IV.3Страхование и актуарные задачи

MedicalLlama3.2-vision-11B-IT — мультимодальная модель Cannae-AI, дообученная на базе meta-llama/Llama-3.2-11B-Vision-Instruct. Она предназначена для диалога о медицинских изображениях, в особенности для анализа радиологических снимков и работы с медицинскими понятиями и подписями к изображениям. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; её архитектура — Mllama для условной генерации текста с использованием зрения. В дообучении использован набор радиологических изображений и связанных с ними медицинских понятий и подписей из PMC Open Access Subset, включая датасет ROCO-radiology. Карточка указывает английский и французский языки. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не приводит отдельной оценки клинической точности, поэтому ответы не следует считать медицинским диагнозом.

Medichat-V2-Llama3-8B — медицинская разговорная языковая модель, созданная Sethuiyer путём объединения предварительно обученных моделей с помощью mergekit и метода DARE TIES. В основе лежит refuelai/Llama-3-Refueled; в объединение также вошли медицинская модель ruslanmv/ai-medical-model-32bit и Locutusque/Llama-3-Hercules-5.0-8B. Модель имеет архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для ответов на медицинские вопросы в диалоговом формате и особенно полезна для структурирования неструктурированных клинических текстов. Карточка описывает англоязычные данные и медицинскую специализацию; модель принимает текст и генерирует текст. Модель распространяется в формате safetensors под лицензией other, поэтому условия использования следует сверять с лицензией и условиями исходных моделей. Ответы могут содержать ошибки и не заменяют оценку квалифицированного медицинского специалиста.

CVDGaurd — мультимодальная модель Sharktide для оценки риска внебольничной остановки сердца (OHCA) по физиологическим сигналам и клиническим данным. Это плотная нейросетевая архитектура TFCVDPredictorForOHCADetection на TensorFlow/Keras с механизмами cross-attention; модель классифицирует риск события. Для работы нужны библиотека CVDPredict, Transformers и TensorFlow. На вход подаются примерно 185 секунд временных рядов, включая ЭКГ, фотоплетизмограмму, сигналы акселерометра и гироскопа, а также клинические табличные признаки: демография, лекарства, сопутствующие заболевания, лабораторные показатели и жизненные параметры. Модель предназначена для мониторинга сердечно-сосудистого риска и ранней оценки вероятности OHCA. В README приведены метрики AUROC 0,932 и AUPRC 0,892 на валидационной когорте из 196 наблюдений; эти результаты не подтверждают клиническую пригодность в иных условиях. Модель опубликована по лицензии Apache-2.0. Для загрузки используется пользовательский код из репозитория Hugging Face с trust_remote_code=True; перед развертыванием следует проверять закреплённую версию репозитория. Результаты ограничены описанной в карточке валидационной выборкой, а модель чувствительна к аномалиям и морфологическим вариациям исходных физиологических сигналов.

OpenMed-NER-BloodCancerDetect-SnowMed-568M — специализированная модель OpenMed для распознавания и классификации сущностей в биомедицинских текстах, связанных с хроническим лимфолейкозом (CLL). Она предназначена для извлечения упоминаний CLL из клинических документов и научной литературы, например, для анализа медицинских записей и исследований в гематологии и онкологии. Модель использует архитектуру XLM-RoBERTa с головой token classification; в README базовая архитектура названа snowflake-arctic-embed-l-v2.0. Размер — около 658,7 млн параметров, максимальный контекст — 8194 токена. На вход подаётся токенизированный биомедицинский текст, на выходе — метки BIO; в карточке указаны сущности B-CL и I-CL. README сообщает F1 0,84, точность 0,98 и полноту 0,74 на CLL corpus, поэтому пропуски сущностей возможны. Модель распространяется по лицензии Apache-2.0.

Модель badmuriss/ppe-detection-yolov8s — детектор средств индивидуальной защиты для платформы Vigilante.AI, разработанный для мониторинга строительных площадок и промышленных объектов. Это дообученная на данных COCO модель Ultralytics YOLOv8s-P2 с дополнительной головой для обнаружения мелких объектов; размер входного изображения при обучении — 960 пикселей. Она принимает изображения и видеопотоки, включая RTSP и веб-камеры, и находит защитные каски, сигнальные жилеты, непокрытые каской головы и отсутствие жилета. Модель предназначена для мониторинга соблюдения требований СИЗ, формирования предупреждений для проверки руководителем и отчётности о соблюдении требований по камерам и объектам. В README приведены метрики на тестовом разделении и данные проверки при уменьшении изображений, однако автор предупреждает, что тестовые данные происходят из тех же источников, что и обучающие, а полнота обнаружения реальных нарушений на видеозаписях с камер наблюдения не измерялась. Модель не обнаруживает перчатки, обувь, очки и другие виды СИЗ; качество может снижаться при сильном перекрытии, низком разрешении и необычных ракурсах, а сигнальную одежду можно спутать с жилетом. Лицензия — AGPL-3.0.

Модель medspaner/roberta-es-clinical-trials-neg-spec-ner — испаноязычная модель распознавания именованных сущностей на основе RoBERTa. Она дообучена на bsc-bio-ehr-es для выявления в медицинских текстах о клинических испытаниях маркеров отрицания и предположения, а также понятий, на которые они распространяются. Размер модели — 151,8 млн параметров, контекст — до 514 токенов. Модель предназначена для автоматической семантической разметки испанских медицинских текстов, в том числе объявлений и аннотаций клинических исследований. В тестировании на данных, обучающих и валидационных выборках усреднено по пяти раундам, F1 составил 0,859. Разработчики отмечают, что модель находится в разработке и не должна использоваться для медицинских решений без проверки и надзора специалиста. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но не для коммерческих целей.

DinaSalama/symptom_to_disease_distb — модель классификации текста на базе DistilBERT, дообученная на distilbert-base-uncased. Она предназначена для отнесения входного текста к классам, однако карточка не раскрывает состав этих классов и данные обучения, поэтому назначение для определения заболеваний по симптомам можно предположить только по названию репозитория. Модель работает с текстом и имеет контекст до 512 токенов. Распространяется по лицензии Apache-2.0.

lukasdrg/clinical_longformer_same_tokens_240k — дообученная модель семейства Longformer, разработанная автором репозитория lukasdrg на базе lukasdrg/clinical_longformer_same_tokens_220k. Это плотная модель с архитектурой LongformerForMaskedLM и 151,8 млн параметров; она предназначена для предсказания замаскированных токенов в тексте, в том числе для работы с клиническими текстами, на что указывает базовая модель. В метаданных указан контекст 4098 токенов и формат safetensors. Модель подходит для восстановления пропусков и анализа контекстного употребления слов в текстах. Карточка не описывает обучающий набор данных, оценку качества или дополнительные области применения. Лицензия в доступных сведениях не указана.

MBG-BioBERT — модель на архитектуре BERT, разработанная на основе BioBERT и дополнительно предобученная на болгарских медицинских и клинических текстах. Она предназначена для получения векторных представлений таких текстов и может служить основой для прикладных клинических NLP-систем. Модель содержит 135,5 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Указанный язык — болгарский. Веса доступны в форматах PyTorch и Safetensors; лицензия — AFL-3.0. Карточка не сообщает результаты оценки качества или конкретные клинические сценарии, поэтому пригодность для них следует проверять отдельно.

mradermacher/medgemma-27b-it-i1-GGUF — это набор взвешенных imatrix-квантизаций в формате GGUF базовой мультимодальной модели google/medgemma-27b-it. Квантизацию выполнил пользователь mradermacher; исходная модель разработана Google. Модель ориентирована на медицинские сценарии, включая работу с рентгеновскими снимками, патологией, дерматологией, изображениями глазного дна, радиологическими заключениями, классификацией изображений, zero-shot-классификацией, извлечением признаков и задачами image-text-to-text. Архитектура исходной модели имеет размер 27B параметров; поддерживаются текстовые и визуальные данные, однако точные сведения о контекстном окне и полном наборе языков в README не указаны. Репозиторий предоставляет варианты квантизации IQ и Q объёмом примерно от 6,4 до 22,3 ГБ. Это позволяет выбирать компромисс между размером, скоростью и качеством, но низкобитные варианты могут заметно терять в качестве; для части конфигураций автор рекомендует варианты Q4_K_M или Q5–Q6. Модель следует рассматривать как инструмент для исследовательских и прикладных медицинских задач, а не как замену клинической экспертизе. Доступ регулируется условиями Health AI Developer Foundation; для получения модели на Hugging Face требуется ознакомиться и согласиться с соответствующими terms of use. Лицензия обозначена как health-ai-developer-foundations, при этом конкретные юридические ограничения необходимо уточнять в опубликованных условиях.

ygivenx/modernbert-base-mednli — англоязычный ModernBERT-base, дообученный на наборе MedNLI для определения логического отношения между клинической посылкой и гипотезой. Это задача классификации по трём меткам: следование, нейтральное отношение и противоречие. Базовая модель answerdotai/ModernBERT-base содержит 149 млн параметров; модель использует архитектуру encoder-only и доступна в формате safetensors. Модель подходит для классификации клинических текстов, оценки согласованности медицинских утверждений и исследовательских задач в клиническом NLP. На тестовой выборке MedNLI в карточке указаны accuracy и macro F1 по 81,4%; при проверке без дополнительного обучения на RadNLI accuracy составляет 52,1%, что указывает на ограниченный перенос между наборами данных. Модель обучена на 11 232 примерах MedNLI и предназначена для английского языка. Она может хуже работать на текстах, заметно отличающихся от клинических записей, и не валидирована для принятия клинических решений. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-BloodCancerDetect-BioClinical-108M — модель на базе Bio_ClinicalBERT, дообученную для распознавания сущностей, связанных с хроническим лимфолейкозом (ХЛЛ), в медицинских текстах. Она принимает текст и выполняет токенную классификацию с BIO-разметкой; заявленные метки — B-CL и I-CL. Архитектура относится к семейству BERT, размер составляет 135,5 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения упоминаний о ХЛЛ из клинических записей, медицинских документов и научной литературы, а также для анализа специализированных биомедицинских текстов. В README приведены F1 0,64, точность 0,59 и полнота 0,71 на корпусе CLL; эти показатели указывают на ограничения при автоматическом извлечении и необходимость проверки результатов в конкретном применении. Карточка заявляет совместимость с Transformers. Лицензия — Apache-2.0.

camilon/clinical_longformer_same_tokens_1epochs_200k — дообученная модель семейства Longformer для восстановления пропущенных токенов в тексте. Модель построена на архитектуре LongformerForMaskedLM, содержит 151,8 млн параметров и рассчитана на контекст до 4098 токенов. В репозитории веса представлены в формате safetensors. Модель дообучена на базе camilon/clinical_longformer_same_tokens_1epochs_150k; в README указана оценка Loss 1,6335 на наборе для оценки. Название указывает на клиническую специализацию, но карточка не описывает обучающие данные и сценарии применения, поэтому медицинскую точность нельзя считать подтверждённой. Лицензия в предоставленных данных не указана.

SandriBarros разработала эту модель как дообученную версию SandriBarros/clinical_longformer_same_tokens_2epochs_50k. Это плотная модель Longformer для заполнения пропусков в тексте: она предсказывает замаскированные токены и рассчитана на работу с длинными текстами. Модель содержит 151,8 млн параметров, принимает контекст длиной до 4098 токенов и распространяется в формате safetensors. В README указано значение loss 1,4824 на оценочной выборке. Карточка не описывает назначение датасета, языки, методику оценки или ограничения, поэтому качество для конкретных клинических сценариев по этим данным установить нельзя. Условия лицензии в предоставленных сведениях отсутствуют.

Hulu-Med-30A3 — медицинская мультимодальная модель типа vision-language, разработанная командой Hulu-Med. Она предназначена для совместного понимания медицинского текста, изображений и видео; архитектура в метаданных указана как Qwen3-VL-MoE, библиотека для работы — Transformers. Модель поддерживает визуальные вопросы и ответы по 2D- и 3D-изображениям и видео, генерацию медицинских заключений, клинический диалог, распознавание хирургических этапов и рассуждения по медицинскому тексту. Разработчики сообщают об обучении на общедоступных данных: корпус включает 16,7 млн примеров, охватывает 12 анатомических систем и 14 видов медицинской визуализации. Модель рассчитана на широкий круг медицинских сценариев, включая диагностику заболеваний, редких заболеваний и оценку изображений. В репозитории доступны веса в формате Safetensors; лицензия — Apache-2.0. Для варианта MoE разработчики рекомендуют запуск через vLLM или SGLang для более эффективного инференса.

PULSE-7B — мультимодальная языковая модель семейства LLaVA-Llama, разработанная для интерпретации изображений электрокардиограмм. Модель содержит 6,6 млрд параметров, принимает текст и изображения ЭКГ и формирует текстовые ответы; максимальный контекст составляет 4096 токенов. Она предназначена для анализа как распечатанных, так и цифровых ЭКГ и охватывает широкий спектр задач интерпретации электрокардиограмм. В описании модели заявлено обучение на наборе ECGInstruct с более чем миллионом инструкционных примеров и оценка на ECGBench, включающем четыре задачи и девять наборов данных. Авторы сообщают о превосходстве над общими мультимодальными моделями на бенчмарке, однако результаты не заменяют клиническую проверку: модель следует рассматривать как вспомогательный инструмент, а не как самостоятельное средство диагностики. Репозиторий распространяется по лицензии Apache-2.0.

BioBERTpt(clin) — португалоязычная модель семейства BERT, разработанная для клинического и биомедицинского текста. Она основана на BERT-Multilingual-Cased и дообучена на клинических записях из электронных медицинских карт больниц Бразилии. В репозитории указано около 205,1 млн параметров, архитектура BertForMaskedLM и контекст до 512 токенов. Модель предназначена для работы с португалоязычными клиническими текстами, в том числе как языковая основа для распознавания клинических именованных сущностей. Метаданные задают основную задачу fill-mask — предсказание замаскированных слов. Доступны версии весов для PyTorch, TensorFlow и Flax. В предоставленной карточке лицензия не указана.

AliFadel/blip-cxr-mimic-finetuned — модель BLIP, дообученная на снимках грудной клетки из набора MIMIC-CXR для автоматической генерации текстовых описаний и черновиков рентгенологических отчётов. Она основана на Salesforce/blip-image-captioning-base и использует архитектуру BlipForConditionalGeneration; репозиторий содержит веса в формате safetensors. Модель принимает рентгеновское изображение и выдаёт текст на английском языке. Модель предназначена для исследовательских экспериментов по автоматическому описанию рентгенограмм грудной клетки и генерации черновиков отчётов. В обучающей выборке указано 19 600 примеров, для проверки — 2 000. Лицензия — Apache-2.0. Автор предупреждает, что модель не следует использовать как клинический диагностический инструмент без контроля медицинского специалиста.

Модель lukasdrg/clinical_longformer_same_tokens_1epochs — дообученная версия клинической Longformer-модели lukasdrg/clinical_longformer_same_tokens_240k для предсказания замаскированных токенов. Она содержит 151,8 млн параметров, использует архитектуру LongformerForMaskedLM и принимает последовательности длиной до 4098 токенов. Модель подходит для восстановления пропущенных токенов в клиническом тексте и связанных экспериментов с языковым моделированием. В README указано значение loss 1,8395 на оценочном наборе, однако описание данных, методики обучения и предполагаемых ограничений отсутствует. Лицензия и поддерживаемые естественные языки в предоставленных источниках не указаны.

Модель SandriBarros/clinical_longformer_same_tokens_2epochs_50k — дообученная версия camilon/clinical_longformer_same_tokens_1epochs_250k на клиническом Longformer. Это плотная модель архитектуры LongformerForMaskedLM с 151,8 млн параметров и контекстом до 4098 токенов. Основная задача — восстановление замаскированных токенов в тексте; модель подходит для анализа клинических текстов в сценариях, где нужно предсказывать пропущенные слова или токены. В карточке указана оценка Loss 1,4935 на тестовой выборке, но детали набора данных и методики оценки не приведены. Лицензия в предоставленных данных не указана.

CXRMate — модель генерации рентгенологических заключений по снимкам грудной клетки, разработанная авторами исследования Аароном Николсоном, Джейсоном Даулингом, Дугласом Андерсоном и Беваном Купманом. Она предназначена для создания заключений с учётом продольных данных пациента и нескольких рентгеновских изображений в рамках одного исследования. Модель построена на архитектуре vision-encoder-decoder и обучена с использованием вознаграждения за семантическое сходство на основе CXR-BERT. Карточка описывает варианты обучения с подкреплением и без него, но не позволяет однозначно определить конкретный вариант данного репозитория. Модель принимает медицинские изображения и генерирует текст заключения; Apache-2.0 допускает коммерческое использование и модификацию при соблюдении условий лицензии. Модель ориентирована на рентгенографию грудной клетки. Автоматически сгенерированные заключения требуют проверки специалистом; README не сообщает поддерживаемые языки, размер модели или длину контекста.

generate-cxr — модель Nathan Sutton для генерации рентгенологических заключений по снимку грудной клетки и клиническому показанию, например подозрению на пневмонию. Она основана на BLIP с архитектурой BlipForConditionalGeneration и дообучена на Salesforce/blip-image-captioning-large. Модель принимает изображение рентгенограммы и текстовое клиническое показание, а выдаёт текст заключения на английском языке. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache 2.0; автор исключает любое медицинское применение, поэтому модель не предназначена для клинической диагностики или принятия медицинских решений.

BrokenSoul/Llama-3.2-3B-Instruct-Cancer-Lung-Detection — языковая модель BrokenSoul на архитектуре LlamaForCausalLM с 3,2 млрд параметров. Она дообучена на базе unsloth/llama-3.2-3b-instruct-bnb-4bit на разговорном наборе данных о выявлении рака лёгких, созданном из исходного набора Lung Cancer Detection от Jillani Soft Tech. Модель предназначена для диалоговых ответов на вопросы о выявлении рака лёгких на основе медицинских записей в формате беседы. Она принимает текст и генерирует текст; в метаданных указан контекст до 131 072 токенов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Результаты модели не следует считать медицинским диагнозом: карточка не сообщает о клинической проверке, точности или пригодности для медицинского применения.

OpenMed-NER-BloodCancerDetect-ModernMed-395M — специализированная модель OpenMed для распознавания клинических сущностей, связанных с хроническим лимфолейкозом (CLL). Это дообученная ModernBERT-large с архитектурой ModernBertForTokenClassification и примерно 395 млн параметров. Модель принимает токенизированный биомедицинский текст и возвращает BIO-метки; заявленная длина контекста — 8192 токена. В карточке указан тип сущностей B-CL и I-CL. Модель предназначена для извлечения упоминаний, относящихся к CLL, из медицинских записей и научных публикаций, а также для анализа клинических и исследовательских документов в гематологии и онкологии. В README приведены F1 0,61, точность 0,66, полнота 0,57 и accuracy 0,93 на CLL corpus; эти результаты указывают на ограничения полноты и качества извлечения, поэтому следует проверять предсказания перед клиническим использованием. Лицензия — Apache-2.0.

Модель dima806/chest_xray_pneumonia_detection — классификатор рентгеновских снимков грудной клетки на классы NORMAL и PNEUMONIA. Она разработана на основе Vision Transformer ViT-Base с патчами 16×16, предварительно обученного Google на ImageNet-21k, и дообучена для выявления пневмонии. Модель содержит 113,2 млн параметров и принимает изображение, выдавая метку класса. В README приведён отчёт на тестовой выборке из 1710 снимков: точность составляет около 96,1%, а precision, recall и F1 для обоих классов — около 96%. Эти показатели относятся к указанной выборке и сами по себе не подтверждают клиническую пригодность модели. Модель опубликована в форматах PyTorch и Safetensors под лицензией Apache-2.0.

CheXOne — медицинская визуально-языковая модель, разработанная Stanford AIMI и дообученная на основе Qwen2.5-VL-3B-Instruct. Она предназначена для анализа рентгенограмм грудной клетки и поддерживает ответы на визуальные вопросы, подготовку черновиков рентгенологических заключений и визуальную локализацию находок. Модель предлагает режим с явными рассуждениями и более быстрый режим инструкций без цепочек рассуждений. Модель построена на архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и принимает изображения и текст, выдавая текстовые ответы. Заявленная длина контекста — 128 000 токенов; в карточке указан английский язык. По README, в 55% случаев её черновики заключений соответствуют или превосходят заключения, составленные врачами-резидентами. Модель может служить вспомогательным инструментом и не заменяет клиническую оценку специалиста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель camilon/clinical_longformer_same_tokens_1epochs_100k — дообученная версия клинической Longformer-модели lukasdrg/clinical_longformer_same_tokens_1epochs_50k, разработанная на основе архитектуры LongformerForMaskedLM. Она предназначена для заполнения пропусков в тексте: по окружающим словам модель предсказывает замаскированные фрагменты. В README указан результат Loss 1,6928 на оценочной выборке; объём модели составляет 151,8 млн параметров, контекст — до 4098 токенов. Название базовой модели указывает на ориентацию на клинические тексты, однако README не описывает обучающие данные и конкретные сценарии применения. Модель принимает текст и выдаёт предсказания токенов. Веса опубликованы в формате safetensors. Сведения о лицензии отсутствуют в предоставленных данных.

SandriBarros разработал эту модель как дообученную версию SandriBarros/clinical_longformer_same_tokens_2epochs_150k. Это LongformerForMaskedLM с 151,8 млн параметров, предназначенная для предсказания замаскированных токенов в клинических текстах. Контекст модели составляет 4098 токенов; веса опубликованы в формате safetensors. В README приведено значение loss 1,4616 на оценочной выборке, но подробности набора данных и условий оценки отсутствуют. Модель подходит для заполнения пропусков в клинических текстах; качество для других сценариев по доступным сведениям оценить нельзя. Лицензия в предоставленных данных не указана.

Hulu-Med-235A22 — медицинская мультимодальная vision-language модель от команды Hulu-Med, построенная на архитектуре Qwen3-VL-MoE и предназначенная для комплексного понимания медицинских данных. Она принимает текст и медицинские изображения, включая 2D- и 3D-данные, а также видео; поддерживает визуальные вопросы и ответы, генерацию медицинских заключений, клинический диалог, диагностику заболеваний и анализ хирургических этапов. В README семейство описано как обученное на общедоступных данных и охватывающее множество анатомических систем и методов медицинской визуализации. Модель рассчитана на медицинские сценарии: ответы на вопросы по снимкам, интерпретацию изображений и видео, медицинские рассуждения и мультимодальную клиническую поддержку. Карточка указывает вариант MoE 235A22, совместимость с Transformers и лицензию Apache-2.0; для более эффективного запуска MoE-варианта рекомендуются vLLM или SGLang. В README заявлены сильные результаты на медицинских бенчмарках, но эти заявления не являются независимой оценкой качества. Модель не заменяет клиническую проверку специалистом; языки явно не перечислены, хотя заявлена поддержка многоязычных медицинских вопросов и ответов.

Карточка модели localized-ft/Llama-3.1-8B-old-bird-names-last-third-v2-sft-seed4-epoch3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.