IV.3Страхование и актуарные задачи

XOR Lite — дообученная модель Juspay на базе openbmb/MiniCPM5-2B для принятия решений по типизированным вопросам. Она выдаёт вероятность бинарного ответа, категориальный выбор с распределением вероятностей или порядковую оценку с распределением. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 2,2 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для структурированных решений через TypeSafe-совместимый API `/v1/systemone`, включая классификацию и оценивание по заданному состоянию и набору вопросов. В README приведены результаты локальной оценки на 231 задаче JEVBench: 169 правильных ответов; качество заметно различалось по уровням сложности. Для воспроизводимого использования необходима совместимая конфигурация обслуживания, включая constrained readout, калибровку вероятностей и преобразование схемы. Лицензия — Apache-2.0.

afiyarah/gemma-ins-make-v2 — модель Sentence Transformer, дообученная автором на базе google/embeddinggemma-300m для представления предложений и абзацев в виде плотных векторов. Модель использует текстовую архитектуру Gemma 3, mean pooling, выдаёт эмбеддинги размерности 768 и сравнивает их косинусным сходством. В README указан предел длины последовательности 512 токенов; метаданные каталога указывают контекст до 2048 токенов. Модель предназначена для семантического сопоставления названий автомобильных марок, включая арабские и английские варианты, а также для поиска похожих текстов, поиска парафраз, классификации и кластеризации. Данные обучения включают примеры из страховой автомобильной тематики; в README приведена оценка на insurance-val. Модель принимает текст и выдаёт векторные представления, пригодные для сравнения и поиска. Репозиторий использует формат safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

QuantFactory/Qwen2.5-Math-7B-Instruct-GGUF — квантизированная версия Qwen2.5-Math-7B-Instruct, созданная QuantFactory с использованием llama.cpp на основе модели Qwen/Qwen2.5-Math-7B-Instruct от команды Qwen. Это инструкционная языковая модель для генерации текста и диалогового взаимодействия, специализированная прежде всего на решении математических задач на английском и китайском языках. Модель поддерживает рассуждения по цепочке мыслей (CoT) и Tool-integrated Reasoning (TIR), при котором естественно-языковое рассуждение сочетается с выполнением программ. TIR предназначен для повышения точности вычислений, символьных преобразований и алгоритмического рассуждения, особенно в сложных задачах, например при решении уравнений и вычислении собственных значений матриц. Размер исходной модели составляет 7B параметров; формат GGUF и квантизация ориентированы на запуск через совместимые инструменты llama.cpp, однако конкретный тип квантизации в README не указан. Сильной стороной модели является специализация на математическом рассуждении: для исходной Qwen2.5-Math-7B-Instruct заявлен результат 85,3 на бенчмарке MATH при использовании TIR. Модель не рекомендуется для общих задач, не связанных с математикой, и её возможности для других языков и модальностей не заявлены. Для оригинальной модели требуется transformers версии 4.37.0 или новее, но требования к запуску именно GGUF-версии, размер контекста и показатели производительности в README не указаны. Указана лицензия Apache-2.0.

joshuapb создал англоязычную модель Sentence Transformer, дообученную на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации.

llmware разработала industry-bert-insurance-v0.1 — англоязычную BERT-модель Sentence Transformer, дообученную для получения эмбеддингов текстов страховой тематики. Она предназначена для использования как замена эмбеддинговой модели в прикладных системах страховой отрасли. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления. Доступна в формате PyTorch и распространяется по лицензии Apache 2.0. Модель подходит для семантического поиска по страховым документам, сравнения текстов и построения поиска с дополненной генерацией (RAG), где нужны эмбеддинги по материалам страховой отрасли. За пределами этой тематики качество может снижаться; в пространстве эмбеддингов возможны аномалии. Разработчик также отмечает отсутствие специальных мер защиты и снижения смещений в данных обучения.

轩辕-FinX1-Preview — предварительная языковая модель для финансовых сценариев, разработанная Duxiaoman AI-Lab. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 69,5 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для финансового анализа, поддержки решений и обработки данных; в ответах она формирует размышление с обозначенными шагами, а затем итоговый ответ. Модель обучали в несколько этапов: настройка на инструкции и длинные цепочки рассуждений, оценка промежуточных шагов и итоговых ответов отдельными моделями вознаграждения, затем дообучение с подкреплением PPO. В карточке заявлено применение для финансовых задач, включая оценку рисков, анализ рынка и инвестиционные решения. Доступна загрузка весов в формате safetensors; лицензия — Llama 3.1. Это preview-версия, а авторы указывают, что методы и модель продолжают совершенствовать.

surajvbangera/mediclaim_embedding — модель Sentence Transformers, дообученная разработчиком на наборе mediclaim от sentence-transformers/multi-qa-mpnet-base-cos-v1. Она кодирует вопросы и абзацы о медицинском страховании в плотные векторы размерностью 768 и сравнивает их косинусной мерой сходства. Модель основана на MPNet с усреднением токенов и нормализацией векторов; максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сопоставления вопросов с релевантными фрагментами страховых документов, а также для поиска похожих формулировок, кластеризации и классификации текста. Обучение проводилось на 956 примерах из mediclaim; в README приведены результаты оценки поиска, поэтому качество может зависеть от данных и сценария применения. Использование требует библиотеки Sentence Transformers. Лицензия в предоставленных сведениях не указана.

Модель gdurkin/segformer-b0-finetuned-segments-floods-S2 — дообученная NVIDIA SegFormer-B0 для семантической сегментации изображений, созданная на основе nvidia/mit-b0 и обученная на наборе gdurkin/flood_dataset_S2. Она предназначена для выделения областей, связанных с наводнениями, на спутниковых снимках Sentinel-2. Архитектура SegFormer использует трансформерный энкодер и выдаёт попиксельную сегментацию изображения. Модель подходит для картирования затопленных территорий и анализа спутниковых снимков после наводнений. В карточке указана лицензия other, поэтому условия использования следует уточнить у автора модели; подробностей об оценке качества и ограничениях в карточке нет.

OpenHermes-7B-Symbolic — языковая модель на архитектуре Mistral, разработанная на основе OpenHermes-2.5-Mistral-7B и дообученная на 93 тысячах тщательно отобранных примеров. Она предназначена для генерации текста и чата, в частности для понимания и формирования сложных иерархических кодов медицинской классификации ICD. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий включает веса в формате Safetensors. Указанная лицензия — Apache-2.0. Карточка приводит результаты нескольких тестов общих языковых моделей, но не сообщает отдельных показателей качества кодирования ICD.

DriveFusionQA — специализированная визуально-языковая модель DriveFusion для понимания дорожных сцен и объяснения решений при вождении. Она дообучена на Qwen/Qwen2.5-VL-3B-Instruct и содержит около 3,1 млрд параметров; модель поддерживает диалог и принимает изображения вместе с текстовыми запросами, формируя ответы на естественном языке. Контекст составляет до 128 000 токенов. Модель предназначена для анализа участников движения, дорожных знаков и опасностей, а также для объяснения причин манёвров, например торможения перед пешеходом. Её можно применять для разбора видео с видеорегистратора по кадрам, анализа дорожных происшествий, обучения и симуляции автономного вождения, а также интерактивных вопросов о безопасности на дороге. В обучении использовались материалы LingoQA, DriveGPT4, BDD-X и DriveLM. Модель может ошибаться при распознавании удалённых объектов и сложных социальных ситуаций на дороге; качество может зависеть от региона и погодных условий, представленных в обучающих данных. Она предназначена для рассуждений и объяснений, а не для непосредственного управления автомобилем. Лицензия — Apache-2.0.

Open-Insurance-LLM-Llama3-8B — англоязычная инструкционная языковая модель, разработанная Raj Maharajwala для вопросов и диалогов по страхованию. Она дообучена методом LoRA на InsuranceQA на базе NVIDIA Llama3-ChatQA-1.5-8B и использует архитектуру Llama с 7,5 млрд параметров по метаданным и 8,05 млрд по карточке модели. Модель принимает текст и генерирует ответы в формате диалога; её родной контекст составляет 8192 токена. Модель предназначена для объяснения условий страховых полисов, анализа покрытия, помощи при обработке страховых случаев, сравнения полисов и ответов на вопросы о страховой терминологии и соблюдении требований. Она ориентирована на страховую тематику и англоязычные запросы. Лицензия — Llama 3. Ответы могут содержать правдоподобные, но неверные сведения и отражать смещения обучающих данных. Знания ограничены данными обучения; результаты для важных решений следует проверять со специалистом, модель не заменяет профессиональную страховую или юридическую консультацию.

qfin — дообученная alfotech языковая модель на архитектуре Qwen2 для финансовых и количественных рассуждений. Она предназначена для ответов на финансовые вопросы и решения задач, требующих количественного анализа. Модель содержит 1,5 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и ориентирована на английский язык. Модель основана на unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit и распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценивания качества; как компактную модель, её ответы по финансовым расчётам и выводам следует проверять.

Fin-o1-8B — дообученная TheFinAI модель на основе Qwen3-8B для рассуждений по финансовым вопросам, в том числе финансовых вычислений и анализа задач из наборов FinQA, TATQA, DocMath-Eval, Econ-Logic, BizBench-QA и DocFinQA. Модель обучали методами SFT и GRPO на финансовых данных; архитектура — плотная авторегрессионная Qwen3ForCausalLM с 7,6 млрд параметров. Она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Основной язык карточки — английский; базовая Qwen3-8B многоязычна. Максимальная длина контекста — 40 960 токенов. Лицензия — Apache-2.0. Модель подходит для ответов на финансовые вопросы с пошаговыми вычислениями и для анализа числовых и логических задач из финансовых документов. Карточка описывает специализацию на финансовых рассуждениях, но не приводит результатов оценки и не подтверждает пригодность ответов для принятия реальных инвестиционных или иных финансовых решений.

ODA-Fin-RL-8B — финансовая языковая модель от OpenDataArena, дообученная на базе ODA-Fin-SFT-8B. Модель построена на плотной архитектуре Qwen3 и содержит 7,6 млрд параметров; для работы с текстом доступен контекст до 40 960 токенов. Она обучена в два этапа: сначала supervised fine-tuning на финансовых примерах, затем оптимизация методом GRPO на наборе сложных проверяемых финансовых задач ODA-Fin-RL-12K. Модель предназначена для генерации ответов и рассуждений по финансовым вопросам, включая анализ числовых данных, финансовые расчёты и определение тональности. В README сообщается о среднем результате 74,6% на девяти финансовых бенчмарках и сильных результатах на задачах TaTQA, FinQA и ConvFinQA. Указанные результаты относятся к оценке авторов и сами по себе не гарантируют точность в практических финансовых решениях. Модель принимает и выдаёт текст, обучалась на англоязычных и китайскоязычных данных. Для загрузки используется Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0.

NEXUS-Finance-GGUF — квантизированная GGUF-версия модели NEXUS-Finance, разработанной fableforge-ai в рамках экосистемы FableForge и опубликованной пользователем King3Djbl. Модель представляет собой лёгкого доменного специалиста для финансового анализа и моделирования, включая задачи в области финансов, бухгалтерского учёта, рассуждений и использования инструментов. Предназначена для локального запуска через llama.cpp, Ollama или LM Studio. Заявлен размер базовой модели — 1,5 млрд параметров. Указан английский язык, текстовая модальность и поддержка формата ChatML. Репозиторий содержит варианты от F16 до низкобитных квантизаций, включая Q4_K_M как компромисс между размером и качеством, Q6_K для высокого качества и IQ4_XS для систем с ограниченной оперативной памятью. Размер файлов варьируется от 0,23 до 3,09 ГБ; сведения о размере контекстного окна отсутствуют. По заявленным разработчиками результатам внутреннего тестирования модель набрала 144 из 150 баллов (96%) на 30 заданиях, оценивавших предметные знания, рассуждения и использование инструментов. Эти показатели следует считать заявленными результатами, поскольку независимая методика и полный набор тестов не приведены. Ограничениями являются небольшой размер модели, возможная потеря качества в низкобитных вариантах и отсутствие информации о контекстном окне. Модель распространяется по лицензии Apache-2.0.

BSC-NLP4BIA разработала эту модель для распознавания упоминаний заболеваний в клинических текстах на румынском языке. Это дообученная для задачи MultiClinNER модель DT4H/CardioBERTa.ro на архитектуре XLM-RoBERTa с 305,2 млн параметров. Она выполняет разметку токенов по схеме BIO: O, B-DISEASE и I-DISEASE; длина контекста составляет 514 токенов. Модель предназначена для извлечения названий заболеваний из медицинских записей и клинических документов. В оценке на румынской тестовой выборке MultiClinNER она показала strict F1 0,6953 и символьный F1 0,8094. Для воспроизведения результатов важно подавать предварительно токенизированный текст и корректно сопоставлять предсказания с позициями исходного текста; при обычной токенизации границы сущностей возле знаков препинания могут отличаться. Авторы также отмечают, что смещения модели не оценивались. Лицензия — CC BY 4.0.

HUMADEX/english_medical_ner — англоязычная модель распознавания медицинских сущностей, разработанная авторами исследования о слабоконтролируемом многоязычном медицинском NER. Это BERT-base-cased, дообученная для классификации токенов; модель выделяет в клиническом тексте заболевания, симптомы и состояния (PROBLEM), диагностические процедуры и лабораторные тесты (TEST), а также лекарства, терапии и другие вмешательства (TREATMENT). Она предназначена для извлечения медицинских сущностей из англоязычных клинических текстов и анализа медицинских данных. Модель содержит 135,5 млн параметров, использует архитектуру BERT и поддерживает контекст до 512 токенов. В карточке указаны F1 0,801, точность 0,808 и полнота 0,793 на тестовом наборе. Модель распространяется по лицензии Apache-2.0. Она обучена на англоязычных медицинских данных; указанные метрики не гарантируют сопоставимого качества на других источниках или текстах.

Qwen2.5-VL-7B-Meteorology-GGUF — это набор GGUF-квантизаций мультимодальной модели Qwen2.5-VL-7B-Meteorology, опубликованный и квантизированный пользователем mradermacher. Базовую модель разработала команда deepguess. Модель предназначена для работы с текстом и изображениями в метеорологических, погодных и климатических сценариях, включая анализ визуальных материалов и генерацию текстовых ответов по ним. Модель основана на архитектуре Qwen2.5-VL с 7 млрд параметров и поддерживает мультимодальный режим image-text-to-text. В карточке указаны английский язык, библиотека Transformers и отдельные файлы mmproj для обработки визуальных входов. Размер контекста и другие архитектурные характеристики не указаны. Доступны варианты от Q2_K до Q8_0, IQ4_XS и f16; размеры файлов составляют примерно от 3,1 до 15,3 ГБ, а mmproj-компонентов — от 1,0 до 1,5 ГБ. Главное преимущество модели — сочетание специализированной метеорологической тематики, поддержки изображений и нескольких уровней квантизации, позволяющих выбирать баланс между качеством, скоростью и требованиями к памяти. Ограничения включают зависимость качества от выбранного варианта квантизации, отсутствие подробных результатов оценки и неполное описание языковой и контекстной поддержки. Лицензия обозначена как qwen2.5-vl с лицензией Qwen, при этом в карточке также указано значение other; точные условия следует уточнять в тексте лицензии по ссылке автора.

Qwen2-Wildfire-2B — разработанная hiko1999 мультимодальная модель для анализа изображений лесных пожаров. Это дообученная версия Qwen2-VL-2B-Instruct с архитектурой Qwen2-VL и примерно 1,5 млрд параметров. Модель принимает изображение и текстовый запрос, а в ответ описывает сцену на естественном языке; контекст составляет 32 768 токенов. Модель предназначена для распознавания типа пожара и характеристик пламени и дыма, оценки распространения огня и затронутой территории, описания видимых действий пожарных и техники, а также окружающего рельефа и качества изображения. При дообучении использовались 4 135 вручную проверенных и размеченных изображений. Карточка заявляет поддержку английского, китайского и японского языков. Модель опубликована под лицензией Apache-2.0. Описание модели указывает на возможное будущее развёртывание на мобильных устройствах, но не приводит результатов таких испытаний; численные показатели качества также не указаны.

ClinicalDistilBERT-i2b2-2010 — компактная модель на основе DistilBERT, дообученная на наборе данных i2b2-2010 для распознавания именованных сущностей в клинических текстах. Она выделяет три категории: проблемы со здоровьем, методы лечения и медицинские тесты. Модель разработана на базе ClinicalDistilBERT. Архитектура включает 6 слоёв Transformer, скрытое измерение и размер эмбеддингов 768, словарь из 28 996 токенов и около 65 млн параметров. Модель принимает текст и возвращает метки для его токенов; максимальная длина контекста — 512 токенов. Подходит для извлечения клинических сущностей из медицинских записей. README не сообщает результаты оценки качества или дополнительные ограничения. Лицензия — MIT.

modrill/math-nothink-strip-s2-qwen3-4b — дообученная плотная языковая модель семейства Qwen3, созданная на базе Qwen/Qwen3-4B-Base. Это второй этап продолженного обучения модели math-nothink-strip-v2 в рамках Light-R1 stage2: один проход обучения с длиной отсечения 4096 токенов и скоростью обучения 3e-6. Модель предназначена для генерации текста в диалоговом формате и ориентирована на математические задачи без развёрнутых рассуждений. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает текст; заявленный родной контекст базовой модели составляет 32 768 токенов. В репозитории представлены веса safetensors. Лицензия Apache-2.0 разрешает использование на её условиях. Карточка не сообщает результаты оценивания или подробные границы применимости.

rjac/setfit-ST-ICD10-L3 — модель Sentence-Transformers на архитектуре MPNet, которая преобразует предложения и абзацы в плотные векторы размерности 768. Она предназначена для сравнения смысловой близости текстов и может применяться для семантического поиска и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги. В карточке приведено обучение с CosineSimilarityLoss; название репозитория указывает на настройку для ICD-10, однако README не уточняет обучающие данные и медицинские сценарии. Контекстное окно составляет 514 токенов. Доступен формат PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

AIFS ENS v1.0 — вероятностная ансамблевая модель прогноза погоды, разработанная Европейским центром среднесрочных прогнозов погоды (ECMWF). Она предназначена для генерации прогнозов верхних слоёв атмосферы, приземных погодных параметров и траекторий тропических циклонов. Модель работает на основе данных о начальном состоянии атмосферы и выдаёт прогноз в виде небольшого ансамбля, обученного с оптимизацией оценки CRPS. Архитектура модели сочетает графовую нейронную сеть в кодировщике и декодировщике со скользящим оконным трансформером. Она обучалась на реанализе ERA5 и оперативных метеорологических анализах ECMWF. Атмосферная компонента имеет горизонтальное разрешение около 31 км и 13 вертикальных уровней. Для запуска используется фреймворк Anemoi; по умолчанию требуется около 38 ГБ видеопамяти, а уменьшение потребления памяти снижает пропускную способность. Из-за недетерминированности вычислений на GPU пользовательские запуски не обязаны в точности совпадать с официальными прогнозами. Веса доступны по лицензии CC BY 4.0.

Medical-ner-proj/bert-medical-ner-proj — модель распознавания именованных сущностей в медицинских документах, созданная дообучением BERT. Она предназначена для выделения медицинских сущностей из текста, например сведений о заболеваниях, лекарствах, аллергиях, операциях, симптомах и результатах осмотра. Модель использует архитектуру BERT для классификации токенов, содержит 136,7 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель подходит для извлечения клинических сведений из медицинских записей и структурирования текста для последующего поиска или анализа. Карточка демонстрирует примеры на английском языке; поддержка других языков не подтверждена. Репозиторий содержит веса PyTorch, лицензия — OpenRAIL. В карточке не приведены метрики качества и подробная схема классов сущностей.

Finance-Llama3-8B — языковая модель команды Instruction Pre-Training, созданная на основе Llama 3 8B с помощью доменно-адаптивного продолжения предобучения для финансовой области. Метод авторов дополняет корпуса инструкциями и ответами, чтобы обучать модель на сочетании текстов и заданий. Модель предназначена для генерации текста и ответов на вопросы по финансовым темам, а также для оценки языковых моделей на профильных задачах. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов. Она принимает и генерирует текст; в карточке указан английский язык. Модель основана на Llama3-8B и продолжает предобучение базовой, а не instruction-tuned версии, поэтому для запросов требуется учитывать форматирование и добавление BOS-токена, описанные авторами. Модель подходит для экспериментов и прикладных задач генерации в финансовой области, но карточка не приводит гарантий точности финансовых рекомендаций. Лицензия указана как llama3; условия её применения следует сверять с лицензией семейства Llama 3.

eitanlebras/fire-spread-forecast-v1-small — небольшая модель UNet для прогнозирования распространения лесных пожаров, разработанная авторами репозитория и обученная с нуля на 258 пожарах на западе США. На вход она принимает 40-канальный стек WildfireSpreadTS в формате GeoTIFF на сетке с пикселем 375 м и предсказывает для каждого пикселя вероятность активного горения в следующие 24 часа. Модель содержит 1,94 млн параметров; веса опубликованы в формате safetensors. Для запуска необходимы точный порядок каналов и статистики нормализации из config.json. Модель предназначена для поддержки планирования и определения приоритетов при тушении. В тестировании на 30 пожарах 2021 года она показала AUC-PR 0,552 ± 0,003; метрика калибровки ECE составила 0,0044. Обучение охватывало события 2018–2021 годов в западной части США, поэтому качество за пределами этих условий не подтверждено. Модель не предсказывает отдельные очаги за фронтом, а наблюдаемые периметры отражают также влияние тушения. Модель распространяется по лицензии MIT. Она не предназначена для принятия решений об эвакуации: горизонт прогноза составляет 24 часа, а разрешение и скорость обновления не отражают быстрые опасные изменения пожара.

ClinicalMobileBERT-i2b2-2010 — модель на базе ClinicalMobileBERT, дообученная разработчиками репозитория на наборе данных i2b2-2010 для распознавания клинических именованных сущностей. Она выделяет в медицинских текстах проблемы со здоровьем, виды лечения и медицинские тесты, присваивая метку каждому токену. Модель использует архитектуру MobileBERT и содержит 59,7 млн параметров по метаданным. Она принимает текст, поддерживает контекст до 512 токенов и предназначена для извлечения клинических сущностей из медицинских записей. Репозиторий содержит веса PyTorch; лицензия — MIT. Модель подходит для разметки клинических записей и подготовки структурированных данных для медицинского NLP. README указывает около 25 млн параметров, тогда как метаданные каталога сообщают 59,7 млн; для описания приведено значение из метаданных. Сведения о поддерживаемых естественных языках и оценках качества в источниках отсутствуют.

Модель csNoHug/electra-base-discriminator-finetuned-ner-cadec — дообученный для распознавания сущностей медицинского назначения энкодер ELECTRA, созданный на основе google/electra-base-discriminator. Она размечает токены в тексте, выделяя побочные реакции, заболевания, лекарства, находки и симптомы. Модель насчитывает 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. В карточке указаны метрики оценки: общий F1 — 0,7097, а F1 для лекарств — 0,9538; для заболеваний — 0,1633. Это указывает на заметно неоднородное качество распознавания разных классов, особенно слабые результаты для заболеваний. Модель выпущена под лицензией Apache-2.0; язык и состав обучающего набора в карточке не раскрыты.

HUMADEX разработала эту модель для извлечения медицинских сущностей из клинических текстов на немецком языке. Она выделяет заболевания, симптомы и другие состояния (PROBLEM), диагностические процедуры и лабораторные анализы (TEST), а также лекарства, терапию и другие медицинские вмешательства (TREATMENT). Модель подходит для анализа клинических данных и исследований по обработке медицинских текстов. Это дообученная на медицинских данных BERT-модель с архитектурой BertForTokenClassification и 135,5 млн параметров. Она принимает текст, возвращает метки сущностей для токенов и поддерживает контекст до 512 токенов. В README приведены F1 0,787, точность 0,789 и полнота 0,785. Обучение включало размеченные клинические данные и переводы английских медицинских текстов на немецкий; лицензия — Apache-2.0.

resultsG2 — модель токенной классификации на архитектуре BERT, разработанная Sushant0809 и дообученная на базе Sushant0809/results_G1. Она предназначена для разметки отдельных токенов; приведённые метрики показывают результаты по категориям Treatment, Chronic, Cancer, Allergy и Other на оценочном наборе данных. Размер модели — 136,7 млн параметров, максимальный контекст — 512 токенов. Модель принимает текст и выдаёт метки для его токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. В README приведены метрики оценки, но не описаны датасет, схема разметки и условия применения, поэтому результаты вне указанной оценки могут отличаться.