I.1Поиск и навигация по информации

SciNCL — англоязычная модель на архитектуре BERT для получения векторных представлений научных документов. Её разработчики обучили её для работы с исследовательскими статьями; модель содержит 137,1 млн параметров и рассчитана на вход длиной до 512 токенов. Для контрастивного обучения использовались соседства статей в графе цитирований S2ORC. Инициализация выполнена весами SciBERT scibert-scivocab-uncased. SciNCL подходит для поиска и сравнения научных публикаций по смыслу, рекомендаций статей и задач ранжирования или группировки документов. В README приведены результаты оценки на SciDocs. Модель выдаёт эмбеддинги, а не готовые ответы на вопросы. Для применения к медицинским статьям README предлагает специализированную альтернативу PubMedNCL. Лицензия модели — MIT.

Это языковая модель в формате GGUF, подготовленная и квантованная MaziyarPanahi. Репозиторий содержит файлы модели MaziyarPanahi/SciPhi-Self-RAG-Mistral-7B-32k-Mistral-7B-Instruct-v0.2-slerp, созданной на основе Mistral-7B-Instruct-v0.2 и SciPhi-Self-RAG-Mistral-7B-32k с использованием объединения моделей методом slerp. Модель предназначена для генерации текста и совместима с инструментами локального запуска, включая llama.cpp, text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Вариант GGUF ориентирован на эффективное развертывание на локальных системах, в том числе с GPU-ускорением. Доступны варианты квантования от 2 до 8 бит, что позволяет выбирать между сниженным потреблением памяти и сохранением качества, однако README не содержит точных размеров файлов и результатов тестирования. Модель относится к классу 7B, работает с текстом и рассчитана на контекст до 32k токенов согласно названию базовой модели. Языки, специальные возможности Self-RAG и фактическое качество на конкретных задачах в README не описаны. Лицензия — Apache-2.0.

kornwtp/SCT-model-phayathaibert — модель Sentence Transformers на архитектуре CamemBERT, разработанная автором репозитория kornwtp. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения предложений и кластеризации. Модель обучалась на тайской Википедии и рассчитана на тайский текст; максимальная длина контекста составляет 512 токенов, размер — около 304,7 млн параметров. Модель можно применять для семантического поиска, оценки сходства текстов и группировки похожих фрагментов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не описывает специальных ограничений, кроме длины контекста и ориентации на тайские данные.

mrp/simcse-model-wangchanberta — модель эмбеддингов предложений на базе архитектуры CamemBERT, обученная с использованием SimCSE. По README, исходной точкой служил mBERT, а для обучения использовалась тайская Википедия. Модель преобразует предложения и абзацы в плотные векторы размерности 768; её можно применять для семантического поиска и кластеризации. Параметры распространяются в формате PyTorch, размер модели — 132,5 млн параметров, максимальный контекст — 512 токенов. Модель предназначена прежде всего для работы с тайским текстом. Лицензия в доступных данных не указана.

TimKond/S-PubMedBert-MedQuAD — модель эмбеддингов на архитектуре BERT, представленная как Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Название указывает на ориентацию на биомедицинские публикации PubMed и набор вопросов и ответов MedQuAD; это делает модель подходящей для поиска смыслово близких медицинских текстов и вопросов. В карточке описано обучение с SoftmaxLoss для двух меток. Доступны веса PyTorch и Safetensors; лицензия — MIT. Модель выдаёт векторные представления текста, а не готовые ответы на вопросы или медицинские заключения. Качество на конкретных корпусах и языках следует проверять отдельно; сведения README не подтверждают поддержку русского языка.

zxcvo выпустил дообученную модель Sentence Transformers на базе VoVanPhuc/sup-SimCSE-VietNamese-phobert-base для сравнения смысла вьетнамских предложений и абзацев. Она использует трансформер RoBERTa (PhoBERT) с усреднением токенных представлений и формирует плотные эмбеддинги размерностью 768; для сравнения применяется косинусное сходство. Максимальная длина последовательности в README — 256 токенов, а метаданные указывают контекст в 258 токенов. Обучение проводилось на 288 примерах пар «запрос — релевантный текст»; Matryoshka Loss позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64. Модель подходит для семантического поиска и ранжирования вьетнамских текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Примеры обучающих данных посвящены сетевой безопасности и информационной безопасности, но карточка не подтверждает специализацию модели на этих областях. Небольшой обучающий набор и приведённые в README результаты оценки ограничивают основания для выводов о качестве на широком круге текстов. Условия лицензирования в доступных сведениях не приведены.

shibing624/text2vec-base-chinese-paraphrase — модель текстовых эмбеддингов, разработанная проектом text2vec. Она основана на nghuyong/ernie-3.0-base-zh и дообучена методом CoSENT на китайских данных для сопоставления предложений и их перефразированных вариантов, включая пары «предложение — абзац». Модель кодирует текст в плотный вектор размерности 768 и предназначена для семантического поиска, оценки сходства, кластеризации и поиска перефразировок. Модель использует архитектуру ERNIE и библиотеку Sentence Transformers; размер составляет 144 млн параметров. Она принимает китайский текст, имеет контекстное окно 2048 токенов по метаданным, а в карточке указана обрезка входа свыше 256 word pieces. Форматы весов — PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Ее специализация на китайских текстах означает, что качество для других языков не подтверждено карточкой.

TohokuNLP BERT-alpha 500M — японская языковая модель типа encoder, разработанная исследователями Tohoku NLP Group. Она предназначена для анализа японского текста и обработки длинных последовательностей, включая восстановление замаскированных токенов и задачи классификации, ранжирования и поиска ответов на вопросы. Модель основана на архитектуре Llama без causal attention mask и использует SwiGLU, RoPE и GQA; в карточке указано 479,5 млн параметров, а длина контекста составляет 8192 токена. Обучение с нуля проводилось на японском подмножестве llm-jp-corpus-v3 с Whole Word Masking. В оценке JMTEB модель показывает результаты по классификации, кластеризации, сравнению пар, reranking, retrieval и семантическому сходству. Авторы отмечают, что длинноконтекстные encoder-модели, включая эту, уступают по ряду метрик более компактной bert-base-japanese-v3; результаты относятся к базовым моделям, а не к дообученным моделям эмбеддингов. Распространяется по лицензии Apache 2.0.

Oblix15/tsdae-financiero — текстовая модель Sentence Transformer на архитектуре BERT, обученная для представления предложений и абзацев в виде плотных векторов размерности 768. Модель предназначена для поиска и сравнения текстов по косинусному сходству; обучение выполнено с DenoisingAutoEncoderLoss на 36 035 парах предложений из финансового контекста на испанском языке. Модель принимает текст, использует CLS-пулинг и рассчитана на последовательности длиной до 75 токенов. Метаданные указывают 137,1 млн параметров и максимальный контекст 512 токенов; для практического использования следует учитывать более короткий лимит из карточки модели. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

vinilm-2021-from-large — предварительно обученная языковая модель, разработанная R&D AI Lab компании VMware. Это модель на архитектуре BERT, созданная дистилляцией vBERT-2021-large в более компактную модель семейства MiniLMv2 для ускорения инференса при небольшом снижении качества. В README указано 320 000 документов VMware Docs, блогов и других публичных текстов VMware для дистилляции; метаданные указывают 80,1 млн параметров и контекст до 512 токенов. Модель предназначена для получения признаков текста и VMware-ориентированных NLP-сценариев, включая информационный поиск и классификацию. В карточке заявлена поддержка английского языка. Для лучшего качества требуется внутренний препроцессор vNLP, который публично недоступен; модель также может наследовать смещения исходной BERT. Лицензия — Apache 2.0.

sentence-transformers/xlm-r-bert-base-nli-stsb-mean-tokens — модель Sentence Transformers, обученная командой sentence-transformers на основе XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения сходства. Модель принимает текст и выдаёт векторные представления; максимальная длина контекста составляет 514 токенов. Доступны варианты весов в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель многоязычная благодаря основе XLM-RoBERTa, однако README предупреждает, что качество её эмбеддингов низкое и модель устарела, поэтому для новых задач рекомендуются более современные модели эмбеддингов. Лицензия — Apache-2.0.

peggyes/abena-simcse-twi — модель Sentence Transformers, дообученная на базе Ghana-NLP/abena-base-asante-twi-uncased для получения векторных представлений предложений и абзацев на языке Asante Twi. Архитектура включает BERT, усредняющий слой pooling и плотные эмбеддинги размерности 768; сходство между векторами можно оценивать косинусной мерой. Модель обучалась на 7 000 пар текстов с функцией потерь MultipleNegativesRankingLoss и подходит для поиска и сравнения текстов. Модель принимает текст; длина последовательности в README указана до 64 токенов, а максимальный контекст базовой модели в метаданных — 512 токенов. Для задач поиска и сопоставления следует учитывать ограничение в 64 токена, указанное для этой модели. Языковая специализация — Asante Twi. Репозиторий использует формат safetensors и библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

jaimevera1107 дообучил модель SentenceTransformer на базе sentence-transformers/all-MiniLM-L6-v2 для сравнения смысловой близости предложений и абзацев, семантического поиска и других задач работы с текстовыми векторами. Модель кодирует текст в плотные векторы размерностью 384; архитектура объединяет BERT-энкодер, усреднение токенов и нормализацию, а близость можно оценивать косинусным сходством. В README указана максимальная длина последовательности 256 токенов, а метаданные каталога сообщают контекст до 512 токенов. Модель обучалась на 16 890 парах текстов с оценками сходства. Примеры датасета посвящены биомедицинским аннотациям, поэтому она может быть полезна для поиска и сопоставления научных текстов в этой области. Данных о лицензии и поддерживаемых языках в предоставленных источниках нет; базовая модель описана каталогом как англоязычная.

rafiazarin/arxiv-cs-embedding-finetuned — модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L6-v2, дообученная для поиска по текстам научных работ по компьютерным наукам. Разработчик дообучил энкодер на парах запросов и релевантных фрагментов; архитектура включает BERT, mean pooling и нормализацию векторов. Модель кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для семантического поиска и сравнения текстов с использованием косинусного сходства. README описывает обучающую выборку из 2 700 пар и оценочную выборку из 200 примеров. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; в карточке README заявлен максимальный размер последовательности 256 токенов. Модель принимает текст и возвращает векторы. Она адаптирована к англоязычным научным текстам по компьютерным наукам; качество на других типах текстов и языках не подтверждено. Лицензия в предоставленных данных не указана.

NeuML/biomedbert-hash-nano-embeddings — компактная модель эмбеддингов NeuML, дообученная с помощью Sentence Transformers на основе NeuML/biomedbert-hash-nano. Она преобразует предложения и абзацы в плотные векторы размерностью 128 для семантического поиска, кластеризации и использования в RAG. Модель ориентирована на медицинскую литературу: при обучении применялись пары заголовков и аннотаций PubMed, а также дистиллированные оценки моделей для медицинских текстов. Архитектура относится к семейству BERT Hash; число параметров по метаданным — 4,4 млн, контекст — до 512 токенов. Поддерживается английский язык. Модель рассчитана на компактные базы эмбеддингов и сценарии с ограниченными вычислительными ресурсами; небольшая размерность векторов снижает требования к хранению. Лицензия — Apache-2.0. В README приведено сравнение качества на задачах с данными PubMed, однако результаты конкретно этой модели в предоставленном фрагменте таблицы отсутствуют.

sindsub/cybersec-mpnet-finetuned-round3 — текстовая модель Sentence Transformer, разработанная sindsub и дообученная на базе sindsub/cybersec-mpnet-finetuned-round2. Она преобразует предложения и абзацы в плотные векторы размерностью 768, нормализованные для сравнения по косинусному сходству. Модель построена на MPNet с усредняющим pooling; размер составляет 136,7 млн параметров. README указывает максимальную длину последовательности 384 токена, а метаданные — контекстное окно 514 токенов. Модель предназначена для семантического поиска и извлечения релевантных материалов по текстовым запросам, в частности в корпусах по кибербезопасности. Её можно использовать для поиска описаний угроз, методов атак и связанных документов по коротким названиям или формулировкам. Обучение проводилось на 2 775 парах anchor-positive с MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

sentence-transformers/distilbert-base-nli-mean-tokens — модель Sentence-Transformers на архитектуре DistilBERT, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства и кластеризации текстов. Модель принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 512 токенов. Доступны веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель выпущена под лицензией Apache-2.0. В карточке она помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новые модели для получения качественных результатов.

JumareKhaled/e5-small-v2-medichat-finetuned — текстовая Sentence Transformer-модель, дообученная на базе intfloat/e5-small-v2. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384 и рассчитана на извлечение текстовых признаков, поиск и сопоставление по косинусному сходству. Архитектура основана на BertModel с усредняющим pooling; максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и извлечения медицинских текстов. Название указывает на медицинскую настройку, однако карточка не описывает конкретную специализацию, данные обучения или оценку качества, поэтому результаты для медицинских запросов следует проверять. В метаданных указана лицензия? Нет сведений о лицензии; условия использования следует сверить на странице репозитория.

leomaurodesenv/electra-base-discriminator-answerable-or-not-augmented — модель классификации текста, дообученная на базе google/electra-base-discriminator. По названию она предназначена для определения того, можно ли ответить на вопрос по предоставленному контексту; README не раскрывает подробности набора данных или способа применения. Модель использует энкодер ELECTRA и классификационную голову ElectraForSequenceClassification. Она содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса. В README приведены результаты оценки: accuracy 0,9374 и loss 0,2293; состав и размер оценочного набора не описаны. Лицензия — Apache-2.0. Карточка указывает английскую базовую модель, но язык обучающих данных не раскрывает, поэтому английский сценарий можно считать предположительным. Качество на других данных и языках не подтверждено.

Fara1.5-4B-GGUF — это GGUF-квантизированная версия мультимодальной модели Fara1.5-4B, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для computer use, управления браузером, автоматизации веб-задач и работы веб-агентов, включая сценарии с визуальным анализом интерфейсов и взаимодействием с ними. Модель имеет размер 4B параметров, поддерживает обработку текста и изображений и ориентирована на английский язык. Доступны варианты от BF16 до низкобитных форматов Q2 и IQ2, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Для запуска подходят llama.cpp, LM Studio, KoboldCpp, Jan AI и другие совместимые приложения. README не содержит сведений о размере контекстного окна, конкретной архитектуре, результатах тестирования или подробных ограничениях мультимодального ввода. Сильными сторонами являются компактный размер, поддержка локального запуска и широкий выбор квантизаций; варианты Q5–Q6 характеризуются как высококачественные, а Q4_K_M рекомендован как сбалансированный вариант. Качество снижается у более компактных форматов, особенно Q2–Q3. Лицензия модели — MIT, однако для работы может потребоваться версия программного обеспечения с поддержкой Fara1.5.

FinLang/finance-embeddings-investopedia — модель эмбеддингов команды FinLang, дообученная для финансовых приложений на базе BAAI/bge-base-en-v1.5. Она построена на архитектуре BERT, содержит 136,7 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768. Контекст ограничен 512 токенами. Модель предназначена для семантического поиска и кластеризации финансовых текстов, в том числе для поиска по документам в RAG-системах. В README описана оценка сходства на финансовых парах из Investopedia и проверка сохранения качества на наборах вопросов и ответов общего назначения. Лицензия — CC BY-NC 4.0; сторонние датасеты могут иметь дополнительные условия. Авторы позиционируют проект как исследовательский.

HealthMate-AI — дообученный энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, подготовленный для медицинского RAG-проекта. Модель кодирует предложения и абзацы в плотные векторы размерности 384; архитектура — 6-слойный MiniLM на базе BERT, всего 25,9 млн параметров. Контекст ограничен 512 токенами, указанный язык — английский. Модель предназначалась для семантического поиска и извлечения сведений из медицинских документов. Чекпойнт получен усреднением весов двух лучших фолдов дообучения на медицинских текстах. Однако автор README сообщает, что в тестах поиска на SciFact, NFCorpus, TREC-COVID и MedQuAD модель значительно уступила базовой all-MiniLM-L6-v2, и не рекомендует её для retrieval. Результат Spearman 0,8039 относится к задаче сходства внутри обучающего корпуса и не воспроизводим по опубликованным данным и коду. Модель распространяется по лицензии Apache-2.0; она не предназначена для медицинских рекомендаций.

IMPETUS Climate Embedding Model — англоязычная модель эмбеддингов, разработанная на основе публичных материалов проекта Horizon 2020 IMPETUS Climate. Она дообучена на базе BAAI/bge-small-en-v1.5 для выявления семантических связей, связанных с изменением климата, устойчивостью городов и стратегиями адаптации. Модель использует компактную архитектуру BERT примерно на 40 млн параметров и принимает текст, создавая векторные представления для семантического поиска и сравнения предложений. Максимальная длина контекста — 512 токенов; для работы предназначена библиотека Sentence Transformers. Лицензия — CC, как указано в метаданных.

OpenGVLab/InternVL-14B-Flickr30K-FT-364px — дообученная мультимодальная модель InternVL для поиска соответствий между изображениями и текстами. Она принимает изображения размером 364 × 364 пикселя и текстовые описания; обучение для задач retrieval выполнено на Flickr30K на основе OpenGVLab/InternVL-14B-224px. Архитектура InternVL объединяет зрительный трансформер ViT с языковой моделью; размер модели — 14 млрд параметров. Модель предназначена для извлечения признаков и поиска текста по изображению или изображения по тексту. При использовании README требует добавлять префикс «summarize:» и устанавливать tokenizer.pad_token_id в 0, иначе результаты могут быть некорректными. Репозиторий распространяется по лицензии MIT.

legal-embed-modernbert-v2 — англоязычная модель эмбеддингов для поиска по юридическим текстам, разработанная автором репозитория на базе nomic-ai/modernbert-embed-base. Это дообученная плотная ModernBERT-модель размером 149 млн параметров, предназначенная для сопоставления юридических вопросов с релевантными фрагментами и описаний типов договорных положений с текстом соответствующих пунктов. Модель поддерживает векторные представления Matryoshka: их можно сокращать с 768 до 512, 256, 128 или 64 измерений, снижая стоимость поиска с некоторой потерей качества. Модель подходит для поиска ответов в юридических корпусах, поиска договорных оговорок и построения RAG-систем. В метаданных указано контекстное окно 8192 токена, однако обучение и приведённые оценки проводились при длине последовательности 256 токенов; длинные договоры рекомендуется разбивать на фрагменты. В README описаны высокие результаты на поиске юридических вопросов и договорных положений, но на тесте вопросов о потребительских договорах v2 немного уступила v1 и базовой модели. Данные преимущественно относятся к США, Великобритании и Австралии, поэтому другие юрисдикции представлены слабее. Модель выполняет поиск и сопоставление, но не генерирует юридические советы. Лицензия — Apache-2.0.

bsmith3715/legal-ft-demo_final — это дообученная модель Sentence Transformers на базе Snowflake/snowflake-arctic-embed-m, опубликованная автором bsmith3715. Она кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству; модель подходит для семантического поиска, оценки сходства текстов и поиска перефразировок. Архитектура включает BERT, пулинг по токену CLS и нормализацию; максимальная длина последовательности — 512 токенов. В метаданных указано 136,7 млн параметров и формат safetensors. Карточка показывает дообучение на 200 парах предложений, связанных с текстами о тренировках по пилатесу, поэтому качество на других темах не установлено. В примере оценки InformationRetrievalEvaluator cosine_accuracy@1 составляет 0,45, @3 — 0,69, @5 — 0,73. Модель предназначена для текстового ввода и выдаёт эмбеддинги; в карточке не указана лицензия, поэтому условия использования следует проверить в репозитории.

kevin009/llamaRAGdrama — дообученная модель для генерации ответов на вопросы и синтеза текста в сценариях RAG. По метаданным это плотная авторегрессионная модель семейства Mistral объёмом 7,1 млрд параметров с контекстом до 32 768 токенов; репозиторий содержит веса в формате Safetensors. Разработчик сообщает, что обучение ориентировано на ответы, сохраняющие фактическую точность в драматических текстовых сценариях, с использованием художественных материалов, баз данных и надёжных источников. Модель предназначена для генерации ответов по предоставленному контексту и объединения сведений из источников в RAG-системах. Она может быть полезна для вопросно-ответных приложений, которым нужно работать с художественным или драматическим содержанием, сохраняя фактические сведения. Поддерживаемый язык карточкой не определён. В README отмечены возможные предвзятость и неточности, а также отсутствие гарантии безопасности ответов. Модель распространяется по лицензии Apache-2.0.

Codingchild/medical-bge-large-en-v1.5 — модель Sentence Transformer на архитектуре BERT, предназначенная для создания плотных текстовых эмбеддингов. Она преобразует предложения и абзацы в векторы размерности 1024; для сравнения векторов используется косинусное сходство. Представление формируется из CLS-токена с последующей нормализацией, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Название указывает на медицинскую и англоязычную специализацию; карточка описывает задачи эмбеддингов, но не приводит конкретных медицинских тестов или оценок качества. В метаданных указан формат safetensors; лицензия не приведена.

MetaCLIP B/32 FullCC2.5B — модель семейства CLIP, разработанная командой MetaCLIP и представленная в работе Demystifying CLIP Data. Версия обучалась на 2,5 млрд примеров из CommonCrawl; обозначение B/32 указывает на базовый размер модели и разрешение патчей 32. Модель сопоставляет изображения и текст в общем пространстве представлений и предназначена для сценариев zero-shot классификации изображений и поиска по текстовому или визуальному запросу. Модель принимает изображение или текст и формирует векторные представления, по которым можно оценивать соответствие между ними. Это позволяет классифицировать изображения по текстовым описаниям без обучения отдельного классификатора, находить изображения по запросу и подбирать текст к изображению. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

VinNik321/minilm-medical-qa — дообученный с помощью AutoTrain энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, предназначенный для оценки сходства между текстами. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и принимает текстовые предложения длиной до 512 токенов, формируя эмбеддинги для семантического сравнения. Модель можно использовать для поиска семантически близких вопросов и ответов в медицинских материалах, сопоставления запросов с фрагментами документов и группировки похожих текстов. Карточка сообщает значение loss на валидации, но не описывает набор данных, метрики качества или языки обучения; медицинское назначение в названии само по себе не подтверждает клиническую точность. Лицензия в предоставленных данных не указана.