I.3Извлечение и структурирование данных

NabuOCR — модель оптического распознавания, созданная разработчиком boatbomber для транскрибирования изображений древних клинописных табличек в Unicode. Она дообучена на PaddleOCR-VL и принимает изображения одной или нескольких сторон таблички, формируя текстовую транскрипцию с маркерами сторон, например @obverse и @reverse. Модель предназначена для помощи в оцифровке клинописных источников на шумерском и аккадском языках; результат может служить основой для дальнейшей проверки специалистом, но не заменяет научную транслитерацию ATF. В README указана база PaddleOCR-VL размером 0,9 млрд параметров, расширенный токенизатор с клинописными знаками и обучение на изображениях CDLI с последующей SFT и GRPO-настройкой. Метаданные указывают архитектуру PaddleOCR-VL, 316,8 млн параметров и контекст до 131 072 токенов. Рекомендуются фотографии высокого разрешения и хорошего контраста; качество снижается на повреждённых или стёртых табличках и при редких вариантах знаков. Лицензия — Apache-2.0.

saturday-labs разработала Turkish Banking Agent 1.5B — плотную языковую модель на архитектуре Qwen2, дообученную с помощью LoRA на базе Qwen/Qwen2.5-1.5B-Instruct и объединённую с базовой моделью. Она предназначена для диалогов на турецком языке в банковских сценариях: переводит запрос пользователя в вызовы одного или нескольких инструментов с аргументами, запрашивает недостающие сведения и после получения результата инструмента формулирует ответ по-турецки. Модель также умеет запрашивать подтверждение перед потенциально разрушительными действиями, например переводом средств или блокировкой карты, и воздерживаться от ненужного вызова инструмента. Модель содержит 1,5 млрд параметров, принимает текст и выдаёт текст, включая структурированные вызовы инструментов. В README указано обучение с контекстом 4096 токенов; метаданные каталога сообщают нативный контекст 32768 токенов. Модель опубликована по лицензии Apache-2.0. В тесте на 598 примерах авторы сообщают точность выбора решения о вызове инструмента 96,3%, точность названия инструмента 87,9% и F1 ключей аргументов 88,7%.

Yara-50M-PTBR-QA — небольшой причинный языковой декодер, созданный автором с нуля и затем дообученный для ответов на фактические вопросы по предоставленному контексту. Модель использует архитектуру, совместимую с LlamaForCausalLM, но не основана на весах Llama или другого предварительно обученного чекпойнта. Она содержит около 50 млн параметров, обучалась на португальском языке Бразилии и имеет контекстное окно 1 024 токена. Модель рассчитана на извлечение короткого ответа, если нужный факт явно указан в контексте. Это небольшой экспериментальный учебный чекпойнт, а не готовая система вопросов и ответов или полный RAG-конвейер: в репозитории нет поискового модуля, эмбеддингов или векторной базы. По качественным наблюдениям, модель может галлюцинировать, повторять вопрос и ошибаться при конфликтующих временных фактах; формальная точность не установлена. Лицензия в предоставленных данных не указана.

DC-D4-LegalBERT v1 — классификатор, разработанный для магистерской диссертации и дообученный на базе nlpaueb/legal-bert-base-uncased. Он относит абзацы Европейского суда по правам человека к одному из четырёх классов по измерению D4 «бремя обоснования»: ND, MD, HD или NA. Вероятности классов ND, MD и HD также используются для расчёта непрерывной оценки почтительности к усмотрению суда; если наиболее вероятен класс NA, оценка не вычисляется. Модель предназначена для анализа абзацев дел ЕСПЧ по статье 8, связанных с миграцией, в рамках исследований судебной аргументации. Это BERT-модель для классификации последовательностей объёмом 136,7 млн параметров с контекстом до 512 токенов; карточка указывает английский язык. На валидационной выборке из 182 абзацев средний macro-F1 составил 0,5697. Обучающий набор включал 532 абзаца. Разработчик прямо указывает, что модель не предназначена для производственного использования. Лицензия — MIT.

ajrayman/Depression_continuous — дообученная модель классификации текста на базе microsoft/deberta-v3-base, построенная на архитектуре DeBERTa-v2. Она предназначена для оценки текста по непрерывной шкале, связанной с депрессией. В карточке приведены результаты на наборе оценки: RMSE 0,2672, MAE 0,2149 и корреляция 0,4697; описание обучающих данных и подробности применения не раскрыты. Модель содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт предсказание для задачи классификации. Опубликована в формате safetensors, использует библиотеку Transformers и распространяется по лицензии MIT.

napsternxg/gte-small-L3-ingredient-v2 — компактная модель семейства BERT с архитектурой BertForMaskedLM, созданная и опубликованная napsternxg. Модель содержит 18,8 млн параметров, обучена с нуля и рассчитана на заполнение пропусков в тексте с помощью задачи fill-mask. Для её создания в метаданных указан датасет napsternxg/nyt_ingredients; README не раскрывает подробности обучения или назначения модели.

Это модель классификации текста на базе RoBERTa-large, дообученная разработчиком theharmonylab на наборе GLUE SCHONE_POW. Она предназначена для определения неявных мотивов власти в тексте и может применяться для анализа высказываний и исследовательской оценки языковых данных. Модель содержит около 454,1 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. В README приведены результаты на оценочной выборке: loss 0,1556 и ROC AUC 0,9742. Модель работает с английским текстом и распространяется в формате safetensors по лицензии MIT. Карточка не описывает схему меток, данные обучения подробнее или ограничения качества, поэтому результаты и применимость за пределами указанного набора данных требуют отдельной проверки.

PopBERT — модель на базе deepset/gbert-large, разработанная для выявления популистской риторики в немецких политических речах в Бундестаге. Она анализирует предложения и выдаёт оценки по четырём измерениям: антиэлитизм, центризм в отношении народа, левая и правая идеологическая ориентация популистской риторики. Модель представляет собой плотную архитектуру BERT для классификации последовательностей; объём — 434,5 млн параметров, максимальный контекст — 512 токенов. PopBERT дообучена на вручную составленном наборе предложений из 18-го и 19-го созывов Бундестага. В README приведены тестовые значения F1 от 0,71 до 0,84 для трёх измерений; для максимальной эффективности автор рекомендует применять отдельные пороги классификации. Модель предназначена прежде всего для исследовательского анализа немецких политических выступлений и может хуже работать на других типах текстов или вне немецкого политического контекста. Лицензия — MIT.

explosion-testing/roberta-test — модель, опубликованная организацией Explosion Testing Models на Hugging Face. Она предназначена для задачи fill-mask: восстановления замаскированных фрагментов текста в архитектуре RoBERTa и может использоваться через Transformers как модель AutoModelForMaskedLM. На странице модели указано около 86,3 тыс. параметров, поддержка PyTorch, Safetensors и библиотеки Transformers. Модель относится к текстовым, но сведения о языках, размере контекста, обучающих данных, точной конфигурации, результатах оценки и сильных сторонах отсутствуют. Карточка модели не предоставлена, поэтому ограничения, практическая производительность и пригодность для конкретных сценариев не определены. Лицензия также не указана.

Модель Stanza для древнеанглийского языка (код ang), разработанная командой Stanford NLP. Она предназначена для лингвистического анализа текста и входит в набор моделей Stanza. В метаданных указана задача классификации токенов; формат весов — PyTorch. Модель можно использовать для анализа древнеанглийского текста в конвейерах NLP, где требуется разметка отдельных токенов. Репозиторий автоматически подготовлен из проекта huggingface-models для Stanza. Лицензия — Apache 2.0. Карточка не описывает конкретные виды разметки и подробные характеристики модели.

windshield-viper/discord-distilbert — модель DistilBERT, дообученная на наборе сообщений Discord. В метаданных указана архитектура DistilBertForMaskedLM и задача заполнения пропусков в тексте. Модель принимает текст и предсказывает подходящие токены в замаскированных позициях, например для восстановления пропущенных слов в сообщениях. Модель основана на distilbert/distilbert-base-uncased, использует формат safetensors и рассчитана на контекст до 512 токенов. В README приведено значение loss 3,1929 на оценочном наборе, но подробности оценки и характеристики обучающих данных не раскрыты. Лицензия — Apache-2.0.

Lingshu-7B — медицинская мультимодальная модель, разработанная авторами проекта Lingshu как часть семейства моделей для унифицированного понимания и рассуждения по медицинским изображениям и тексту. Она основана на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. Модель принимает изображения и текст и генерирует текстовые ответы. Она предназначена для медицинских вопросов и ответов по изображениям, клинических рассуждений и подготовки медицинских отчётов. В карточке заявлена поддержка более 12 типов медицинских изображений, включая рентген, КТ, МРТ, микроскопию, УЗИ, гистопатологию, дерматоскопию, изображения глазного дна, OCT, эндоскопию и PET. Модель опубликована в формате safetensors для Transformers и распространяется по лицензии MIT. Авторы предупреждают, что генерация может быть неточной, вводящей в заблуждение или потенциально вредной; перед применением необходимы независимая проверка и меры безопасности.

MsBERT (Manuscript BERT) — специализированная предварительно обученная модель BERT, разработанная для работы с текстами еврейских рукописей. Она предназначена прежде всего для предсказания пропущенных слов в фрагментарных транскрипциях рукописей разных жанров; также авторы сообщают о её применении для различения цитируемых фрагментов и экзегетических пояснений. Модель решает задачу заполнения пропусков в тексте (fill-mask), имеет около 211,6 млн параметров и контекстное окно до 512 токенов. Она ориентирована на иврит и рукописные тексты; формат весов в репозитории — safetensors. Авторы сообщают о более высоких результатах предсказания пропусков по сравнению с другими моделями BERT для иврита. Модель доступна для бесплатного скачивания и использования без ограничений; в метаданных указана лицензия CC BY 4.0. Она предназначена для поддержки исследований рукописей, а предсказания пропущенных слов следует сверять с источниками и экспертной оценкой.

coffeeee/nsfw-story-generator — модель на архитектуре GPT-2, доступная в формате PyTorch. В карточке указано, что она предназначена для генерации вымышленных историй и может создавать неуместный или оскорбительный контент. Модель принимает текст и возвращает признаки; в метаданных для неё указан pipeline-тег feature-extraction, поэтому фактическую генерацию историй по этому тегу подтвердить нельзя. Указанная длина контекста — 1024 токена. Лицензия и размер модели в предоставленных данных не указаны.

这是面向中国商业银行对公信贷审批场景的 QLoRA 微调模型，由 liuchen88 基于 Qwen3.8-27B 构建，并以 GGUF F16 格式提供。 Модель принимает текстовые запросы и, при подключении файла визуального проектора mmproj и конфигурации предобработки, изображения, например снимки финансовой отчётности. Модель классифицирует заявки на кредитование по трём исходам: одобрить, одобрить с условиями или отказать. Она также формирует объяснение решения, оценивает финансовые показатели, выявляет риски и рассматривает условия их смягчения. В обучении использовались данные о публичных компаниях, дефолтах малых и микропредприятий и судебных случаях неисполнения обязательств. Модель содержит 27 млрд параметров и предназначена для запуска через llama.cpp, Ollama или LM Studio. Для GGUF F16 README указывает ориентировочно 70 ГБ памяти; заявлена совместимость с Apple Silicon от 64 ГБ объединённой памяти и GPU с 80 ГБ VRAM. Основной язык и обучающие данные ориентированы на Китай, поэтому применимость к компаниям других стран ограничена. Модель служит вспомогательным инструментом и не заменяет человеческую проверку; возможны ошибочные решения. Лицензия в предоставленных источниках не указана.

Sōtēr Megas — лемматизатор древнегреческого языка на базе ByT5, разработанный Люком Поммере из LISN/CNRS. Модель содержит около 595 млн параметров и была получена дистилляцией ответов DeepSeek V4-Flash на 2,26 млн токенов размеченных древнегреческих текстов. Она принимает текст и предсказывает леммы с учётом контекста; обучение охватывает эпос, трагедию, классическую прозу, койне, Септуагинту и патристические тексты. Контекст учитывает до восьми слов с каждой стороны, размер входа ограничен 384 байтами. Модель предназначена для лемматизации древнегреческих текстов, включая корпусную обработку и работу с материалами за пределами обучающих корпусов. В тесте на византийском греческом, отсутствовавшем в обучении, точность составила 77,6% без дополнительного правила пунктуации. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Автор сообщает о продолжающемся обучении более крупной версии.

M47Labs разработала SNCH — модель классификации заголовков испанских новостей на базе BETO, представленной архитектурой BERT с головой классификации последовательностей. В репозитории указано 137,1 млн параметров; модель принимает текст, имеет контекстное окно 512 токенов и сохранена в формате PyTorch. Модель предназначена для отнесения новостных заголовков к темам: наука и технологии, кликбейт, культура, спорт, экономика, образование, окружающая среда, мнения, политика и общество. Карточка подчёркивает, что модель не дообучалась на датасете, поэтому её пример использования показывает классификацию без обучения, а не надёжную тематическую модель. В приведённой в README валидации указаны точность 0,362, макроусреднённые precision 0,21 и recall 0,22. Лицензия в предоставленных данных не указана. Из-за отсутствия дообучения и низких результатов валидации предсказания следует считать экспериментальными; модель не подходит для задач, где требуется высокая точность.

UniRG-CXR — модель Microsoft для автоматической генерации радиологических заключений по медицинским изображениям грудной клетки. Она дообучена на мультимодальной Qwen3-VL-8B-Instruct и рассчитана на создание текстового отчёта по снимку; карточка сообщает о результатах уровня SOTA на наборе ReXrank. Модель построена на архитектуре Qwen3-VL, содержит 8 млрд параметров и поддерживает ввод изображений вместе с текстом и генерацию текста. В метаданных указан английский язык. Для запуска карточка рекомендует Transformers и перечисляет зависимости для Python 3.12. UniRG-CXR предназначена для исследовательских и прикладных сценариев автоматизации подготовки рентгенологических отчётов. Результаты генерации требуют проверки специалистом: README не приводит подробностей клинической валидации или ограничений применения. Модель распространяется по лицензии Apache-2.0.

BioMatrix-1.7B-SFT — мультимодальная биологическая модель, разработанная на основе Qwen3 и дообученная командой QizhiPei. Она объединяет в общей токенизации текст, 1D-последовательности и 3D-структуры малых молекул и белков и выполняет их обработку в единой decoder-only архитектуре с предсказанием следующего токена. Модель содержит около 1,8 млрд параметров, поддерживает контекст до 32 768 токенов по метаданным и распространяется в формате safetensors по лицензии Apache-2.0. Версия SFT настроена на 80 биологических задач: генерацию и анализ молекул, предсказание их свойств, понимание и проектирование белков, работу с их структурами, а также оценку взаимодействий и сродства связывания. Входами и выходами могут быть естественный язык, молекулярные представления SMILES и SELFIES, последовательности белков и их 3D-структуры. Карточка описывает обучение на английском и приводит языковой токенизатор Qwen3; другие поддерживаемые естественные языки не заявлены. Модель показывает результаты на задачах генерации молекул, предсказания свойств, аннотации и проектирования белков и оценки связывания. Ограничения: структуры молекул и белков используют раздельные геометрические системы отсчёта, поэтому модель не представляет нативно комплексы, например позы докинга; специализация может ухудшать общие языковые способности. Поддержка ограничена малыми молекулами и белками, а 3D-геометрия сохраняет ошибку квантования, которую можно уменьшить постобработкой силовым полем.

CardProjector-v4 — модель WoonaAi, дообученная на базе Google Gemma 3 27B IT для создания и редактирования персонажей и карточек персонажей в формате SillyTavern. Она генерирует подробные описания и структурированные карточки, в том числе в YAML, и рассчитана на сценарии ролевых игр и творческого письма. Особое внимание уделено проработке личности, включая профили MBTI и эннеаграмму; модель также может создавать агрессивных, жестоких и сексуализированных персонажей. Поддерживает ввод изображений благодаря мультимодальной архитектуре Gemma 3, однако автор не проводил специального дообучения на зрение. Модель содержит 27 млрд параметров и распространяется в формате Safetensors. Карточка указывает английский язык. Автор отмечает высокую чувствительность к формулировкам промпта и рекомендует явно задавать нужные характеристики персонажа. Лицензия — Gemma.

phonemetransformers/childes-segmentation-18M-gpt2_lm-model — дообученная языковая модель на архитектуре GPT-2, предназначенная для генерации текста и экспериментов с сегментацией детской речи. Карточка приводит метрики сегментации типов и границ, включая F-score для нескольких методов предсказания, а также perplexity 4,7580 и BPC 2,2503. Данные об обучающем наборе и базовой модели в README не раскрыты. Модель работает с текстом на английском языке и имеет контекст длиной 256 токенов. Файлы весов представлены в формате safetensors. Условия лицензии в доступных данных не приведены.

CMRCLIP — контрастивная мультимодальная модель для сопоставления изображений сердечной магнитно-резонансной томографии (CMR) с клиническими отчетами. В репозитории размещены обученные веса и минимальная конфигурация; модель сочетает текстовый энкодер Bio_ClinicalBERT, видеоэнкодер на основе Vision Transformer SpaceTimeTransformer и проекционный слой, который переводит представления обеих модальностей в общее векторное пространство. Модель предназначена для поиска и ранжирования соответствий между CMR-изображениями и отчетами, оценки сходства и использования в последующих задачах. Она принимает медицинские изображения CMR и клинический текст на английском языке, выдавая векторные представления для обеих модальностей. Модель распространяется по лицензии MIT. Карточка не приводит размер модели, длину контекста или результаты клинической валидации. Предназначение ограничено кардиальной магнитно-резонансной томографией и клиническими отчетами; качество на других типах изображений и текстов не подтверждено.

CXRMate Single — модель команды Australian e-Health Research Centre (AEHRC) для генерации рентгенологических заключений по одному снимку грудной клетки. Это вариант, обученный с teacher forcing без обучения с подкреплением; работа описана в статье Аарона Николсона, Джейсона Даулинга, Дугласа Андерсона и Бевана Купмана о генерации заключений по рентгенограммам грудной клетки. Архитектура модели — vision encoder-decoder. Репозиторий предназначен для извлечения признаков, а заявленный сценарий модели — преобразование одного изображения CXR в текст отчёта. Опубликованные сведения не раскрывают размер модели, длину контекста и поддерживаемые языки. Модель может помочь автоматизировать подготовку черновиков рентгенологических заключений. Она не заменяет проверку специалистом; результаты могут содержать пропуски или неточности. Лицензия Apache-2.0.

RF-DETR Medium — детектор объектов, дообученный автором dronefreak на наборе Global Wheat Head Dataset в рамках DetectionBench. Модель находит и локализует на изображениях колосья пшеницы; она рассчитана на анализ полевых снимков, в том числе при высокой плотности объектов и перекрытии соседних колосьев. На тестовой выборке GWHD указаны mAP@50 67,1%, mAP@50–95 27,11% и precision 78,6%. Это одноклассовая модель: все целевые рамки относятся к классу wheat_head. Результаты различаются по странам, а качество на сортах и полевых условиях, не представленных в обучающих данных, не проверено. Базовая архитектура — RF-DETR Medium; модель распространяется в формате PyTorch через библиотеку rfdetr. Лицензия модели — Apache-2.0.

YOLO26m — детектор объектов Ultralytics, дообученный автором репозитория на Global Wheat Head Dataset в рамках DetectionBench. Модель предназначена для поиска и локализации колосьев пшеницы на полевых изображениях; она выделяет объекты класса wheat_head и подходит для анализа плотных скоплений колосьев в задачах точного земледелия. На тестовой части GWHD опубликованы mAP@50 71,58%, mAP@50–95 33,48% и precision 79,94%. Датасет содержит изображения из разных стран и учреждений, а результаты по странам различаются, поэтому агрегированная оценка не гарантирует такую же точность в новых условиях съёмки. Модель основана на Ultralytics/YOLO26 и распространяется по лицензии AGPL-3.0.

hamo-score-0.6b — это компактная модель Hamo AI на 507,9 млн параметров, дообученная на базе Qwen/Qwen3-0.6B для оценки отдельных сообщений в диалогах о психологическом благополучии. На китайском и английском она выдаёт JSON с пятью оценками от 0 до 3: инициативность, отстранение, крайность мышления, враждебность и границы. Модель не пишет ответы; оценки предназначены для последующей обработки детерминированным кодом. Контекст модели — 40 960 токенов, однако описанный сценарий использует одно сообщение за раз. Доступны веса Safetensors и GGUF Q8; для GGUF автор сообщает размер около 0,64 ГБ и возможность локального запуска на CPU. Модель предназначена для локального скоринга сообщений в системах поддержки благополучия, где оценки подаются в логику обновления состояния или выбора действий. Автор приводит результаты внутренней проверки, но подчёркивает, что наборы узкие и не подтверждают качество на широкой популяции; языковые результаты отдельно не оценивались. Это не чат-бот, диагностический инструмент или детектор кризисов. Для пользовательских сценариев автор требует независимый механизм обработки кризисов до модели. Версия оценок важна: результаты разных версий несопоставимы, а оценка границ может ошибаться без контекста. Лицензия HAMO-RAIL-S 1.0 допускает коммерческое использование с ограничениями.

Модель ResNet-18 + LSTM разработана лабораторией анализа биомедицинских изображений Lab225 Объединённого института проблем информатики Национальной академии наук Беларуси. Она принимает рентгеновские снимки грудной клетки и авторегрессионно генерирует текстовые описания и радиологические находки. Архитектура сочетает дообученный энкодер ResNet-18 с пятислойным декодером LSTM; модель содержит около 19,5 млн параметров и использует словарь из 2 190 токенов с эмбеддингами GloVe. Модель предназначена для автоматизированного составления описаний снимков грудной клетки, в том числе в сценариях с ограниченными вычислительными ресурсами. Она обучена на датасете белорусского скрининга CXR; карточка приводит английские и русские языковые коды, а также метрики оценки на тестовой выборке. Репозиторий содержит веса PyTorch и указывает лицензию Apache-2.0. Результат следует рассматривать как автоматически сгенерированное описание для поддержки анализа, а не как подтверждённый диагноз: качество зависит от снимка и соответствия обучающим данным. Модель специализирована на рентгенограммах грудной клетки и не предназначена для других видов изображений или медицинских задач.

Koichi Yasuoka разработал RoBERTa-модель на 115,6 млн параметров для разметки текстов на коптском языке. Она дообучена на корпусах Coptic Scriptorium и предназначена для определения частей речи и синтаксического разбора зависимостей; для разметки подслов используется схема goeswith. Модель принимает текст и выдаёт токеновую разметку. Контекст составляет до 512 токенов. Модель построена на архитектуре RoBERTa и опубликована в формате PyTorch. В карточке указана лицензия CC BY-SA 4.0. Она рассчитана на лингвистический анализ коптских текстов; сведения о качестве на других языках или вне этих задач не приводятся.

Voxlect German Dialect MMS LID 256 — модель классификации аудио для распознавания региональных разновидностей немецкой речи. Она разработана Tiantian Feng и описана в работе Voxlect: A Speech Foundation Model Benchmark for Modeling Dialect and Regional Languages Around the Globe. Модель дообучена на facebook/mms-lid-256 и работает с аудио на входе, присваивая ему метку диалектной группы. В карточке перечислены группы говорящих из Австрии, немецких регионов вне Северного Рейна — Вестфалии, Северного Рейна — Вестфалии, Швейцарии, а также категория «Other». Модель предназначена для исследовательской классификации немецких диалектов и региональной речи. Репозиторий содержит веса в формате safetensors; используется библиотека Transformers. Лицензия CC BY-NC 4.0 запрещает коммерческое использование. Авторы также исключают клиническое применение, наблюдение и вмешательство в частную жизнь; при работе с речевыми данными необходимо учитывать согласие говорящих и требования применимого законодательства.

ianpan/chest-x-ray-basic — модель для анализа рентгенограмм грудной клетки, разработанная Ian Pan. Она объединяет EfficientNetV2-S с декодером U-Net для сегментации и линейным классификатором. Для фронтальных снимков модель выделяет правое и левое лёгкие, а также сердце; дополнительно предсказывает проекцию снимка (AP, PA или боковая), возраст пациента и пол. Модель предназначена для обработки рентгенограмм, получения масок органов и вспомогательных характеристик снимка. Её можно использовать для выделения области лёгких или расчёта кардиоторакального отношения. Обучение проводилось на 335 516 изображениях из наборов CheXpert и NIH Chest X-ray; маски сегментации получены из CheXmask. В README приведены результаты валидации, включая Dice 0,943–0,957 для сегментации сердца и лёгких, но отдельный тестовый набор не использовался. Модель представлена в формате Safetensors и использует библиотеку Transformers. Это дообучение timm/tf_efficientnetv2_s.in21k_ft_in1k. Лицензия в предоставленных данных не указана. Модель предназначена только для демонстраций и исследований и не одобрена для клинического применения; её предсказания не следует считать медицинским заключением.