/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
Medical-Llama3-8B
Опубликована
2 окт 2025

PoC-demo

Генерация текстаТекст → текст3 профессии

Англоязычная модель на базе Llama 3, дообученная для генерации ответов на вопросы о здоровье и заболеваниях.

462скачиваний за 30 дней0лайковвеса обновлены30 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Amritemperor123/PoC-demo — англоязычная модель генерации текста на базе Llama 3, дообученная разработчиком Amritemperor123 с помощью LoRA и Unsloth на наборах данных Kaggle о заболеваниях и их лечении. Автор сообщает примерно о миллионе строк данных, но не помнит точный набор; медицинские базы MIMIC-IV и MIMIC-V в обучении не использовались. Модель предназначена для генерации ответов на вопросы о здоровье и медицинских темах.

Модель содержит 7,5 млрд параметров, имеет плотную архитектуру LlamaForCausalLM и контекст длиной до 8192 токенов. Репозиторий содержит веса Safetensors и GGUF в формате F16. Лицензия — Apache-2.0.

Данные для дообучения описаны автором как простые наборы о болезнях и методах лечения, без подробного перечня источников и описания контроля качества. Поэтому ответы могут быть неполными или недостоверными и не должны заменять консультацию медицинского специалиста.

Сценарии применения

  • черновые ответы на общие вопросы о заболеваниях
  • получение краткой информации о возможных методах лечения
  • создание медицинских FAQ на английском языке

Ограничения

Автор не помнит точный набор данных Kaggle и описывает его как несложный; использование MIMIC-IV и MIMIC-V не подтверждено. Медицинские ответы модели могут быть неполными или ошибочными и требуют проверки специалистом.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

For finetuning, I was supposed to use MIMIC-IV and MIMIC-V databases, but I couldn't get their access in due time. So instead, I've picked up some datasets from Kaggle on health diseases and their treatments (nothing too sophisticated) and finetuned on those datasets. It was roughly a million lines, and don't ask me what the dataset was because I don't remember at this point. Go through Kaggle and look for something similar, you'll see.

Finetuning was done in Google Collab, in the free tier setup, I'm not rich. Also, it was LoRA finetuning with Unsloth.

Most important warning: This model might be corrupted or a failure, nothing risky but probably won't work.

Uploaded finetuned model

  • Developed by: Amritemperor123
  • License: apache-2.0
  • Finetuned from model : ruslanmv/Medical-Llama3-8B

This llama model was trained 2x faster with Unsloth and Huggingface's TRL library.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
81aa9a6

0 моделей