IV.3Страхование и актуарные задачи

FinISH — модель Sentence-RoBERTa от Yseop, дообученная на данных онтологии FIBO для получения представлений финансовых терминов и семантического поиска. Она кодирует определения и термины в векторы, которые можно сравнивать по косинусному сходству, чтобы находить наиболее подходящий гипероним из заданного списка финансовых категорий. Модель основана на архитектуре RoBERTa, содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. В карточке приведены результаты классификации по ближайшему гиперониму: точность 0,73 и средний ранг правильной метки 1,61 на тестовой выборке. Модель специализируется на финансовой терминологии; в README описана обработка текста в нижнем регистре. Лицензия в предоставленных данных не указана.

KakashiFromKonoha/ror-recite-9b — дообученная мультимодальная модель Qwen3.5-9B для анализа видео и рассуждений о дорожных аномалиях. Разработчик дообучил базовую Qwen/Qwen3.5-9B методом LoRA ранга 64 на наборе TAR-RE, затем объединил адаптер с весами модели; загружать отдельный адаптер не требуется. В метаданных указаны плотная архитектура Qwen3.5, библиотека Transformers и формат safetensors. Модель принимает видеокадры вместе с текстом и формирует текстовый ответ. В описанном рецепте обучения использовались до 32 кадров с разрешением до 131 072 пикселей на кадр и последовательности длиной до 5120 токенов. Набор данных посвящён обнаружению и объяснению аномалий дорожного движения; ответы в обучающих примерах сохранены, а цепочки рассуждений перегенерированы базовой Qwen3.5-9B. Модель предназначена для исследовательских и воспроизводимых экспериментов по выявлению и анализу дорожных аномалий в видео. README отмечает, что результаты жадного декодирования через vLLM могут меняться между запусками из-за отсутствия пакетной инвариантности этой архитектуры. Лицензия в предоставленных данных не указана.

AIFS ENS v2 — система ECMWF для среднесрочного вероятностного прогноза погоды. Модель работает операционно: четыре раза в сутки формирует глобальный ансамбль из 51 прогноза с шагом 6 часов на срок до 15 дней. Она предназначена для метеорологических прогнозов, включая прогнозы волнения и траекторий тропических циклонов. Архитектура модели сочетает графовую нейронную сеть в энкодере и декодере со скользящим оконным трансформером в процессоре. Горизонтальное разрешение атмосферного компонента составляет около 31 км; модель использует 14 уровней давления, включая новый уровень 10 гПа. Веса опубликованы под лицензией CC BY 4.0. В README не приведено подробного описания известных ограничений; для практического использования важны доступность начальных данных и вычислительных ресурсов для запуска инференса.

Clinical Assertion and Negation Classification BERT — модель классификации клинических утверждений, разработанная на основе работы «Assertion Detection in Clinical Notes: Medical Language Models to the Rescue?». Она помогает структурировать сведения в письмах о пациентах, определяя, упоминается ли медицинское состояние как присутствующее, отсутствующее или возможное. Модель основана на ClinicalBERT Bio + Discharge Summary BERT авторства Alsentzer и соавторов и дообучена на данных об утверждениях из соревнования i2b2 2010. Это BERT-модель для классификации последовательностей с 135,5 млн параметров и контекстом до 512 токенов; поддерживается английский язык. Модель принимает текст и возвращает метку класса. Подходит для извлечения и структурирования утверждений о состояниях здоровья в клинических письмах. Лицензия в предоставленных данных не указана.

Jongbin-kr/exaone3.5_lofit_convfinqa_top32 — дообученная версия EXAONE-3.5-7.8B-Instruct от LG AI Research, подготовленная разработчиком Jongbin-kr для ответов на вопросы по финансовым документам в диалоговом формате. Модель дообучали на наборе lg_convfin_mcq_pc методом LoFiT: на финальном этапе настраивались 32 наиболее чувствительные к задаче головы внимания в течение пяти эпох. Получившиеся смещения включены в выходные проекции слоёв внимания, поэтому для инференса отдельный адаптер LoFiT не требуется. Модель имеет плотную архитектуру ExaoneForCausalLM, содержит 7,4 млрд параметров и поддерживает контекст до 32 768 токенов. Базовая EXAONE-3.5-7.8B-Instruct рассчитана на английский и корейский языки; специализированное дообучение выполнено для финансовых вопросов. Репозиторий распространяет веса в формате Safetensors и использует библиотеку Transformers. В README указано, что для загрузки требуется доверенный пользовательский код базовой модели. Лицензия в предоставленных данных не обозначена.

Модель cool9203/Llama3.1-8B-Chinese-Chat-iii_finance-v2 — дообученная плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, созданная на основе shenzhi-wang/Llama3.1-8B-Chinese-Chat. Она предназначена для генерации текста в формате чата и ответов на вопросы по финансовым материалам с использованием RAG: в карточке описан поиск BM25 и шаблон, который просит отвечать на вопрос, опираясь на найденную информацию. В метаданных указано контекстное окно 131072 токена; README приводит параметр context_length 2048 для описанной настройки. Модель опубликована в формате safetensors и имеет интерфейс для вызова инструментов. Карточка не сообщает лицензию и не уточняет языки или ограничения точности финансовых ответов.

NEXUS-Finance — специализированная разговорная языковая модель FableForge для финансового анализа и моделирования. Это плотная авторегрессионная модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-1.5B-Instruct; содержит 1,5 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель принимает текст и генерирует текст, поддерживает английский язык и формат диалога ChatML. Модель предназначена для финансовых вопросов, анализа и моделирования, а также для диалоговых сценариев, где нужны предметные ответы. В README приводится внутренняя оценка 144 из 150 баллов по тесту из 30 запросов; это ограниченная авторская проверка, поэтому результат не подтверждает качество на независимых финансовых задачах. Модель описана как uncensored, то есть может отвечать на запросы, от которых модели с более строгими ограничениями отказались бы. Опубликованы веса в формате Safetensors, библиотека запуска — Transformers. Лицензия Apache-2.0. README также указывает на отдельные GGUF-квантизации стороннего автора для запуска через Ollama; они не являются форматом весов этой карточки.

Red Flag Detection: context module — специализированная модель на базе Qwen2.5-3B-Instruct для извлечения контекстных медицинских признаков из клинических заметок и сообщений пациентов. Она входит в систему из пяти модулей обнаружения тревожных признаков и предназначена для совместной работы с rule engine; этот модуль извлекает 12 контекстных флагов, в том числе сведения о травме или утоплении. Модель построена на архитектуре Qwen2, содержит 3,1 млрд параметров и принимает текст на английском, китайском и малайском языках, включая разговорный Brunei English (Manglish). Контекстное окно — 32 768 токенов. Модель обучена с LoRA и объединёнными весами; для загрузки в репозитории указаны safetensors и библиотека Transformers. Автор README сообщает о результатах полного пятикомпонентного конвейера с механизмом правил на независимом наборе из 2246 случаев, но эти метрики относятся ко всему конвейеру, а не к одному контекстному модулю. Модель предназначена для медицинского извлечения признаков, а не для самостоятельной диагностики: результат следует использовать как часть описанного конвейера. Распространяется по лицензии Apache-2.0.

Это англоязычная модель распознавания заболеваний в клинических текстах, разработанная командой NLP4BIA Барселонского суперкомпьютерного центра для подзадачи MultiClinNER в рамках MultiClinAI. Модель выполняет разметку токенов по схеме BIO, выделяя упоминания заболеваний метками B-DISEASE и I-DISEASE, а прочие токены — меткой O. Модель основана на RoBERTa, дообученной на биомедицинских текстах, содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Она предназначена для извлечения упоминаний заболеваний из англоязычных клинических записей и электронных медицинских карт. Для воспроизведения заявленных результатов при обработке следует использовать предварительную токенизацию, соответствующую обучению, и корректно сопоставлять метки с исходными смещениями текста. На тестовых документах MultiClinNER модель получила строгий F1 0,6487 и посимвольный F1 0,7603. Авторы не оценивали систематические смещения модели; точность границ сущностей может меняться при иной токенизации, а длинные документы требуют обработки с перекрытием фрагментов. Лицензия — CC BY 4.0.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания названий заболеваний в англоязычных клинических текстах. Это дообученная для NER модель BiomedBERT на архитектуре BERT с 136,7 млн параметров; она размечает токены тегами BIO: O, B-DISEASE и I-DISEASE. Модель принимает текст и возвращает метки для фрагментов, относящихся к заболеваниям. Контекст ограничен 512 токенами; для длинных документов в рекомендованной настройке используется перекрытие stride=128. На тестовых документах MultiClinNER модель получила strict F1 0,7057 и посимвольную F1 0,8002. Для воспроизведения результатов важно использовать предтокенизацию, применявшуюся при обучении, и согласовать метки с исходными смещениями текста; при обычной токенизации границы сущностей, особенно рядом с пунктуацией, могут отличаться. Авторы не оценивали смещения модели. Лицензия — CC BY 4.0.

AIFS Single v0.2.1 — модель прогноза погоды на основе данных, разработанная Европейским центром среднесрочных прогнозов погоды (ECMWF). Она предназначена для построения глобальных прогнозов атмосферных переменных и поверхностной погоды, включая траектории тропических циклонов. Модель получает данные о состоянии атмосферы за два последовательных момента времени с интервалом шесть часов и прогнозирует состояние ещё через шесть часов; её можно использовать для последовательного построения прогнозов на более длительный срок. Архитектура модели объединяет графовую нейронную сеть в кодировщике и декодировщике со скользящим оконным трансформером в блоке обработки. AIFS обучена на реанализе ERA5 и оперативных анализах ECMWF; модельные веса опубликованы в формате PyTorch под лицензией CC BY 4.0. Карточка сообщает о проверке прогнозов на горизонтах от одного до десяти дней сравнительно с системой ECMWF IFS, анализами и наблюдениями. Известные ограничения включают сглаживание полей прогноза на больших сроках, пониженную точность прогнозов в стратосфере и заниженную интенсивность некоторых опасных явлений, в том числе тропических циклонов. Для запуска прогноза README указывает инструмент anemoi-inference.

AIFS Single v1.1 — модель прогноза погоды на основе данных, разработанная Европейским центром среднесрочных прогнозов погоды (ECMWF). Она предназначена для построения прогнозов атмосферных и поверхностных параметров, а также траекторий тропических циклонов; модель работает наряду с физической системой численного прогноза ECMWF и рассчитана на получение прогнозов с шагом 6 часов. Архитектура сочетает графовую нейросеть для кодировщика и декодировщика со скользящим оконным трансформером. Модель обучена на реанализе ERA5 и оперативных анализах ECMWF, использует атмосферные поля с горизонтальным разрешением около 31 км и 13 вертикальными уровнями. На вход подаются состояния атмосферы за два момента времени с интервалом 6 часов, на выходе — прогноз состояния на следующие 6 часов. Репозиторий распространяет веса в формате PyTorch; библиотека для модели — Anemoi. Версия 1.1 устраняет часть ложных осадков, связанных с ошибкой весов влажности почвы при обучении предыдущей версии. Известные ограничения включают сглаживание полей на больших сроках прогноза, сниженную точность в стратосфере и заниженную интенсивность некоторых мощных систем, включая тропические циклоны. Из-за недетерминированности вычислений на GPU самостоятельный запуск может не воспроизвести официальный прогноз точно. Веса доступны по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).

Abdulkader/autotrain-medical-reports-summarizer-2484176581 — модель суммаризации, обученная с помощью AutoTrain на наборе Abdulkader/autotrain-data-medical-reports-summarizer. Она предназначена для создания кратких изложений медицинских отчётов. Модель построена на архитектуре T5ForConditionalGeneration, содержит 123,8 млн параметров и имеет контекст длиной 512 токенов. В карточке приведены метрики проверки: ROUGE-1 44,555, ROUGE-2 34,430, ROUGE-L 44,168 и ROUGE-Lsum 43,895. Модель опубликована в формате PyTorch под лицензией, указанной в метаданных Hugging Face. Языки, на которых она обучена, в карточке не определены.

Модель AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_ppl_b8000_s0 — дообученная модель семейства Llama на базе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом режиме. Обучение проводилось на наборе capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_ppl_b8000_s0, связанном с финансовыми вопросами и ответами. Модель принимает текст и генерирует текст. Контекст составляет 4096 токенов; репозиторий содержит веса в формате safetensors, библиотека — Transformers. Базовая модель англоязычная, но README не описывает языковой охват производной модели. Лицензия указана как other; конкретные условия использования из доступных сведений определить нельзя.

Cognitapp-Med-Nano-v1 — компактная медицинская языковая модель Cognitapp Labs, дообученная на базе Qwen/Qwen2.5-0.5B-Instruct. Она предназначена для извлечения клинических сведений и подбора кодов ICD-10-CM для медицинского биллинга. Модель содержит 494 млн параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов; формат весов — safetensors. Модель рассчитана на обработку клинических сценариев, включая педиатрию, гериатрию и инфекционные заболевания. По карточке, обучение нацелено на точность буквенно-цифровых кодов и использование в автономном режиме на мобильных и настольных устройствах через MLX или llama.cpp. Поддерживаемые языки по метаданным — английский и урду. Модель предназначена как вспомогательный инструмент для медицинских специалистов и сотрудников биллинга, а не для постановки диагноза. Результаты следует проверять квалифицированному медицинскому специалисту; ошибки в клинических выводах или кодировании остаются возможны. Лицензия — Apache-2.0.

Healthcare Brain Laboratory NER — модель распознавания именованных сущностей, разработанная Genzeon Platforms для извлечения результатов лабораторных исследований из неструктурированных клинических текстов. Она построена на Bio_ClinicalBERT и дообучена для классификации токенов с BIO-разметкой; архитектура — BertForTokenClassification, размер — 135,5 млн параметров, максимальный контекст — 512 токенов. Модель размечает 10 категорий сущностей, включая названия анализов, значения, единицы измерения, референсные диапазоны и признаки отклонений; числовое извлечение дополняется правилами. Модель предназначена для разбора лабораторных отчётов, медицинских записей и выписок, выявления критически отклонённых показателей, структурирования результатов для анализа динамики и поддержки сопоставления с LOINC. В карточке указаны синтетические клинические данные, MIMIC-III и i2b2 2010 среди обучающих источников. Модель рассчитана на англоязычные клинические и биомедицинские тексты. Распространяется по лицензии Apache-2.0.

RAIC — это модель классификации табличных клинических данных, разработанная автором репозитория thinkhong на основе архитектуры Feature Tokenizer Transformer (FTT) с энкодером в стиле DistilBERT. Она оценивает риск первого события сердечно-сосудистого заболевания в течение пяти лет по исходным данным обследования UK Biobank: использует 69 непрерывных и 76 категориальных признаков и выдаёт один из двух классов — отсутствие события или событие. В модели восемь слоёв, 16 голов внимания, размер скрытого представления 128 и размер FFN 1024. Числовые и категориальные признаки преобразуются в токены; значения непрерывных признаков масштабируются с учётом сохранённой нормализации. Контекст составляет 256 токенов. В репозитории находятся веса, конфигурация, токенизаторы и агрегированная статистика нормализации, но нет данных отдельных участников. Применение требует надлежащего доступа к данным UK Biobank и соблюдения их правил управления. Это чекпойнт локального эксперимента по подбору гиперпараметров, опубликованный 22 сентября 2026 года. Лицензия в метаданных обозначена как unknown, поэтому условия повторного использования следует уточнить у автора. Модель использует пользовательский код, загружаемый через trust_remote_code.

Модель HUMADEX/spanish_medical_ner разработана авторами исследования по слабонадзорному многоязычному извлечению медицинских сущностей. Это дообученная на испанских медицинских данных BERT-base-cased с архитектурой BertForTokenClassification; она размечает в клиническом тексте заболевания и симптомы (PROBLEM), диагностические исследования (TEST) и лечение (TREATMENT). Модель подходит для извлечения медицинских упоминаний из испанских клинических текстов, анализа клинических данных и исследовательской обработки медицинских документов. Модель содержит 135,5 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и Safetensors. В README приведены F1 0,776, точность 0,771 и полнота 0,781. Для использования указана лицензия Apache-2.0. Карточка не описывает клиническую валидацию, поэтому показатели оценки на тестовом наборе сами по себе не подтверждают пригодность модели для принятия медицинских решений.

AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_ppl_b4000_s0 — дообученная плотная Llama-модель на основе marin-community/marin-8b-base, созданная с использованием набора capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_ppl_b4000_s0. Модель содержит 7,5 млрд параметров, работает через Transformers и поддерживает генерацию текста в формате диалога; заявленная длина контекста — 4096 токенов. По названию обучающего набора модель ориентирована на финансовые вопросы и ответы, включая ConvFinQA. Она может использоваться для генерации ответов на финансовые вопросы и продолжения финансового текста. README не содержит подробностей о методике обучения, оценках качества или конкретных ограничениях. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и базовой моделью.

pucpr/clinicalnerpt-medical — португалоязычная модель для распознавания медицинских сущностей в клиническом тексте. Она входит в проект BioBERTpt, включающий 13 моделей для разных типов клинических сущностей, совместимых с UMLS. Модель дообучена на бразильском клиническом корпусе SemClinBr от базовой модели BioBERTpt(all); разметка выполнена в формате IOB2. Модель построена на архитектуре BERT и решает задачу классификации токенов. Она рассчитана на тексты на португальском языке, имеет 205,1 млн параметров и контекст до 512 токенов. Может применяться для извлечения медицинских сущностей из клинических записей. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

samrawal/bert-large-uncased_med-ner — модель распознавания именованных сущностей на основе BERT, разработанная для извлечения сведений о лекарствах из текста. Она размечает названия препаратов, дозировку, длительность приёма, частоту и причину назначения. Модель обучена на наборе i2b2/n2c2 для задачи Medication 2009 и предназначена для анализа медицинских записей и клинических текстов. Модель содержит 433,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для отдельных токенов. В репозитории представлены веса PyTorch и Flax. Карточка не указывает лицензию, поэтому условия использования по имеющимся данным определить нельзя; для обучения использовался датасет, доступ к которому запрашивается отдельно.

Posos/ClinicalNER — многоязычная модель распознавания клинических сущностей, разработанная Posos на основе XLM-R Base, дообученного на англоязычном наборе n2c2. Она выделяет в медицинском тексте названия препаратов, дозировку, концентрацию, частоту и длительность приёма, а также лекарственную форму. Модель предназначена для извлечения сведений о назначениях из клинических записей и показала лучшие результаты на французском тестовом наборе MedNERF в режиме межъязыкового переноса без дообучения на французском. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и принимает текстовые последовательности длиной до 514 токенов. В README приведены результаты на MedNERF: micro-F1 0,804 и macro-F1 0,819. Лицензия CC BY-NC-SA 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение и требует распространения производных материалов на тех же условиях.

CODER — многоязычная модель представления медицинских терминов, разработанная Zheng Yuan, Zhengyun Zhao, Haixia Sun, Jiao Li, Fei Wang и Sheng Yu. Она предназначена для нормализации медицинских терминов и сопоставления эквивалентных понятий на разных языках. Подход объединяет знания из медицинского графа знаний с контрастивным обучением, чтобы формировать эмбеддинги терминов. Модель построена на архитектуре BERT и содержит около 205,1 млн параметров. Она принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов. В карточке заявлена поддержка английского языка и указана многоязычная версия, но полный перечень языков не приведён. Модель распространяется под лицензией Apache-2.0.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в испанских клинических текстах. Это дообученная версия биомедицинского энкодера BSC-LT/MrBERT-biomed на архитектуре ModernBERT с 307 млн параметров; она присваивает токенам метки BIO: O, B-DISEASE и I-DISEASE. Модель поддерживает контекст до 8192 токенов и предназначена для извлечения сущностей типа DISEASE из клинических записей, включая электронные медицинские карты. Для соответствия опубликованным результатам при инференсе нужно воспроизводить предварительную токенизацию обучающих данных и выравнивать смещения сущностей с исходным текстом; stride=128 помогает обрабатывать длинные документы. На испанском тестовом наборе MultiClinNER строгий F1 составил 0,6618, символьный F1 — 0,7482. Авторы предупреждают, что смещения могут быть неодинаковыми при обычной токенизации, а возможные систематические смещения модели не оценивались. Лицензия — CC BY 4.0.

deid-LONGFORMER-NemPII — модель автора Gary Riggs для обнаружения персональной медицинской информации (PHI) и разметки её фрагментов в клиническом тексте. Это дообученная на медицинской части набора nvidia/Nemotron-PII модель yikuan8/Clinical-Longformer на архитектуре Longformer с 151,8 млн параметров. Она использует разметку BILOU с 101 классом для выявления 25 типов данных, включая имена, даты рождения, медицинские номера, адреса, телефоны и электронную почту; нативный контекст составляет 4098 токенов. Модель предназначена для обезличивания клинических записей при подготовке исследовательских наборов данных, обмене текстами между учреждениями и обучении медицинских NLP-систем. По заявлению карточки, на отложенных данных она достигла F1 97,74%. Сопутствующая логика замены из GitHub генерирует согласованные реалистичные суррогатные данные, однако сама модель решает задачу классификации токенов и помечает PHI. Модель рассчитана на английские клинические тексты и ориентирована на форматы данных США; синтетические обучающие данные могут не охватывать редкие случаи. Для критически важных сценариев рекомендуется экспертная проверка. Лицензия модели — Apache-2.0.

GatorTron-Base — клиническая языковая модель, созданная совместно Университетом Флориды и NVIDIA. Это плотная BERT-модель на 345 млн параметров, реализованная с помощью Megatron и доступная в формате PyTorch; она преобразована для использования в Hugging Face. Метаданные указывают 454 млн параметров, а карточка README — 345 млн; размер следует считать противоречивым. Модель предварительно обучена на клинических записях Университета Флориды и MIMIC-III, а также на текстах PubMed и WikiText. Она предназначена для получения контекстных представлений клинического текста и может служить основой для извлечения медицинских понятий, распознавания именованных сущностей, извлечения отношений и выявления социальных детерминант здоровья в клинических повествованиях. Максимальная длина входа этой версии — 512 токенов. Для предварительного обучения использовались обезличенные клинические записи; README описывает замену 18 категорий персональных медицинских данных фиктивными строками. Это не гарантирует обезличивание пользовательских входов и не делает модель готовой к клиническим решениям: её применение требует оценки и подходящей настройки под задачу. Лицензия репозитория — Apache-2.0.

THaLLE-0.1-7B-fa — дообученная модель KBTG-Labs на архитектуре Qwen2, созданная для воспроизведения результатов технического отчёта. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров с контекстом до 32 768 токенов и режимом диалога. В карточке приведены сравнения результатов на внутренних финансовых тестах 2020 и 2024 годов и на наборе Flare CFA. Модель предназначена для генерации текста в финансовых сценариях, в частности для ответов на финансовые вопросы и работы с тестами, использованными в отчёте. README указывает, что она является дообучением Qwen/Qwen2-7B-Instruct; метаданные отмечают английский язык и тег finance. Для запуска требуется transformers версии 4.37.0 или новее. Чекпойнт обозначен как рабочая версия для воспроизведения результатов; распространяется по лицензии Apache-2.0.

BioClinicalBERT-full-finetuned-ner-pablo — англоязычная модель классификации токенов, дообученная Pablo Romero на базе emilyalsentzer/Bio_ClinicalBERT на датасете n2c2 2018. Модель предназначена для извлечения именованных сущностей из клинических текстов. Она использует архитектуру BERT с головой BertForTokenClassification, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. В README для оценочного набора указаны F1 0,7936, точность 0,9750, precision 0,7938 и recall 0,7935. Модель распространяется по лицензии MIT. Метрики приведены для указанного набора оценки и не гарантируют аналогичного качества на других клинических данных.

FireViewer — экспериментальная многозадачная модель компьютерного зрения для обнаружения видимого огня и дыма, их сегментации и локализации предполагаемой точки на изображении. Это пятииэпоховое полное дообучение DINOv3 ViT-B/16 от Meta AI с архитектурой DinoV3MultiTaskModel и четырьмя выходами: сегментацией, тепловой картой точки, признаком воздержания от ответа и оценками наличия пламени и дыма. Модель принимает RGB-изображение размером 448 × 448; сведения о поддерживаемых естественных языках неприменимы. Валидационные метрики относятся к разделению данных кампании, а не к независимому бенчмарку. Дисбаланс данных и всего девять положительных точек в валидации не позволяют надёжно судить о локализации; агрегированные оценки сегментации также зависят от фоновых примеров. Тепловая карта задаёт предложение точки в координатах изображения, а не подтверждённые координаты на местности. Модель не сертифицирована для оповещений и не должна самостоятельно подтверждать пожар или направлять экстренное реагирование. Для загрузки нужны доступ к конфигурации базовой DINOv3 и принятие условий Meta; применяются условия DINOv3 и дополнительные обязательства по исходным данным. README не подтверждает права на распространение производных весов.

Manal0809/medical-term-similarity — модель Sentence Transformers, дообученная автором Manal0809 на базе sentence-transformers/all-MiniLM-L6-v2 для оценки семантического сходства медицинских терминов и фраз. Архитектура — энкодер BERT с усреднением токенных представлений и нормализацией; модель содержит 25,9 млн параметров и формирует плотные векторы размерностью 384. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 256 токенов. Модель предназначена для сравнения пар медицинских выражений, семантического поиска и поиска перефразировок; полученные векторы также можно применять для кластеризации и классификации текста. Обучение описано на наборе из 694 пар с функцией CosineSimilarityLoss; на приведённой оценке Spearman cosine достиг 0,5412. Исходная карточка не приводит название датасета и сведения о лицензии, поэтому условия лицензирования этой производной модели по имеющимся данным определить нельзя.