Характеристики

Контекст: 512 токенов
Параметры: 432 млн
Лицензия: Apache 2.0
Архитектура: crf-tagger · dense
Опубликована: 20 апр 2026

Ссылки

Hugging Face

MultiClinNER-EN

IEETA

Разметка токеновТекст → label3 профессии

Англоязычная модель IEETA на базе PubMedBERT для распознавания клинических сущностей в медицинских текстах.

42скачиваний за 30 дней0лайковвеса обновлены20 апр 2026

Бенчмарки

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

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

IEETA разработала MultiClinNER-EN — англоязычную модель распознавания клинических именованных сущностей. Она предназначена для извлечения и разметки упоминаний медицинских сущностей в тексте, например в клинических документах и медицинских публикациях.

Модель использует архитектуру Multi-Head CRF для классификации токенов и основана на microsoft/BiomedNLP-PubMedBERT-large-uncased-abstract. В карточке указано 432,2 млн параметров, контекст до 512 токенов и формат safetensors. Для основной версии указан лучший результат F1 0,7368; это значение относится к оценке авторов и не гарантирует такой же результат на других данных.

Модель рассчитана на английский язык и работает с текстовым вводом, выдавая метки для токенов. Лицензия — Apache-2.0.

Сценарии применения

извлечение клинических сущностей из медицинских записей
разметка сущностей в медицинских публикациях
подготовка клинического текста для последующего анализа
автоматическое тегирование медицинских упоминаний

Ограничения

Модель предназначена для английского языка, а указанный контекст ограничен 512 токенами. Лучший F1 0,7368 не гарантирует аналогичное качество на иных корпусах и сценариях.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MultiClinNER EN Models

Clinical NER models for EN, trained with Multi-Head CRF architecture.

Best Model

Model: microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-%0.25-P0.5-42
Best F1: 0.7368
Branch: main

Usage

# Load the best model (main branch)
from transformers import AutoTokenizer, AutoModelForTokenClassification

model = AutoModelForTokenClassification.from_pretrained("IEETA/MultiClinNER-EN")
tokenizer = AutoTokenizer.from_pretrained("IEETA/MultiClinNER-EN")

# Load a specific model variant
model = AutoModelForTokenClassification.from_pretrained("IEETA/MultiClinNER-EN", revision="BRANCH_NAME")

All Models (20 variants)

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Нельзя запустить

Архитектура crf-tagger неизвестна transformers в образе рантайма.

Класс архитектуры: BertMultiHeadCRFModel
Ревизия весов: 4cd61ba

Branch	Model	Best?
`main`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-%0.25-P0.5-42`	Yes
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Anone-pct0.2-P0.5-123`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Anone-%0.2-P0.5-123`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Anone-pct0.2-P0.5-42`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Anone-%0.2-P0.5-42`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Anone-pct0.2-P0.5-456`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Anone-%0.2-P0.5-456`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Anone-pct0.2-P0.5-999`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Anone-%0.2-P0.5-999`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-pct0.1-P0.5-123`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-%0.1-P0.5-123`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-pct0.1-P0.5-42`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-%0.1-P0.5-42`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-pct0.1-P0.5-456`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-%0.1-P0.5-456`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-pct0.1-P0.5-999`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-%0.1-P0.5-999`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-pct0.25-P0.5-123`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-%0.25-P0.5-123`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-pct0.25-P0.5-456`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-%0.25-P0.5-456`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-pct0.25-P0.5-999`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Arandom-%0.25-P0.5-999`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-pct0.25-P0.2-123`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-%0.25-P0.2-123`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-pct0.25-P0.2-42`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-%0.25-P0.2-42`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-pct0.25-P0.2-456`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-%0.25-P0.2-456`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-pct0.25-P0.2-999`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-%0.25-P0.2-999`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-pct0.25-P0.5-123`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-%0.25-P0.5-123`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-pct0.25-P0.5-42`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-%0.25-P0.5-42`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-pct0.25-P0.5-456`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-%0.25-P0.5-456`
`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-pct0.25-P0.5-999`	`microsoft-BiomedNLP-PubMedBERT-large-uncased-abstract-C64-H3-E30-Aukn-%0.25-P0.5-999`