полиномиальных уравнений 1–4-й степени по исходной строке с коэффициентами и переменными. Это двухслойная двунаправленная GRU-сеть с MLP-головой регрессии; она обучена на более чем миллионе синтетических уравнений и предсказывает до четырёх действительных корней без внешней системы компьютерной алгебры. Репозиторий содержит варианты в форматах Safetensors, ONNX и GGUF; README также описывает использование через ONNX Runtime. Модель предназначена для решения линейных, квадратных, кубических и уравнений четвёртой степени в учебных и экспериментальных сценариях. Поддерживаются английская, польская и русская записи. По README, лицензия — MIT; метаданные Hugging Face указывают CC-BY-NC-4.0, поэтому условия распространения следует уточнить по актуальным файлам лицензии репозитория. Результаты — численные приближения, а не точные символические решения. Наилучшая работа заявлена для корней в диапазоне от −20 до 20; комплексные корни, кратность корней и уравнения степени выше четвёртой не поддерживаются. В README приведены метрики на тестовой выборке из 100 уравнений, поэтому они не гарантируют качество на произвольных входах.

Ultrasound EDM2 XL + S Autoguidance — генеративная модель для создания синтетических изображений ультразвукового исследования плода высокого разрешения. Она представлена в работе «A Foundational EDM2-Based Generative Model for High-Resolution Synthetic Fetal Ultrasound Imaging from Open Datasets»; в репозитории размещены EMA-веса вариантов XL и S. При генерации модель XL использует вариант S как сеть автосопровождения. Модель предназначена для получения изображений fetal ultrasound из открытых наборов данных, например для исследовательских экспериментов с синтетическими медицинскими изображениями. Веса опубликованы в формате PyTorch. Лицензия указана как other; конкретные условия использования следует уточнять в материалах репозитория и самой работы.