IV.6Научные исследования, математика и новые материалы

Модель Glean4 на архитектуре U-Net предназначена для сегментации изображений. Она опубликована в формате safetensors и загружается через библиотеку segmentation-models-pytorch. Название репозитория указывает на задачу подсчёта шпината и на обучение с изображениями культурных растений и сорняков, однако карточка не содержит описания меток сегментации или подтверждённых метрик качества. Модель распространяется по лицензии MIT.

Это визуальный backbone для извлечения признаков из изображений, опубликованный в рамках проекта Kaiko AI Towards Large-Scale Training of Pathology Foundation Models. Модель основана на ViT-архитектуре с патчами 8×8; базовая версия содержит 86 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель предназначена для получения эмбеддингов изображений и может служить визуальным представлением для последующих задач анализа гистопатологических изображений, например классификации или поиска похожих образцов. В метаданных указана библиотека timm и формат весов safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует проверить в репозитории модели.

VityaVitalich/1pp-1.7b-ua-sft-grpo-gsm8k — экспериментальная диалоговая Llama-модель, дообученная методом GRPO на наборе математических задач GSM8K. Она продолжает обучение Raghav-Singhal/1pp-1.7b-ua-sft: проведено 100 шагов обучения с групповыми относительными преимуществами, без критика и с сохранением KL-штрафа. Модель содержит около 1,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовые запросы, генерируя текстовые ответы; контекст — до 4096 токенов. Модель рассчитана на решение математических текстовых задач и исследование влияния GRPO на качество ответов. В указанной оценке GSM8K pass@1 вырос с 0,0098 до 0,0413, а pass@16 — с 0,0882 до 0,2333; автор отмечает, что для уверенного сравнения вариантов обучения нужны результаты по нескольким случайным инициализациям. Веса опубликованы в формате safetensors и хранятся в bf16. Информация о лицензии в предоставленных данных отсутствует.

BioBERT for Adverse Drug Effect Classification — англоязычная модель классификации предложений, разработанная на основе dmis-lab/biobert-base-cased-v1.2 и дообученная для определения, описывает ли предложение нежелательный эффект лекарственного препарата. Она предназначена для разметки биомедицинских текстов, например предложений из медицинских публикаций и сообщений о нежелательных реакциях. Модель использует архитектуру BERT для классификации последовательностей, содержит 135,5 млн параметров и принимает контекст длиной до 512 токенов. Обучение проводилось на ADE Corpus V2; на тестовой выборке из 3 528 примеров карточка сообщает weighted F1 0,96 и F1 класса ADE 0,93. Модель не извлекает названия препарата или конкретного эффекта, а качество на текстах вне MEDLINE case reports может отличаться. Распространяется по лицензии Apache-2.0.

Bird-MAE-Base — аудиомодель исследовательской группы DBD, основанная на подходе Masked Autoencoder и архитектуре BirdMAEModel. Она предназначена для классификации звуков птиц, в том числе многометочной, и получения представлений аудио для последующей классификации с небольшим количеством размеченных примеров. Модель обучалась и оценивалась на биоакустическом наборе BirdSet. В README сообщается о результатах на уровне state of the art для многометочной классификации BirdSet и о преимуществе прототипического пробирования замороженных представлений перед линейным пробированием. Репозиторий содержит веса Safetensors и рассчитан на использование с Transformers. Модель принимает аудио и выдаёт предсказания классов или аудиопредставления — в зависимости от выбранного сценария работы. Язык человеческой речи для этой задачи не является основным. Результаты и область применения ориентированы на звуки птиц и BirdSet, поэтому их нельзя автоматически переносить на другие аудиодомены. Лицензия в предоставленных данных не описана.

CAD-Coder — модель генерации кода для автоматизированного проектирования, разработанная авторами работы «CAD-Coder: Text-to-CAD Generation with Chain-of-Thought and Geometric Reward», принятой на NeurIPS 2025. Она преобразует текстовые описания деталей и конструкций в исполняемые скрипты CadQuery на Python для создания параметрических 3D-моделей. Модель построена на Qwen2.5-7B-Instruct с архитектурой Qwen2ForCausalLM и дообучена в два этапа: supervised fine-tuning для изучения синтаксиса CadQuery и соответствия текста коду, затем обучение с подкреплением GRPO с наградой за геометрическую точность и корректный формат. Модель рассчитана на генерацию CadQuery-кода по естественно-языковым запросам, в том числе для сложных конструкций с пошаговым рассуждением. В метаданных указаны 7,1 млрд параметров, контекст до 32 768 токенов, библиотека Transformers и формат safetensors. Карточка приводит улучшенные показатели геометрического сходства по сравнению с Text2CAD, но конкретное качество зависит от запроса и результата исполнения кода. Для практического запуска CadQuery предлагается установить отдельно. Лицензия — Apache-2.0.

Это детектор объектов YOLOv8m от Ultralytics, дообученный автором репозитория dronefreak на Global Wheat Head Dataset в рамках DetectionBench. Модель предназначена для обнаружения и локализации колосьев пшеницы на полевых изображениях; она распознаёт один класс — wheat_head — и рассчитана на плотные сцены с перекрывающимися объектами. В README приведены результаты на тестовой выборке GWHD: mAP@50 составляет 69,55%, mAP@50–95 — 29,34%, точность — 80,69%. Модель принимает изображения и выдаёт рамки обнаруженных объектов с метками класса. Репозиторий распространяет веса в формате PyTorch через библиотеку Ultralytics; лицензия модели — AGPL-3.0. Качество на сортах пшеницы и полевых условиях, не представленных в обучающих данных, не проверено. Плотные аннотации, перекрытия и окклюзии затрудняют локализацию; модель обучена только на одном классе.

NeuroVFM MRI diagnosis model — медицинская модель классификации изображений, разработанная MLiNS Lab. Она использует модифицированную архитектуру AB-MIL с подходом «classify-then-aggregate» и обучена для многометочной классификации 74 диагнозов из клинической онтологии по данным МРТ. Обучение проводилось на 218 882 исследованиях МРТ, собранных за более чем 20 лет рутинной клинической практики в крупном академическом медицинском центре. Модель предназначена для исследовательского анализа нейровизуализации и поддержки выявления диагнозов по МРТ. Лицензия CC BY-NC-SA 4.0 допускает использование с указанием авторства и на условиях «На тех же условиях», но запрещает коммерческое применение. Модель не одобрена FDA или другим регулятором для клинического применения.

ghostsas001/oct-retina-yolo — классификатор четырёх типов снимков сетчатки, разработанный автором репозитория на базе Ultralytics YOLO. Модель принимает изображение OCT-скана и определяет один из классов: хориоидальная неоваскуляризация (CNV), диабетический макулярный отёк (DME), друзы или норма. Модель обучена на данных OCT2017: до 4 000 снимков на класс, с исключением пациентов из официальной тестовой выборки. В README сообщается о точности 96,49% и macro F1 96,51% на официальном тесте из 968 сканов. Для работы используется библиотека Ultralytics; указанный размер входного изображения при обучении и примере предсказания — 224 пикселя. Модель предназначена для исследовательской классификации OCT-снимков, а не для постановки диагноза или клинического принятия решений. Она обучена только на OCT2017, поэтому точность на данных других устройств и протоколов может снизиться; результаты основаны на одном запуске обучения без доверительных интервалов. Репозиторий распространяется по лицензии AGPL-3.0.

Экспериментальный учительский чекпойнт на базе Qwen2.5-1.5B-Instruct, обученный David Heineman с помощью GRPO в среде GaussianElimination на уровне сложности 0. Он создан для эксперимента по on-policy-дистилляции с 32 средами и содержит веса после 150 обновлений обучения. Модель представляет собой плотную авторегрессионную языковую модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса Safetensors, преобразованные из исходного чекпойнта и проверенные на соответствие именам и размерам тензоров базовой модели. Основной сценарий — генерация ответов в задачах, связанных с исключением Гаусса, в рамках исследования обучения и дистилляции. Поддерживается английский язык; лицензия — Apache 2.0.

Карточка модели Jack04810/output_40k_cont4ep на Hugging Face совпадает с карточкой Jack04810/spac_4B_spacialpe_0.08, поэтому описание составлено по ней. 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.

Palmyra-Med-70B-32K-GGUF — это квантизированная версия Palmyra-Med-70B-32K, разработанной Writer и подготовленной пользователем bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для генерации текста в медицинской, клинической, биомедицинской, фармацевтической и биологических исследовательских областях, включая ответы на вопросы и работу с профессиональными сценариями здравоохранения. Указанный язык — английский. Модель содержит 70 миллиардов параметров и поддерживает контекст длиной до 32 000 токенов. Это текстовая instruct-модель без заявленной поддержки изображений или других модальностей. Репозиторий предлагает варианты квантизации Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4_K и Q3_K, различающиеся размером файла и качеством; наиболее качественными считаются Q8_0 и Q6_K, а более компактные варианты предназначены для систем с ограниченными ресурсами. Файлы могут использоваться с llama.cpp и LM Studio. Сильными сторонами модели являются крупный размер, специализированная направленность на медицинские и биомедицинские задачи и длинный контекст. При этом README не содержит результатов бенчмарков, поэтому фактическую точность и надежность ответов следует проверять отдельно. Модель не заменяет консультацию квалифицированного специалиста, а ограничения конкретной квантизации могут влиять на качество. Лицензия указана как Writer Open Model License; использование разрешено только некоммерческим образом, если не получена отдельная лицензия от Writer.

Phikon — разработанная Owkin модель Vision Transformer Base для гистопатологии, обученная методом self-supervised learning iBOT. Она предназначена прежде всего для извлечения признаков из тайлов гистологических изображений размером 224 × 224 пикселя; архитектура в метаданных указана как ViTModel, размер — 113,2 млн параметров. Полученные признаки можно использовать для классификации рака по различным подтипам и дообучать модель под конкретные подтипы. Модель принимает изображения тканей и выдаёт векторные представления. В карточке указано предварительное обучение на 40 миллионах панканцерных тайлов, извлечённых из TCGA. Доступна по некоммерческой лицензии Owkin.

Qwen2.5-3B Math SFT Clean v2 — дообученная и объединённая версия Qwen2.5-3B-Instruct, созданная для коротких математических рассуждений с целочисленным ответом. Модель построена на плотной архитектуре Qwen2 и содержит 3,1 млрд параметров; она принимает текст и поддерживает контекст до 32 768 токенов. Типичный запрос задаёт число кратких блоков рассуждения и требует завершить ответ целым числом в формате \boxed{integer}. Модель предназначена для исследований в узкой области математических задач с коротким целочисленным ответом. В парной оценке на 831 вопросе результат версии Clean v2 был близок к базовой модели: преимущество на очищенной выборке составило 0,76 процентного пункта и не было статистически значимым в эксперименте с одной генерацией на вопрос. Эта версия устраняет заметную регрессию предыдущего запуска, но не доказывает превосходство над базовой моделью. Обучающая выборка мала и специализирована; 23 примера из оценочной совокупности вошли в обучение, а результат чувствителен к случайному seed. Модель может ошибаться в рассуждениях, не выдавать требуемый формат ответа или уверенно отвечать неверно, поэтому значимые результаты следует проверять. Чекпойнт распространяется на условиях Qwen Research License; метаданные указывают лицензию как other.

theostos выпустил контрольную точку qwen-3.5-babel-2b-sft — текстовую модель Qwen3_5ForCausalLM с 1,7 млрд параметров, полученную дообучением Qwen/Qwen3.5-2B методом supervised fine-tuning на корпусе Babel Lean/Rocq. Она предназначена для перевода термов доказательств в тактические скрипты между Lean и Rocq и рассчитана на эксперименты с формальной верификацией. Модель принимает и генерирует текст; в этой версии нет весов визуального энкодера. Контекст — до 262 144 токенов. Модель специализируется на переводе формальных доказательств и может помочь создавать скрипты для целевого доказателя. Сгенерированный код может быть синтаксически неверным или не пройти проверку, поэтому результат нужно проверять в Lean или Rocq. Это не универсальный математический оракул; также не заявлено, что загрязнение обучающих данных исключено. Лицензия — Apache-2.0.

theostos выпустил qwen-3.5-babel-9b-sft — текстовую модель Qwen3.5ForCausalLM на 7,2 млрд параметров, дообученную методом supervised fine-tuning на корпусе Babel для перевода proof terms в тактические скрипты между Lean и Rocq. Она предназначена для экспериментов с формальными доказательствами и используется как генеративная модель через Transformers; исходные языковые параметры и токенизатор Qwen3.5 сохранены, веса визуального энкодера отсутствуют. Заявленная длина контекста — 262 144 токена. Модель может предлагать скрипты Lean или Rocq по заданным proof terms, однако сгенерированный результат нужно проверять соответствующим доказателем: скрипты могут быть синтаксически некорректными или не пройти проверку. Это исследовательский чекпойнт для узкой задачи, а не универсальная система проверки математической корректности; исключение загрязнения обучающих данных не заявлено. Лицензия — Apache-2.0.

leoyinn/qwen3vl-flare25 — дообученная мультимодальная модель Qwen3-VL-4B-Instruct для анализа медицинских изображений, представленная в рамках FLARE 2025. Она принимает изображения и текстовые запросы и предназначена для классификации, многометочной классификации, обнаружения объектов, подсчёта, регрессии и генерации описаний или отчётов. Обучение охватывает восемь типов медицинских изображений: ультразвуковые снимки, рентгенограммы, изображения глазного дна, микроскопию, клинические фотографии, дерматологические изображения, эндоскопию и маммографию; карточка сообщает о 12 232 обучающих примерах из 26 наборов данных. Модель основана на плотной архитектуре Qwen3-VL с 4 млрд параметров и поддерживает диалоговый ввод с изображениями. В метаданных указан английский язык; лицензия — Apache-2.0. Результаты в README показывают улучшение относительно базовой модели для отдельных задач, но приведены не для всех заявленных сценариев. Модель специализирована для задач медицинской визуализации и не должна считаться универсальным диагностическим инструментом без независимой клинической проверки.

Модель Huyt/rice-leaf-disease-efficientnet-b0 — классификатор изображений листьев риса, разработанный на базе EfficientNet-B0 и дообученный автором с использованием timm и ImageNet-предобучения. Она определяет одно из 17 состояний листа по цветной фотографии RGB. Модель принимает изображения, преобразованные к входному разрешению 224×224 пикселя, и выдаёт классы заболеваний и нарушений риса. Модель предназначена для предварительной сортировки случаев заболеваний риса в образовательных и исследовательских сценариях. На отложенном тестовом наборе из 3984 изображений автор сообщает accuracy 0,9709 и macro-F1 0,9473; разделение выполнялось по группам листьев, чтобы изображения одного листа не попадали одновременно в обучение и тест. Для использования нужны библиотека timm и PyTorch; веса доступны в формате safetensors. Лицензия — Apache-2.0. Результаты ограничены исходным набором данных: редкие классы представлены небольшим числом примеров, а лабораторные и полевые условия съёмки связаны с классами и могут влиять на предсказания. Внешняя проверка на независимых наборах не проводилась; модель не заменяет диагностику агронома, а предсказания для других культур и новых условий съёмки ненадёжны. Класс Leaf Smut исключён из обучения.

BioMedGPT-LM-7B-GGUF — это набор файлов модели в формате GGUF для PharMolix/BioMedGPT-LM-7B, подготовленный и квантизированный MaziyarPanahi. Модель предназначена для генерации текста в биомедицинском и медицинском контексте; исходная модель имеет размер 7B параметров. Доступны варианты квантизации от 2 до 8 бит, включая Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать баланс между размером файлов, требованиями к памяти и качеством вывода. Модель поддерживает сценарии локального запуска через совместимые инструменты и библиотеки для GGUF, включая llama.cpp, text-generation-webui, LM Studio, GPT4All и llama-cpp-python. В README не указаны языки, размер контекста, точная архитектура, данные обучения или результаты оценки качества, поэтому её возможности в конкретных медицинских задачах нельзя подтвердить по представленным данным. Как и другие генеративные медицинские модели, она требует проверки результатов специалистом и не должна использоваться как самостоятельный источник клинических решений. Для модели указана лицензия Apache-2.0. Это квантизированное представление исходной модели, поэтому выбор уровня квантизации может влиять на точность и потребление ресурсов; характеристики отдельных вариантов могут различаться.

Это англоязычная модель BERT для классификации токенов, созданная дообучением Bio_ClinicalBERT из репозитория emilyalsentzer/Bio_ClinicalBERT. Она предназначена для разметки отдельных токенов в медицинских текстах, например для извлечения сущностей. Архитектура — BertForTokenClassification, размер — 135,5 млн параметров, контекст — до 512 токенов. Модель загружает текст и выдаёт метки для токенов. В README приведены результаты на тестовой выборке: F1 0,6754, точность 0,9657, precision 0,6701 и recall 0,6809. Датасет назван None, а подробности о задаче разметки и обучающих данных отсутствуют, поэтому применимость к конкретной схеме сущностей следует проверять отдельно. Лицензия — MIT.

unikei/distilbert-base-re-punctuate — модель на базе DistilBERT, разработанная для восстановления пунктуации в текстовых расшифровках медицинской и биотехнологической речи. Она принимает текст транскрипта и размечает токены, чтобы восстановить пунктуацию после распознавания речи. Архитектура — DistilBertForTokenClassification; максимальная длина контекста составляет 512 токенов. В метаданных указаны английский язык и медицинские датасеты DrugProt и NCBI Disease. Модель подходит для постобработки результатов распознавания медицинской речи и биотехнологических диктовок. Она не распознаёт аудио напрямую: на вход подаётся уже готовый текст. Лицензия — BigScience OpenRAIL-M.

HuggingFaceTB разработала эту экспериментальную модель в рамках серии абляций FineMath: это плотная авторегрессионная модель семейства Llama, полученная продолжением предобучения Llama 3.2 3B. В модели около 3,2 млрд параметров, контекст составляет 4096 токенов; веса опубликованы в формате Safetensors, лицензия — Apache 2.0. Модель обучалась продолжать текст на английском языке с уклоном в математику. В обучении использовалась смесь FineWeb-Edu, FineMath-3+ и InfiWebMath-3+; README сообщает о 160 млрд токенов, тогда как раздел характеристик указывает 60 млрд токенов и 60 тысяч шагов. Модель не проходила инструкционное дообучение, поэтому предназначена прежде всего для текстового продолжения и сравнения результатов абляционных экспериментов, а не для диалогового использования как готовый помощник. Её специализация на математических данных может быть полезна для генерации математического текста, но качество решения задач не гарантируется. Преимущественно английские обучающие данные ограничивают ожидаемую эффективность на других языках; поведение также зависит от качества и разнообразия данных и может отражать их предвзятость или вредное содержание.

Tactus — модель Eximius Labs для преобразования коротких последовательностей тактильных данных векторов давления в пространство текстовых эмбеддингов fusion-embedding-2. Она предназначена для распознавания объектов на ощупь и поиска тактильных эпизодов по текстовым запросам без отдельной классификационной головы. Вход — окна кадров с сетки 32×32 тактильных датчиков; архитектура состоит из свёрточной сети ширины ResNet-18 и проектора в 2048-мерное пространство текстовых векторов замороженной базовой модели Qwen3-VL-Embedding-2B. Обученная часть содержит около 16,2 млн параметров; базовая текстовая модель — около 2,06 млрд параметров. Модель дообучена на данных STAG: сначала выполняется предобучение методом masked autoencoder на кадрах давления, затем контрастивная настройка на текстовых описаниях захватов. В тестах на 27 категориях объектов checkpoint показал точность top-1 0,817 и top-3 0,951; результаты заметно меняются между запусками обучения. Модель рассчитана на английские текстовые запросы и конкретное семейство перчаточных датчиков STAG с сеткой 32×32; перенос на датчики другой геометрии требует дообучения, а распознавание новых категорий объектов не валидировано. Это исследовательская версия, не предназначенная для критически важных решений. Лицензия — CC BY-NC 4.0, коммерческое использование не разрешено.

H-optimus-0 — открытая фундаментальная модель для гистологии, разработанная компанией Bioptimus. Это vision transformer с 1,1 млрд параметров, обученный на собственной коллекции более чем 500 000 гистологических изображений с окрашиванием H&E. Модель принимает изображения размером 224×224, извлечённые с разрешением 0,5 мкм на пиксель, и выдаёт признаки для последующего анализа. Модель предназначена для извлечения признаков из гистологических изображений и их использования в задачах предсказания мутаций, анализа выживаемости и классификации тканей. Она распространяется в формате PyTorch, работает через библиотеку timm и доступна по лицензии Apache-2.0. В карточке отмечено, что обучающая коллекция является проприетарной; переносимость результатов за пределы гистологических изображений и указанного масштаба не описана.

Llama-3-Galen-70B-v1 — языковая модель для генерации текста, созданная слиянием предварительно обученных моделей методом DARE TIES с помощью mergekit. В качестве базовой модели указана aaditya/Llama3-OpenBioLLM-70B — англоязычная модель на базе Llama 3, дообученная для биомедицинских текстов. Модель предназначена для ответов на вопросы и анализа текстов в медицинских и биомедицинских сценариях. В README приведены результаты оценки на PubMedQA, профессиональной медицине и медицинской генетике; среднее значение по указанным задачам — 0,8594. Архитектура — плотная Llama с 69,5 млрд параметров, контекст — 8192 токена; модель поддерживает чат и принимает и выдаёт текст. Лицензия — Llama 3. Модель ориентирована на английский язык; качество для других языков не подтверждено. Как и другие генеративные медицинские модели, её ответы требуют проверки специалистом и не должны сами по себе служить основанием для клинических решений.

LOGION-base — модель семейства BERT, разработанная Чарли Коуэн-Брином, Крестоном Бруксом, Йоханнесом Хаубольдом и Барбарой Грациози. Она предназначена для восстановления пропущенных токенов в текстах на древнегреческом и других вариантах премодерного греческого языка. Модель содержит 140,1 млн параметров, использует архитектуру BertForMaskedLM и обрабатывает контекст длиной до 512 токенов. Она продолжает предварительное обучение на корпусе свыше 70 млн слов премодерного греческого, исходно опираясь на веса и токенизатор Ancient Greek BERT Прана́йдипа Сингха, обученного на материалах First1KGreek, Perseus Digital Library, PROIEL Treebank и Gorman's Treebank. LOGION-base подходит для заполнения масок и связанных с этим исследовательских сценариев обработки исторических греческих текстов; README также упоминает поиск последовательностей для нескольких маскированных токенов. Качество зависит от периода, жанра и токенизации текста. Лицензия в предоставленных данных не указана.

Technoculture/Medtulu-4x7B — языковая модель семейства Mixtral с архитектурой смеси экспертов (MoE), предназначенная для генерации текста. В README она описана как объединение моделей epfl-llm/meditron-7b, medalpaca/medalpaca-7b, chaoyi-wu/PMC_LLAMA_7B_10_epoch и allenai/tulu-2-dpo-7b; медицинская специализация первых трёх компонентов указывает на применение для медицинских текстов и вопросов. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текст, а длина контекста составляет 8192 токена. Репозиторий использует формат safetensors. Указанная лицензия — Apache-2.0. Её можно применять для ответов на медицинские вопросы и работы с медицинской литературой, однако README не содержит заполненных результатов бенчмарков, поэтому качество и надёжность ответов по этим данным оценить нельзя.

Карточка модели introvoyz041/NV-Segment-CT на Hugging Face совпадает с карточкой nvidia/NV-Segment-CT, поэтому описание составлено по ней. NV-Segment-CT — интерактивная модель сегментации трёхмерных медицинских КТ-изображений, разработанная NVIDIA. Она предназначена для разметки анатомических структур и патологий, а также для ускорения подготовки медицинских аннотаций. Модель построена на архитектуре Transformer типа SAM и использует несколько выходных голов; для сегментации требуется хотя бы одна подсказка: индекс класса, точки на изображении или оба вида подсказок одновременно. Модель принимает КТ в формате NIfTI и массивы с информацией о классах или точках, а выдаёт трёхмерную маску в формате NIfTI. Доступны режимы сегментации всего объёма, выбранного класса и интерактивной сегментации по точкам. Среди поддерживаемых классов — органы, сосуды, кости, отдельные опухоли и другие структуры. Для запуска указаны MONAI Core 1.3 и Triton; из аппаратных платформ перечислены NVIDIA Ampere и Hopper, а поддерживаемая операционная система — Linux. Модель заявлена для исследований и разработки, но не для клинического применения. Метаданные указывают лицензию other, поэтому перед использованием необходимо проверить применимые условия NVIDIA. Языковая обработка не заявлена: модель работает с медицинскими изображениями и подсказками, а не с естественным языком.

PathOrchestra V1.0.0 — фундаментальная модель для вычислительной патологии, разработанная командой AI4Pathology. Она предварительно обучена на 287 424 полноразмерных гистологических изображениях (WSI) из 21 типа тканей, полученных в трёх медицинских центрах, и предназначена для извлечения признаков из изображений тканей. Авторы оценили модель на 112 клинических задачах, включая классификацию опухолей и подтипов, выявление поражений, оценку биомаркеров и прогнозирование экспрессии генов; модель также поддерживает формирование структурированных отчётов для колоректального рака и лимфомы. Модель используется как визуальный энкодер через библиотеку timm и выдаёт признаки изображений, которые можно применять в последующих задачах анализа цифровых гистологических препаратов. В описанных авторами экспериментах точность превысила 0,950 в 47 задачах, однако эти результаты относятся к конкретным наборам данных и не гарантируют качество на других материалах. Веса доступны только для академических исследований; лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование, модификацию и распространение.

Это дообученная методом SFT языковая модель Qwen3-1.7B от SeanWang0027, настроенная на траекториях решения заданий ScienceWorld. Для обучения использованы эпизоды учителя gpt-5.4-mini по 2059 тренировочным заданиям; ответы учителя представлены в формате ChatML. Модель рассчитана на генерацию текста и диалоговое взаимодействие при решении задач в научной виртуальной среде ScienceWorld. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. В README сообщается результат 15,12% avg@4 на тестовом разделении ScienceWorld; это существенно выше указанного результата базовой Qwen3-1.7B, но ниже приведённого ориентира для онлайн-метода ROSE. Для инференса веса fp32 предлагается загружать в bfloat16. Карточка не указывает лицензию и языки обучающих эпизодов, поэтому их нельзя определить по доступным сведениям.