IV.6Научные исследования, математика и новые материалы

OpenMed-NER-ChemicalDetect-SuperClinical-434M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученный трансформер DeBERTa-v2 для классификации токенов; README указывает базовую архитектуру deberta-v3-large, а метаданные — DebertaV2ForTokenClassification с 533,8 млн параметров. Модель принимает токенизированный текст и возвращает BIO-разметку химических соединений и веществ, используя метки B-CHEM и I-CHEM. Контекст ограничен 512 токенами; заявленный язык — английский. Модель предназначена для извлечения химических упоминаний из научных публикаций, клинических записей и других медицинских документов. Среди подходящих сценариев — поиск лекарственных веществ в записях пациентов, мониторинг нежелательных явлений и анализ литературы для разработки лекарств. В README заявлены F1 0,95, точность 0,94 и полнота 0,95 на BC4CHEMD; эти показатели приведены авторами карточки. Модель распространяется по лицензии Apache-2.0. Карточка не описывает ограничения применимости результатов в клинических решениях.

Карточка модели etiennebamas/qwen3-lr-2-e-5 на Hugging Face совпадает с карточкой formalmathatepfl/qwen3-sft-feedback-with-proof-repair, поэтому описание составлено по ней. Qwen3-2e5 — диалоговая языковая модель семейства Qwen3, разработанная formalmathatepfl и дообученная на наборе SFT на основе formalmathatepfl/qwen3-cpt. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовые запросы, генерируя текстовые ответы. Длина контекста — до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. Название репозитория указывает на обратную связь и исправление доказательств, но README не раскрывает конкретные сценарии, состав обучающих данных или результаты оценки. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели.

syscv-community публикует SAM-HQ ViT-Huge — вариант Segment Anything Model с улучшенным качеством сегментационных масок. Модель сохраняет prompt-дизайн SAM и использует Vision Transformer; дополнительные компоненты — обучаемый HQ Output Token в декодере масок и слияние глобальных и локальных признаков. По карточке, обучение проводилось на 44 тысячах детализированных масок, а число дополнительных параметров составляет менее 0,5% от исходной SAM. Модель предназначена для генерации масок объектов по изображению и подсказкам в виде точек, рамок или масок, а также для автоматической генерации масок с помощью сетки точек. Она особенно полезна для объектов со сложными границами и тонкими структурами, подходит для автоматической разметки и редактирования изображений и видео; карточка также сообщает о сохранении обобщения на новые наборы данных без дообучения. Текстовые подсказки официальной реализацией не поддерживаются. Репозиторий предоставляет веса в формате safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

Skywork-OR1-Math-7B-GGUF — набор GGUF-квантизаций математической reasoning-модели Skywork-OR1-Math-7B, разработанной командой Skywork в рамках серии Skywork Open Reasoner 1. Исходная модель дообучена на базе DeepSeek-R1-Distill-Qwen-7B с применением крупномасштабного обучения с подкреплением на основе правил, используя 110 тысяч проверяемых математических задач и 14 тысяч вопросов по программированию. Модель предназначена прежде всего для решения математических задач, пошагового рассуждения и ответов на вопросы по программированию. Она относится к текстовым моделям генерации, поддерживает английский язык и доступна в вариантах с квантизацией от 2 до 16 бит, размером примерно от 2,9 до 15,3 ГБ. В репозитории не указаны точный размер контекста и дополнительные модальности. Для запуска подходят llama.cpp, llama-cpp-python, LM Studio и Ollama. Сильной стороной модели является специализация на математическом рассуждении: заявлены результаты 69,8 на AIME24 и 52,3 на AIME25, превосходящие приведённые сопоставимые модели того же размера. Разные уровни квантизации позволяют выбирать между качеством и требованиями к памяти; рекомендуемым балансом названа версия Q5_K_M. При снижении разрядности возрастает компромисс между размером, требованиями к VRAM и качеством ответов. Лицензия указана как Qwen License, при этом в метаданных репозитория также обозначено значение license: other.

EMBO разработала SODA-VEC с функцией потерь VICReg Exact для получения векторных представлений биомедицинских текстов. Модель основана на ModernBERT-base с 149 млн параметров; она кодирует текст в L2-нормированные эмбеддинги размерности 768 с помощью усреднения представлений токенов. Контекст модели — до 8192 токенов. Модель предназначена для семантического поиска и оценки сходства научных текстов в биомедицине и науках о жизни. Она обучена на 26,5 млн пар заголовков и аннотаций из PubMed Central и оценивалась на задачах поиска, сопоставления текстов и различения научных областей. Лицензия — Apache-2.0.

BGE Small Structural Separator — компактная текстовая модель на архитектуре BERT, разработанная для структурно-разделённого поиска научных документов. Она дообучена на основе BAAI/bge-small-en-v1.5: изменена только строка входных эмбеддингов токена [unused2], остальные параметры сохранены. Модель содержит 40 млн параметров и рассчитана на контекст до 512 токенов. При подготовке документа токен [unused2] добавляют перед непустым заголовком и каждым предложением, разделённым пунктуацией. Документ кодируется в нормализованный CLS-вектор, а запрос — обычным способом; поиск выполняется по косинусному сходству эмбеддингов. Модель предназначена для плотного поиска, в частности по научным текстам. В заявленном авторами тесте BEIR8 прирост macro NDCG@10 составил 0,012705 относительно исходной BGE-модели, однако расширенная оценка MTEB не подтвердила широкого переноса улучшения. Для использования доступны Transformers и AutoModel/AutoTokenizer. Лицензия — MIT. Ограничения: контекст ограничен 512 токенами; результаты улучшения ограничены структурно подходящими задачами BEIR8, а на шести задачах расширения MTEB macro NDCG@10 снизился на 0,011038.

BioM-ELECTRA-Large-SQuAD2 — биомедицинская модель для ответов на вопросы, созданная авторами BioM-ELECTRA. Это BioM-ELECTRA-Large, предварительно обученная на аннотациях PubMed и дообученная на SQuAD 2.0; архитектура — плотный ELECTRA с 432,2 млн параметров, формат весов — PyTorch, максимальный контекст — 512 токенов. Модель предназначена для поиска ответов в предоставленном тексте, особенно в биомедицинских материалах, и для задач, подобных BioASQ. В README сообщаются результаты на SQuAD 2.0 dev: F1 87,49 и exact match 84,33; авторы также указывают, что TensorFlow-реализация с послойным затуханием скорости обучения показала иные результаты, поэтому цифры разных реализаций напрямую не сравнимы. Модель принимает текст вопроса и контекста и возвращает текст ответа либо указывает на отсутствие ответа. Лицензия в доступных данных не указана.

MathCoder2-DeepSeekMath-7B-GGUF — это GGUF-квантизированная версия модели MathGenie/MathCoder2-DeepSeekMath-7B, подготовленная пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста в задачах, связанных с математикой и программированием; в метаданных указаны конвейер text-generation, математическая тематика, датасет MathGenie/MathCode-Pile и английский язык. В основе лежит модель размером 7B параметров, доступная в форматах от F16 до различных вариантов квантования Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 3,14 до 13,83 ГБ, что позволяет выбирать между качеством генерации и требованиями к памяти. Для локального запуска рекомендуются LM Studio и совместимые инструменты llama.cpp. Контекст, точная архитектура, мультимодальность и специальный формат промптов в README не указаны. Сильной стороной являются многочисленные варианты квантования, включая версии, оптимизированные для ARM, а также варианты с заявленным высоким качеством, близким к исходной модели. Более сильное квантование уменьшает требования к памяти, но может снижать качество ответов; низкобитные варианты характеризуются как менее качественные. Модель распространяется по лицензии Apache-2.0.

MInstDolphin29mathM-7B-v0.3 — языковая модель на 7,1 млрд параметров, созданная слиянием моделей Mistral-Instruct-dolphin-7B и mathstral-Mistral-7B методом SLERP с помощью mergekit. Она предназначена для генерации текста в диалогах и решения математических задач. Модель использует плотную архитектуру Mistral с причинным языковым моделированием, принимает текст и выдаёт текст; максимальная длина контекста составляет 32 768 токенов. Модель доступна в формате safetensors для библиотеки Transformers. В карточке не указаны лицензия, языки и конкретные результаты оценки качества, поэтому их нельзя установить по имеющимся данным.

OpenMed разработала OpenMed-NER-ChemicalDetect-BioClinical-108M — специализированную модель распознавания химических сущностей в биомедицинских текстах. Это дообученная Bio_ClinicalBERT на архитектуре BERT с 135,5 млн параметров; модель принимает токенизированный текст и выдаёт BIO-разметку для сущностей B-CHEM и I-CHEM. Контекст ограничен 512 токенами. Модель предназначена для извлечения названий химических соединений и веществ из научной литературы, клинических записей и медицинских документов. Её можно применять для поиска лекарств в записях пациентов, мониторинга нежелательных явлений, анализа литературы в фармакологии и построения биомедицинских графов знаний. В README заявлены обучение на BC4CHEMD и F1, precision и recall по 0,94, accuracy 0,98; эти показатели относятся к описанной в карточке оценке и не гарантируют аналогичный результат на других данных. Лицензия — Apache-2.0.

OpenMed-NER-PharmaDetect-ElectraMed-109M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученный трансформер для NER: он присваивает токенам BIO-метки B-CHEM и I-CHEM, чтобы выделять названия химических соединений, лекарств и терапевтических веществ. Модель ориентирована на тексты медицинских документов и научных публикаций, в частности на задачу BC5CDR_CHEM. Модель использует архитектуру BERT для классификации токенов, содержит 136,7 млн параметров и обрабатывает контекст длиной до 512 токенов. README приводит оценки на BC5CDR-Chem: F1 0,95, точность 0,95, полноту 0,96 и accuracy 0,98. Среди сценариев применения — извлечение лекарств из записей пациентов, мониторинг нежелательных явлений и поиск химических соединений в научной литературе. Модель выпущена под лицензией Apache-2.0.

SAM-HQ (Segment Anything in High Quality) — модель компьютерного зрения, представленная в репозитории syscv-community и основанная на архитектуре Segment Anything Model. Она создаёт высококачественные маски объектов по изображению и подсказкам: точкам, ограничивающим рамкам или маске; также поддерживает автоматическую генерацию масок без целевого текстового описания. Модель рассчитана на точную сегментацию объектов со сложными границами и тонкими структурами, автоматическую разметку изображений и задачи редактирования изображений или видео. В основе лежит ViT-архитектура SAM с обучаемым токеном высококачественного вывода и слиянием глобальных и локальных признаков. Эти изменения улучшают детализацию масок при небольшом увеличении числа параметров относительно исходной SAM. Модель обучали на наборе HQSeg-44K и оценивали на нескольких задачах сегментации, включая перенос без дообучения. Доступны веса в формате safetensors для Transformers. Ввод текста для выбора объекта не поддерживается, поэтому объект нужно указать визуальной подсказкой либо использовать автоматическую генерацию масок. Модель распространяется по лицензии Apache-2.0.

hongccccccc/scibert-citation-background-classifier — англоязычный классификатор научных цитат, разработанный на основе SciBERT и дообученный для определения роли цитирования в контексте статьи. Модель относит контекст к одному из двух классов: BACKGROUND, когда цитата даёт фон или контекст, и NOT_BACKGROUND, когда она используется, например, для описания метода, сравнения, развития идеи или мотивации. Модель построена на архитектуре BERT с головой классификации последовательностей, содержит 137,1 млн параметров и принимает текст длиной до 512 токенов. Она обучена на 27 052 размеченных контекстах цитирования из SciCite и MultiCite; в README указана оценка F1 0,81 на тестовой выборке при разделении данных 80/20. Подходит для анализа научной литературы и автоматической разметки функций цитат. Распространяется по лицензии Apache-2.0.

SciReason-LFM2-2.6B — дообученная модель yasserrmd на базе LiquidAI/LFM2-2.6B. Это плотная причинно-языковая модель семейства LFM2 с примерно 2,4 млрд параметров; карточка указывает контекст до 128 000 токенов и формат Safetensors. Для дообучения использовались Unsloth и датасет OpenScienceReasoning-2. Модель предназначена для многошаговых научных рассуждений, ответов на образовательные вопросы и пошагового решения логических задач. Она принимает текст и генерирует текстовые ответы с объяснениями; в карточке приведён пример вопроса о C. elegans. Указан английский язык. Модель опубликована под лицензией Apache-2.0. Её ответы могут содержать ошибки, поэтому их следует проверять; автор отдельно исключает применение для клинических и юридических решений.

Mungert/AceMath-RL-Nemotron-7B-GGUF — это GGUF-версия текстовой генеративной модели AceMath-RL-Nemotron с заявленным размером 7B, ориентированная на reasoning и математические задачи. В README модель связана с NVIDIA и распространяется по NVIDIA Open Model License; конкретный автор базовой модели не указан однозначно. Файлы были сгенерированы с использованием llama.cpp, commit 19e899c. Модель предназначена для генерации текста, решения математических задач и исследовательских или прикладных сценариев, где важны рассуждения при ограниченных ресурсах. Формат GGUF подходит для инференса через совместимые реализации llama.cpp, включая запуск на CPU, устройствах с небольшим объёмом VRAM и edge-устройствах. Указан английский язык, текстовая модальность и контекст 2048 токенов в приведённых тестах. Ключевая особенность карточки — применение ультранизкобитной precision-adaptive квантизации IQ-DynamicGate с форматами 1–2 бита. Она распределяет точность по слоям и защищает embeddings и output layers, стремясь снизить потерю качества при уменьшении размера модели. На тестах Llama-3-8B заявлено заметное снижение perplexity по сравнению со стандартной 1–2-битной квантизацией, при небольшом увеличении размера и сопоставимой скорости инференса. Ограничения включают возможное снижение точности у низкобитных вариантов, зависимость качества и скорости от конкретного файла и оборудования, а также отсутствие подробных характеристик исходной архитектуры и официальных результатов именно для этой 7B-модели.

Einstein-7B — языковая модель Weyaxi на базе Mistral-7B-v0.1, дообученная методом QLoRA на научных и учебных наборах данных по физике, химии, биологии, естественным наукам и рассуждениям. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст длиной до 32 768 токенов. Она предназначена для генерации ответов по инструкциям, решения научных и учебных вопросов, а также рассуждений и ответов на вопросы по физике, химии и биологии. В карточке приведён шаблон Alpaca; среди обучающих данных есть ARC, OpenBookQA, ScienceQA, TheoremQA и ScienceEval. Модель принимает и генерирует текст. Лицензия указана как other, поэтому условия использования следует уточнить по карточке репозитория.

EMBO разработала SODA-VEC negative_sampling_pmb — модель для получения векторных представлений биомедицинских и научных текстов. Она дообучена на базе answerdotai/ModernBERT-base с использованием контрастивного обучения и отрицательных примеров; архитектура — BERT, 136,7 млн параметров, с mean pooling и выходными эмбеддингами размерности 768. Модель рассчитана на поиск семантически близких текстов и сравнение сходства биомедицинских публикаций, особенно заголовков и аннотаций. Для обучения использованы 26,5 млн пар «заголовок—аннотация» из PubMed Central. Модель принимает английский текст и выдаёт эмбеддинги, подходящие для семантического поиска, ранжирования по сходству и анализа тематической близости. Лицензия — Apache-2.0. Модель специализирована на биомедицине и науках о жизни и может хуже работать с текстами других областей. Для длинных документов рекомендуется разбивать текст на фрагменты; модель также наследует смещения корпуса PubMed Central.

OpenMed разработала специализированную модель распознавания химических сущностей в биомедицинском тексте. Это дообученный трансформер XLM-RoBERTa с архитектурой XLMRobertaForTokenClassification и 658,7 млн параметров; он принимает токенизированный текст и размечает химические упоминания тегами B-CHEM и I-CHEM. Модель предназначена для извлечения названий лекарств и соединений из медицинских записей, научных публикаций и других биомедицинских документов. Модель обучена на BC5CDR_CHEM и рассчитана на задачи биомедицинского NER, включая поиск химических соединений для фармаконадзора, анализа литературы и построения биомедицинских графов знаний. В карточке приведены показатели на наборе BC5CDR-Chem: F1 0,94, точность 0,94 и полнота 0,95. Репозиторий содержит веса в формате safetensors; указанная лицензия — Apache-2.0. Метаданные указывают английский язык и контекст до 8194 токенов. Результаты на BC5CDR-Chem не гарантируют такую же точность на других типах документов или вне тематического распределения обучающих данных.

OpenMed разработала OpenMed-NER-PharmaDetect-SuperClinical-434M — специализированную модель распознавания химических сущностей в биомедицинских текстах. Это дообученная для token classification модель на архитектуре DeBERTa V2 с 533,8 млн параметров; README указывает базовую архитектуру DeBERTa V3 Large. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типов B-CHEM и I-CHEM. Контекст — до 512 токенов. Модель обучена на BC5CDR_CHEM и предназначена для извлечения названий химических соединений и лекарственных веществ из научной литературы и медицинских документов. Возможные сценарии — поиск препаратов в текстах, мониторинг нежелательных явлений и подготовка данных для биомедицинских графов знаний. В README приведены результаты на BC5CDR_CHEM: F1 0,9614, точность 0,9520 и полнота 0,9710; эти показатели относятся к указанному набору данных и не гарантируют качество на иных типах текстов. Карточка указывает английский язык. Лицензия — Apache-2.0.

QVQ-72B-Preview — экспериментальная модель команды Qwen, дообученная на базе Qwen2-VL-72B для усиления визуального рассуждения. Она принимает текст и изображения и формирует текстовые ответы; предназначена для диалога по изображениям, решения визуальных математических задач и ответов на вопросы, требующие анализа содержимого изображения. Поддерживает английский язык, имеет 71,5 млрд параметров и контекст длиной до 128 000 токенов. В README приведены результаты на мультимодальных тестах MMMU, MathVista и MathVision. Модель рассчитана на диалоги с одним ходом и не поддерживает видеовход. Среди ограничений — возможные переключения между языками, зацикливание рассуждений и галлюцинации при многошаговом анализе изображения; в простом распознавании объектов заметного преимущества перед базовой моделью не заявлено. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели.

zeromodels выпускает конверсию Segment Anything Model (SAM) ViT-Huge в формате Keras 3. Это модель сегментации изображений без фиксированного словаря классов: пользователь задаёт точку или рамку, а модель возвращает маску выбранного объекта. Тяжёлый визуальный энкодер ViT-H обрабатывает изображение, после чего лёгкие кодировщик подсказок и декодер масок поддерживают интерактивную работу. Модель принимает изображение и подсказки в виде точек, а при соответствующей настройке — рамки. Она работает с TensorFlow, PyTorch и JAX через Keras 3. Это дообученная версия facebook/sam-vit-huge в формате TensorFlow; лицензия — Apache 2.0. Для обработки крупных изображений ресурсоёмкий энкодер может требовать значительных вычислительных ресурсов.

SciFive-base-Pubmed_PMC — модель семейства T5, представленная авторами работы SciFive для работы с биомедицинской литературой. Это текстовая модель с архитектурой T5ForConditionalGeneration и примерно 123,8 млн параметров, обученная на корпусах PubMed и PMC Open Access. Она принимает текст и предназначена для задач обработки биомедицинских публикаций; карточка Hugging Face классифицирует её как text-classification. Модель поддерживает английский язык и имеет контекст длиной до 1024 токенов. Модель подходит для классификации текстов из биомедицинских статей и может использоваться в исследовательских и прикладных NLP-сценариях с научной литературой. Доступны веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Ограничения и условия лицензии в предоставленных данных не описаны.

Модель eenzeenee/t5-base-korean-summarization — версия T5-base, дообученная для суммаризации корейских текстов. Автор указывает, что базовая модель — paust/pko-t5-base; обучение проводилось на наборах данных для суммаризации научных статей и книг, а также для создания кратких изложений и отчётов. Архитектура — T5 для генерации текста по текстовому входу, около 137,8 млн параметров. Модель предназначена для автоматического составления кратких изложений корейских научных материалов, книг и отчётов. В README приведены результаты ROUGE-2 на трёх соответствующих наборах данных; они указывают на оценку именно этих сценариев, но не подтверждают качество на других типах текстов. Репозиторий содержит веса PyTorch и Safetensors. Условия лицензии в предоставленных материалах не описаны.

trakad-embed-v2 — Hakan Sabuniş разработал модель эмбеддингов для семантического поиска по турецкой академической литературе. Это дообученная версия sentence-transformers/paraphrase-multilingual-mpnet-base-v2: её обучали на 633 тысячах пар заголовок–аннотация турецких диссертаций с подбором сложных отрицательных примеров по тематике и contrastive loss. Модель построена на XLM-RoBERTa, содержит 305,2 млн параметров и преобразует текст в 768-мерные векторы; для сравнения используется косинусное сходство. Контекст — до 514 токенов. Модель предназначена прежде всего для поиска релевантных научных работ и извлечения документов в RAG-системах на турецком языке. В оценке для TürkResearcher сообщается о росте точности цитирования на 9,9% и faithfulness на 7,8% относительно базовой модели, а для категории компьютерных наук — о приросте 42,6%. Эти результаты относятся к описанному в карточке RAG-сценарию. Модель распространяется под лицензией Apache-2.0; для обучения использованы аннотации диссертаций YÖK с лицензией CC-BY-4.0.

ProdicusII/ZeroShotBioNER — модель распознавания биомедицинских именованных сущностей, созданная в рамках исследовательского сотрудничества Bayer Pharma и Сербского института исследований и разработок искусственного интеллекта. Это модель на базе BioBERT с архитектурой BERT для классификации токенов; она содержит 135,5 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель принимает текстовую метку сущности и короткий текст, в котором нужно найти упоминания этой сущности. Она предсказывает токенные метки для биомедицинских категорий, включая заболевания, химические вещества, гены и белки, типы клеток и лекарственные препараты. Модель обучена на более чем 25 классах и поддерживает поиск сущностей в zero-shot режиме, а также дообучение для новых классов на небольшом числе примеров. Модель подходит для извлечения сущностей из биомедицинских текстов и аннотирования научных или клинических документов. Карточка описывает токенные предсказания как последовательность нулей и единиц. Доступна по лицензии MIT; в карточке также заявлена возможность дальнейшего few-shot дообучения.

dmis-lab/biobert-large-cased-v1.1-squad — модель DMIS-lab из Корейского университета для ответов на вопросы по тексту. Это вариант BioBERT для задачи question answering, основанный на архитектуре BERT и содержащий 463,1 млн параметров. В метаданных указаны реализации PyTorch и Flax и максимальный контекст длиной 512 токенов. Модель предназначена для извлечения ответов из предоставленного текста, в том числе для работы с вопросами по биомедицинским материалам. README сообщает о предобучении BioBERT на корпусах PubMed и PMC, но также содержит противоречивое указание родительской модели GPT-Neo-2.7B; точное происхождение этого чекпойнта по доступным сведениям подтвердить нельзя. Лицензия в карточке не приведена. К ограничениям относятся возможные смещения и стереотипы в ответах, о которых предупреждает карточка модели. Контекст ограничен 512 токенами; README не приводит метрик качества и результатов оценки.

BioMistral-7B-GGUF — версия модели BioMistral, разработанной командой BioMistral на основе Mistral-7B-Instruct-v0.1 и дополнительно предварительно обученной на биомедицинских текстах из PubMed Central. Модель предназначена для исследовательских задач в области медицины и биологии, включая генерацию текста, ответы на медицинские вопросы и работу с научной литературой. Она обучалась на вычислительной инфраструктуре CNRS Jean Zay. Модель относится к классу текстовых авторегрессионных языковых моделей, содержит 7 млрд параметров и поддерживает контекст длиной до 2048 токенов. Заявлена поддержка английского, французского, немецкого, нидерландского, испанского, португальского, польского, румынского и итальянского языков. Формат GGUF предназначен для запуска совместимых квантованных вариантов, однако конкретные параметры квантования для этой карточки не указаны. Сильной стороной является специализация на биомедицинской тематике и наличие открытой лицензии Apache 2.0. Модель не прошла оценку в реальных клинических условиях, может содержать непроверенные риски и смещения и не должна использоваться для профессиональных медицинских решений или в производственной среде без дополнительного выравнивания и тщательного тестирования.

Карточка модели EdgeAIMed/EdgeAIMed-NER-PharmaDetect-SuperClinical-434M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-PharmaDetect-SuperClinical-434M, поэтому описание составлено по ней. OpenMed разработала OpenMed-NER-PharmaDetect-SuperClinical-434M — специализированную модель распознавания химических сущностей в биомедицинских текстах. Это дообученная для token classification модель на архитектуре DeBERTa V2 с 533,8 млн параметров; README указывает базовую архитектуру DeBERTa V3 Large. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типов B-CHEM и I-CHEM. Контекст — до 512 токенов. Модель обучена на BC5CDR_CHEM и предназначена для извлечения названий химических соединений и лекарственных веществ из научной литературы и медицинских документов. Возможные сценарии — поиск препаратов в текстах, мониторинг нежелательных явлений и подготовка данных для биомедицинских графов знаний. В README приведены результаты на BC5CDR_CHEM: F1 0,9614, точность 0,9520 и полнота 0,9710; эти показатели относятся к указанному набору данных и не гарантируют качество на иных типах текстов. Карточка указывает английский язык. Лицензия — Apache-2.0.

Gravity-16B-A3B-Base — базовая языковая модель, обученная с нуля компанией Trillion Labs совместно с Lunit Consortium. Она предназначена для продолжения текста и служит основой для последующей адаптации; сама модель не проходила дообучение на инструкциях. В README указаны 16,24 млрд параметров всего и 3,16 млрд активных на токен, тогда как метаданные каталога приводят 2,2 млрд параметров. Архитектура GravityMoE использует разреженную смесь экспертов: 64 маршрутизируемых эксперта с выбором восьми и один общий эксперт. Механизм Multi-head Latent Attention сжимает ключи и значения для экономии памяти KV-кэша. Контекст — до 32 768 токенов. Модель обучали примерно на 5,5 трлн токенов с акцентом на STEM и медицину; в README приведены результаты оценок на английском и корейском языках. Её можно применять как основу для собственных языковых приложений и специализированного дообучения, в том числе в медицинской области. Распространяется по лицензии Apache 2.0. Поскольку это базовая модель без инструкционного дообучения и выравнивания безопасности, она может выдавать неточные, предвзятые или вредоносные ответы; качество может снижаться для языков, слабо представленных в обучающих данных.

OpenMed разработала OpenMed-NER-PharmaDetect-BioMed-335M — модель на основе BiomedNLP-BiomedELECTRA-large-uncased-abstract, дообученная для распознавания химических сущностей в текстах. Она выполняет токенную классификацию и размечает сущности тегами B-CHEM и I-CHEM; архитектура в метаданных указана как BERT для токенной классификации, размер — 433,9 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения лекарств, химических соединений и терапевтических веществ из медицинских записей и научной литературы. Такие извлечения можно использовать для мониторинга нежелательных реакций, поиска взаимодействий препаратов, анализа литературы для разработки лекарств и построения биомедицинских графов знаний. В карточке заявлены F1, точность и полнота 0,95, а также accuracy 0,99 на BC5CDR-Chem; эти показатели относятся к указанному набору данных и не гарантируют качество на других текстах. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей. Карточка указывает английский язык. Репозиторий использует формат safetensors, совместим с Transformers и распространяется по лицензии Apache-2.0. Ограничение: специализация на химических сущностях BC5CDR-Chem означает, что модель не предназначена для распознавания произвольных типов биомедицинских сущностей; предельный контекст составляет 512 токенов.