IV.3Страхование и актуарные задачи

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в клинических текстах на румынском языке. Это дообученная для токенной классификации модель BERT с 151,6 млн параметров и контекстом до 512 токенов, основанная на dumitrescustefan/bert-base-romanian-cased-v1. Она помечает слова по схеме BIO: O, B-DISEASE и I-DISEASE. Модель предназначена для извлечения названий заболеваний из клинических записей и документов, в том числе для задач распознавания медицинских сущностей. Для соответствия опубликованным результатам при обработке нужно воспроизводить токенизацию, использованную при обучении; в карточке также рекомендуется шаг перекрытия 128 токенов для длинных документов. На румынском тестовом наборе MultiClinNER строгий F1 составил 0,6394, а символьный F1 — 0,7728. Модель выпущена под лицензией CC BY 4.0. Авторы предупреждают о возможных смещениях: оценка систематических предубеждений не проводилась. Результаты тестирования относятся к конкретному набору данных и задаче; модель не заменяет клиническую проверку.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в клинических текстах на румынском языке. Это дообученная для задачи NER модель FacebookAI/xlm-roberta-base с архитектурой XLM-RoBERTa и 305,2 млн параметров; она присваивает токенам метки BIO: O, B-DISEASE и I-DISEASE. Модель принимает текст и возвращает разметку сущностей с границами упоминаний. Контекст модели составляет 514 токенов. Модель оценивалась на тестовом наборе MultiClinNER для румынского языка: строгий F1 составил 0,6662, символьный F1 — 0,7874. Для результатов, сопоставимых с опубликованными, при использовании нужно повторить предтокенизацию обучающих данных и выравнивание смещений; обычная токенизация Transformers может давать отличия на границах сущностей около пунктуации. Разработчики также предупреждают о возможных смещениях. Лицензия — CC BY 4.0.

OpenMed-ZeroShot-NER-Disease-Tiny-60M — специализированная модель OpenMed для распознавания упоминаний заболеваний и патологических состояний в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на наборе BC5CDR-Disease, содержащем аннотации заболеваний в медицинских публикациях. В метаданных указаны задача token-classification и формат PyTorch; размер 60M следует из названия модели. Модель предназначена для извлечения названий заболеваний из научной литературы и клинических текстов, например для индексации заболеваний, фенотипирования пациентов и первичного отбора публикаций. Zero-shot-подход позволяет задавать типы сущностей при использовании без отдельного дообучения, хотя специализация и описанные данные обучения ориентированы на класс DISEASE. В README приведён F1 0,67 на тестовом наборе; результаты могут зависеть от домена и порога извлечения. Лицензия Apache-2.0.

AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_ppl_b2000_s0 — дообученная модель на основе marin-community/marin-8b-base, разработанная с использованием набора данных capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_ppl_b2000_s0. Это плотная авторегрессионная Llama-модель с 7,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Контекст составляет 4096 токенов; модель работает с текстом и распространяется в формате safetensors для Transformers. Обучение на финансовом наборе данных указывает на специализацию для ответов на вопросы по финансовым данным и диалоговых финансовых сценариев. Карточка не приводит результатов оценки, подробностей обучающей выборки или конкретных ограничений, поэтому качество и область надёжного применения по этим данным определить нельзя. Лицензия указана как other; условия использования следует проверять в файлах репозитория.

Portuguese Clinical NER - Diagnostic — модель для распознавания диагностических клинических сущностей в португальских текстах. Она входит в проект BioBERTpt, разработанный авторами проекта; модель обучена на бразильском клиническом корпусе SemClinBr на базе BioBERTpt(all) в течение 10 эпох и размечает последовательности в формате IOB2. Архитектура — BERT для классификации токенов, размер — 205,1 млн параметров, контекст — до 512 токенов. Модель предназначена для извлечения диагностических сущностей из клинических текстов и совместима с UMLS. Доступны веса PyTorch. Лицензия в предоставленных данных не указана.

GENIE (Generative Note Information Extraction, 病历精灵) — модель для извлечения и структурирования информации из свободного текста электронных медицинских карт. Её совместно разработали группы Sheng Yu, Tianxi Cai и Isaac Kohane. Это дообученная на базе Qwen2.5-7B-Instruct плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров. Модель за один проход выделяет из медицинских записей биомедицинские сущности и их атрибуты: статус утверждения, локализацию в теле, модификаторы, значения, единицы измерения и назначение. Результат выдаётся в структурированном формате JSON. Карточка описывает обработку китайских медицинских записей; заявленный в README контекст составляет до 8192 токенов, тогда как метаданные указывают нативное окно контекста 131072 токена. Модель распространяется по лицензии Apache-2.0. GENIE предназначена для автоматизации извлечения данных из EHR и упрощения конвейеров медицинской обработки текста: карточка заявляет, что модель не требует настройки промптов или few-shot-примеров. Описанные задачи ограничены медицинским извлечением информации; точность и переносимость на другие языки, форматы записей и клинические учреждения не подтверждены представленными данными.

Redflag Detection V4.2 — специализированная языковая модель для извлечения медицинских тревожных признаков из текста. Она дообучена методом LoRA на Qwen2.5-7B-Instruct и представлена в виде объединённой версии весов. Модель построена на плотной архитектуре Qwen2, содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для выявления симптомов и признаков риска по заданной медицинской спецификации из 59 правил и 89 симптомов. В README сообщаются результаты проверки на валидационной выборке: точное совпадение 89,6%, точность 0,921 и полнота 0,779; для оценки, учитывающей SUSPECTED как истинное срабатывание при расчёте полноты, указаны точность 0,771 и полнота 0,865. Для работы автор рекомендует сочетать модель с правиловым движком V20.4.2 выпущена по лицензии Apache-2.0. Модель покрывает только симптомы и правила включённой спецификации; некоторые потенциально опасные состояния, включая перекрут яичка, закрытоугольную глаукому, синдром конского хвоста и послеродовое кровотечение, в неё не входят. В README также отмечено, что отдельные выходы могут упоминать удалённые из спецификации симптомы, поэтому их следует игнорировать или отфильтровывать downstream-системой. Описанные метрики получены на указанной в карточке валидационной выборке и сами по себе не подтверждают клиническую пригодность.

Asclepius-Llama3-8B — клиническая языковая модель, разработанная командой Asclepius и дообученная на базе Llama 3 8B. Это плотная авторегрессионная архитектура LlamaForCausalLM с 7,5 млрд параметров и контекстом до 8192 токенов; модель принимает и генерирует текст на английском языке. Модель предназначена для клинического NLP по медицинским записям: извлечения именованных сущностей и отношений, раскрытия сокращений, извлечения временных связей, разрешения кореференции, перефразирования, суммаризации и ответов на вопросы. В карточке указано, что модель следует использовать только для исследований; она не предназначена для самостоятельных клинических решений. Лицензия CC-BY-NC-SA 4.0 требует указания авторства и распространяет производные работы на тех же условиях, запрещая коммерческое использование.

BLUM Finance 4B — специализированная языковая модель для финансовых рассуждений, разработанная Italianhype на основе Qwen/Qwen3-4B. Она анализирует предоставленные данные, актуальные на заданный момент, и формирует сбалансированные бычьи и медвежьи сценарии, риски, условия пересмотра вывода, мониторинга и воздержания от ответа. Модель предназначена для инвестиционных исследований и анализа рисков, а не для прогнозирования цен или исполнения сделок. Модель имеет плотную авторегрессионную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров. Она принимает текст и генерирует текст; карточка указывает английский и итальянский языки, а длина контекста составляет 40 960 токенов. Релиз для Transformers содержит объединённые веса LoRA, дообученные на финансовом наборе рассуждений; веса доступны в формате safetensors и BF16. Авторская оценка на 53 примерах проверяла соблюдение формата и привязку к данным, а не общие способности или доходность торговли; конвертированный релиз прошёл лишь небольшой тест на пяти примерах. Задокументирована ошибка, при которой модель перепутала компанию при недостатке доказательств. Факты и идентичность компаний необходимо сверять с надёжными источниками; уверенность не откалибрована на зрелых торговых результатах. Лицензия — Apache-2.0.

toastloaf/LFM2.5-2.6B-Finance — чат-модель на 2,6 млрд параметров для финансовых рассуждений и анализа рынков. Это дообученная с помощью QLoRA модель LiquidAI/LFM2.5-2.6B с архитектурой Liquid Transformer 2.5: декодерная языковая модель с гибридными свёрточными блоками и полным вниманием. После обучения адаптеры объединены с весами и модель экспортирована в fp16; репозиторий содержит веса safetensors. Заявленная длина контекста — 131 072 токена. Модель предназначена для ответов на вопросы о финансовых рынках, инструментах и корпоративных финансах, анализа данных из отчётности и earnings calls, а также сценарных рассуждений о ценных бумагах и макроэкономике. Она принимает диалоговые текстовые запросы и генерирует ответы на английском языке; обучение преимущественно велось на английских финансовых данных. По карточке, обучение использовало 10 496 примеров из публичных финансовых наборов данных без синтетических данных. К небольшому размеру модели относятся ограничения в открытых рассуждениях и точности численных ответов по таблицам; калибровка правдивости немного снизилась относительно базовой модели. Ответы могут быть ошибочными, неполными или устаревшими, а модель может отказаться от персональных рекомендаций по инвестициям. Разработчик указывает, что модель не является финансовой консультацией; результаты следует проверять по первичным источникам. Лицензия обозначена на Hugging Face как other, конкретные условия в предоставленных данных не раскрыты.

OpenFACADES-InternVL3-2B — мультимодальная модель компьютерного зрения и языка, дообученная для анализа фасадов зданий и архитектурных элементов. Она принимает изображения фасадов и позволяет получать их текстовое описание и ответы о видимых архитектурных особенностях. Модель основана на архитектуре InternVL3-2B, а в метаданных базовой моделью указана OpenGVLab/InternVL2_5-2B. В карточке заявлена специализация на строительном анализе и архитектуре; размер указан в названии модели. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

ClinicalNLP/SDOHv7 — англоязычная модель классификации текста, обученная с помощью AutoTrain для определения категорий, связанных с социальными детерминантами здоровья (SDOH). Она предназначена для разметки текстовых фрагментов в медицинских и исследовательских сценариях. Модель построена на архитектуре DeBERTa-v2 для классификации последовательностей, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. В README указаны высокие метрики на валидационной выборке: accuracy и macro F1 по 0,990. Эти результаты относятся к указанной выборке и не гарантируют такое же качество на других данных. Модель распространяется по лицензии Apache-2.0.

meddeid-english-synth — англоязычная модель для выявления персональных идентификаторов в клинических текстах, разработанная для проекта MedDeID. Она предназначена для локального обнаружения сущностей и деидентификации медицинских записей с профилями en-GB и en-US; модель предсказывает символьные смещения фрагментов и относит их к 14 типам, включая имена, адреса, даты, контактные данные, идентификаторы и организации. Архитектура основана на FacebookAI/roberta-base с отдельными головами BIO-разметки и классификации сущностей; размер — 151,8 млн параметров, контекст — 514 токенов. Длинный текст обрабатывается перекрывающимися окнами по 512 токенов с перекрытием 64 токена. Модель дообучена на синтетических англоязычных клинических данных; README сообщает высокие результаты на синтетических тестах, но они не предсказывают качество на реальных записях. Модель может пропускать идентификаторы или удалять клинически значимый текст, поэтому перед применением нужна проверка на данных и условиях конкретной организации. Текст сам по себе анонимным не становится, а обработку чувствительных данных следует выполнять локально в контролируемой среде. Лицензия — AGPL-3.0-only с исключением MedDeID Private Fine-Tuning Exception, версия 1.0.

Cbezz/modernbert-pii — англоязычная модель на базе ModernBERT-base от AnswerDotAI, дообученная для распознавания персональных данных в клинических записях Австралии. Это encoder-only модель с архитектурой ModernBERT и 149 млн параметров; она выполняет токенную классификацию с BIO-разметкой и выделяет имена, даты рождения, адреса, телефоны, медицинские идентификаторы, сведения о персонале и другие типы чувствительных данных. Модель предназначена для обнаружения и последующей защиты персональных данных в клинических текстах; пример использования приведён для библиотеки Transformers. Модель принимает текст и возвращает разметку токенов с обнаруженными сущностями. Контекст модели — до 8192 токенов. Она ориентирована на английские клинические записи австралийского контекста; качество для других языков и областей не подтверждено. Распространяется по лицензии Apache-2.0.

Модель BSC-NLP4BIA/multiclinner-it-symptom-bioBIT разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний симптомов в итальянских клинических текстах. Это дообученная для token classification модель BERT на базе IVN-RIN/bioBIT с 137,1 млн параметров и контекстом до 512 токенов. Она размечает слова тегами BIO: O, B-SYMPTOM и I-SYMPTOM. Модель предназначена для извлечения симптомов из клинических записей и электронных медицинских карт. На тестовых документах MultiClinNER для итальянского языка показала strict F1 0,6217 и символьный F1 0,7648. Для совпадения с оценкой авторов при инференсе следует воспроизводить обучение на предварительно токенизированном тексте и выравнивать смещения; обычная токенизация может менять границы сущностей, особенно рядом с пунктуацией. Авторы не оценивали систематически смещения модели. Лицензия — CC BY 4.0.

en_core_med7_lg — англоязычная модель для spaCy, разработанная авторами Med7: Andrey Kormilitzin, Nemanja Vaci, Qiang Liu и Alejo Nevado-Holgado. Это крупная pipeline-модель без Transformer-бэкенда, предназначенная для распознавания сущностей, связанных с лекарственными назначениями, в клинических текстах и электронных медицинских записях. Модель извлекает семь типов сущностей: DRUG, STRENGTH, DOSAGE, DURATION, FREQUENCY, FORM и ROUTE. Она поддерживает английский язык, использует большие векторные представления и относится к задачам token classification и medication NER. Версия 1.1.0 переобучена и упакована для Python 3.12.13 и spaCy 3.8.14; для работы не требуются spacy-transformers, transformers, tokenizers или torch. В README не указаны размер модели, максимальная длина контекста и дополнительные модальности. Сильными сторонами являются специализация на клинической информации о лекарствах, выделение основных параметров назначения и отсутствие необходимости в ресурсоёмком Transformer-стеке. На закрытой отложенной выборке Med7 указаны F1 0,889, precision 0,880 и recall 0,898. Ограничения включают поддержку только английского языка, зависимость качества от клинического домена и отсутствие сведений о работе с другими типами текстов или модальностями. Модель распространяется по лицензии MIT.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний медицинских процедур в испанских клинических текстах. Это дообученная модель RoBERTa PlanTL-GOB-ES/bsc-bio-ehr-es с 151,8 млн параметров и контекстом до 514 токенов. Она выполняет токенную классификацию по BIO-схеме, присваивая токенам метки O, B-PROCEDURE и I-PROCEDURE. Модель предназначена для извлечения упоминаний процедур из клинической документации и электронных медицинских карт. На тестовом наборе MultiClinNER для испанского языка строгий F1 составил 0,6811, а символьный F1 — 0,7645. Для воспроизведения результатов важна такая же предварительная токенизация, как при обучении; при обработке длинных документов рекомендуется использовать stride 128. Модель распространяется по лицензии CC BY 4.0. Авторы предупреждают о возможных смещениях и искажениях и возлагают на пользователей ответственность за оценку рисков и соблюдение применимых норм.

Это классификатор изображений недвижимости, созданный пользователем andupets с помощью HuggingPics. Модель на базе архитектуры Vision Transformer (ViT) содержит 113,2 млн параметров и предназначена для отнесения изображений к одному из 30 классов. Модель принимает изображения и выдаёт метку класса. README не описывает состав классов, обучающие данные и показатели качества, поэтому применимость к конкретным типам объектов недвижимости следует проверять на целевых изображениях. Репозиторий содержит веса в формате PyTorch; сведения о лицензии не предоставлены.

Модель abhibisht89/spanbert-large-cased-finetuned-ade_corpus_v2 — англоязычная модель SpanBERT Large с сохранением регистра, дообученная для извлечения упоминаний лекарств и нежелательных реакций на лекарства в тексте. Она размечает токены, относящиеся к этим сущностям, и предназначена для извлечения фрагментов из медицинских текстов с использованием датасета ADE Corpus v2. Модель основана на архитектуре BERT и содержит 432,3 млн параметров. Максимальная длина контекста — 512 токенов; доступны веса PyTorch. Лицензия в предоставленных данных не указана.

Карточка модели StanfordAIMI/stanford-deidentifier-only-radiology-reports на Hugging Face совпадает с карточкой StanfordAIMI/stanford-deidentifier-with-radiology-reports-and-i2b2, поэтому описание составлено по ней. Модель StanfordAIMI предназначена для автоматического выявления персональных идентификаторов в радиологических и биомедицинских документах с помощью разметки последовательности токенов. Она разработана Stanford AIMI и обучена на разных радиологических и биомедицинских текстах; авторы указывают, что целились в точность, подходящую для производственного применения. Модель построена на архитектуре BERT и содержит 136,7 млн параметров. Она принимает текст на английском языке, работает с контекстом до 512 токенов и возвращает метки для токенов, что позволяет находить фрагменты, подлежащие деидентификации. Модель можно применять в конвейерах обезличивания радиологических заключений и других биомедицинских документов перед их хранением, обменом или исследовательским анализом. Репозиторий использует формат PyTorch и лицензию MIT. README ссылается на сопутствующую публикацию, но не приводит метрики качества или подробности схемы меток.

VTE-BERT-DeID — англоязычная модель Omid Jafari, созданная при исследовательской поддержке Ang Li Lab для классификации клинических текстов по фенотипам венозной тромбоэмболии. Это дообученная на Bio_ClinicalBERT модель BERT с классификационной головой BertForSequenceClassification; она присваивает тексту одну из шести меток. Несмотря на «DeID» в названии, модель не удаляет персональные данные: так обозначено использование деидентифицированных текстов при дообучении. Модель предназначена для ретроспективного выявления фенотипов венозной тромбоэмболии в англоязычных клинических записях. Максимальная длина последовательности — 512 токенов. При обучении использовались тексты, деидентифицированные Health-DeID и подготовленные с NLPMed-Engine; данные для обучения и оценки в репозитории не распространяются. Указана лицензия AGPL-3.0. Это публичный исследовательский выпуск без приведённых в карточке численных результатов оценки. Модель не валидирована для постановки диагноза, выбора лечения, автономного скрининга пациентов или иных клинических решений; результаты могут меняться в зависимости от учреждения, популяции, типа записей и предварительной обработки.

Bio_Discharge_Summary_BERT — модель семейства BERT, разработанная Emily Alsentzer и соавторами для клинических текстов. Она инициализирована весами BioBERT и дополнительно предобучена на выписных эпикризах из базы MIMIC-III: использовались заметки таблицы NOTEEVENTS объёмом около 880 млн слов. Перед обучением документы делили на клинические разделы и предложения. Модель предназначена для получения контекстных представлений клинического текста и предсказания замаскированных токенов. Её можно применять как основу для задач обработки медицинских текстов, включая извлечение сущностей и оценку текстовых выводов; в карточке приводятся результаты исходной работы для NER и NLI. Архитектура — BERT dense, около 135,5 млн параметров, контекст — до 512 токенов. Модель рассчитана на английский язык и выпущена в форматах PyTorch и Flax. Модель предобучена на клинических записях пациентов отделений интенсивной терапии одной больницы, поэтому её область знаний и стиль могут не охватывать другие учреждения, популяции и языки. Карточка не описывает её как готовую систему для клинических решений; для специализированных задач может потребоваться дообучение и проверка качества. Лицензия — MIT.

Ling 3.0 Flash Fin — финансовая модель семейства Ling 3.0 от InclusionAI, созданная на основе Ling 3.0 Flash. Это смесь экспертов с 5,1 млрд активных параметров из 124 млрд общих. Модель предназначена для практических инвестиционных сценариев.

Phora68/rapha-embed-clinical-v1 — текстовая Sentence Transformer модель, дообученная на основе BAAI/bge-small-en-v1.5 для клинического семантического поиска и сопоставления предложений. Она кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и сравнивает по косинусному сходству. Архитектура включает BERT-трансформер и pooling по CLS-токену; метаданные указывают 40 млн параметров и контекст до 512 токенов, тогда как в README заявлена максимальная длина последовательности 128 токенов. Модель обучалась на парах клинически связанных и несвязанных текстов с MultipleNegativesRankingLoss. Примеры показывают сопоставление жалоб пациентов с клиническими наблюдениями и выделение тревожных симптомов, поэтому модель подходит для поиска клинически релевантных фрагментов и ранжирования кандидатов. Она принимает и выдаёт текстовые представления через векторные эмбеддинги; базовая BGE-модель англоязычная, а приведённые примеры и описание датасета также на английском. Модель предназначена для поиска и сравнения текстов, а не для постановки диагноза или генерации медицинских рекомендаций. README не сообщает лицензию; численные результаты приведены только для TripletEvaluator на наборе rapha-val и не подтверждают клиническую безопасность или пригодность для других данных.

Asclepius-Llama2-13B — клиническая языковая модель на базе Llama 2, разработанная авторами проекта Asclepius и дообученная для работы с клиническими записями. Это плотная авторегрессионная модель с 12,9 млрд параметров и контекстом до 4096 токенов; она принимает текст и генерирует текст на английском языке. Модель предназначена для восьми задач клинического NLP: распознавания именованных сущностей, раскрытия сокращений, извлечения отношений и временной информации, разрешения кореференции, перефразирования, суммаризации и ответов на вопросы по клиническим заметкам. Она может быть полезна исследователям и разработчикам прототипов для анализа медицинской документации. Карточка ограничивает использование исследовательскими целями, а лицензия метаданных — CC-BY-NC 4.0; README указывает CC-BY-NC-SA 4.0, поэтому условия лицензирования следует проверить перед использованием. Модель не предназначена для самостоятельной клинической диагностики или принятия решений о лечении; качество и безопасность ответов требуют отдельной оценки.

ClinicalEncoder26AM — дообученная на базе BAAI/bge-m3 мультиязычная модель семейства XLM-RoBERTa от Parallia для поиска и сопоставления клинических текстов. Она использует архитектуру ColBERT с поздним взаимодействием токенов и поддерживает кодирование запросов и документов длиной до 8194 токенов, выдавая векторы размерности 1024 и оценивая сходство с помощью MaxSim. Для работы с ColBERT-индексами предлагается библиотека PyLate. Модель предназначена для поиска клинических документов, ранжирования результатов и сопоставления медицинских текстов на английском, испанском, французском, немецком и нидерландском языках. Карточка также описывает применение токенных представлений для сопоставления с медицинскими понятиями и дообучение для задач вроде медицинского распознавания сущностей, однако для извлечения локальных сопоставлений и оценок правдоподобия требуются адаптеры. Это нев генеративная модель представлений, а не средство постановки диагноза; заявленные интерпретируемость, скорость и качество не сопровождаются в карточке количественными оценками. Лицензия — CC-BY-NC 4.0; для коммерческого использования автор просит получить отдельную лицензию.

Модель agricrate_disease_model разработана как дообученная версия Vision Transformer google/vit-base-patch16-224-in21k. Она предназначена для классификации изображений; название указывает на распознавание болезней сельскохозяйственных культур, однако README не описывает классы и область применения подробнее. Модель содержит 113,2 млн параметров, использует библиотеку Transformers и сохранена в формате safetensors. На оценочном наборе указана потеря 0,0400. Данные для обучения обозначены как imagefolder. Лицензия — Apache-2.0; точность, набор классов и условия, в которых модель надёжно работает, по имеющимся сведениям определить нельзя.

cnut1648/biolinkbert-mednli — модель классификации текста, дообученная на наборе MedNLI на базе michiyasunaga/BioLinkBERT-large. Она предназначена для определения логического отношения между медицинской гипотезой и текстовым описанием клинического случая, например для проверки, следует ли гипотеза из текста, противоречит ему или не определяется им. Модель построена на архитектуре BERT и содержит 432,2 млн параметров; принимает текстовые последовательности с контекстом до 512 токенов и выдаёт метку класса. В README приведена точность 0,879 на оценочной выборке из 1395 примеров MedNLI. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Результат на этой выборке не гарантирует аналогичную точность на других данных или клиническое качество; модель предназначена для классификации текстовых пар, а не для постановки диагноза.

Crop_Disease_model_1 — модель классификации изображений, созданная дообучением Vision Transformer google/vit-base-patch16-224-in21k. Она предназначена для отнесения изображений к категориям, связанным с болезнями сельскохозяйственных культур. В репозитории размещены веса в формате safetensors; модель содержит 113,2 млн параметров. В карточке приведены результаты оценки на тестовой выборке: accuracy 0,7 и loss 1,2482. Названия классов, состав обучающего набора и подробности оценки не описаны, поэтому применимость к конкретным культурам и условиям съёмки по этим данным установить нельзя. Лицензия — Apache-2.0.

CXRFE (Chest X-ray Fact Encoder) — модель для создания векторных представлений фактических утверждений и коротких фраз из текстов рентгенологических заключений грудной клетки. Она разработана в рамках работы «Extracting and Encoding» и использует архитектуру CXR-BERT CXRBertModel с проекционной головой. Модель дообучена на основе microsoft/BiomedVLP-CXR-BERT-specialized; число параметров — 136,7 млн, размер проекции — 128 измерений, максимальный контекст — 512 токенов. Полученные представления предназначены для поиска похожих фактов, ранжирования, сравнения в стиле NLI и оценки качества на уровне отдельных фактов. CXRFE подходит для обработки текстов радиологических заключений и может использоваться как часть двухэтапного конвейера вместе с экстрактором фактов pamessina/T5FactExtractor. Для загрузки требуется trust_remote_code=True с кодом семейства BioViL/CXR-BERT. Лицензия — Apache-2.0.