MiroMind-Forscher Zonglin Yang hat die vollständige MOOSE-Star-Kollektion auf Hugging Face veröffentlicht. Sie umfasst drei spezialisierte 7B-Modelle: MS-IR-7B (Inspiration Retrieval), MS-HC-7B (Hypothesis Composition) und MS-7B (Joint Use), alle fine-tuned auf Basis von DeepSeek-R1-Distill-Qwen-7B. Dazu kommt TOMATO-Star, ein Datensatz aus 108.717 NCBI-Papers, die in (Hintergrund, Hypothese, Inspirationen) zerlegt wurden — jede Inspiration ist an eine echte Zitierung geknüpft. Der Datensatz deckt Biologie, Chemie, Medizin, medizinische Bildgebung, Psychologie und Kognitionswissenschaft ab. Der Aufbau erforderte rund 38.400 A800-GPU-Stunden Preprocessing. Für die Evaluation wurde ein strikter Zeitschnitt gewählt: Trainingsdaten bis September 2025, Testdaten aus Oktober 2025 — also nach dem Wissens-Cutoff des Basismodells. Im Benchmark übertrifft MS-IR-7B mit 54,37 % Accuracy deutlich größere Closed-Source-Modelle wie GPT-5.4 (51,50 %) und Claude Sonnet 4.6 (45,02 %). Code steht unter Apache-2.0, Daten unter CC-BY-4.0.