IV.3Страхование и актуарные задачи

Qwen3-8B_MapFinBen — дообученная и объединённая версия Qwen3-8B от автора репозитория, подготовленная для финансового бенчмарка MapFinBen. Модель предназначена для генерации ответов на финансовые запросы в сценариях оценки бенчмарка; репозиторий содержит полные объединённые веса и файлы токенизатора, а также шаблон Ollama для рабочего процесса конвертации бенчмарка. Это плотная авторегрессионная языковая модель архитектуры Qwen3 с 7,6 млрд параметров и контекстом до 40 960 токенов. Для официального сценария оценки предлагается простой формат диалога ChatML; метаданные указывают поддержку чата и генерации текста. Модель основана на Qwen/Qwen3-8B, опубликована в формате safetensors и имеет лицензию other.

SejongKRX/RevThink-Sejong-Qwen-Instruct-v1 — дообученная SejongKRX модель семейства Qwen2 для генерации текста и диалогов. Она создана на базе unsloth/qwen2.5-7b-instruct-bnb-4bit с использованием Unsloth и библиотеки TRL; размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для текстовых запросов и ответов в разговорном формате. В метаданных указан датасет RevThink-financial-mmlu-ko, что указывает на финансовые вопросы на корейском языке как область обучения, однако карточка не описывает конкретные результаты или гарантированные финансовые возможности модели. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Основные ограничения: описание не приводит оценок качества, подробностей обучения или проверок ответов; финансовые выводы модели требуют независимой проверки.

BC5CDR_ClinicalBERT_NER — модель для распознавания именованных сущностей в клинических текстах, разработанная Judith Rosell и дообученная на базе medicalai/ClinicalBERT с архитектурой DistilBERT. Она размечает упоминания химических веществ и заболеваний, что подходит для извлечения медицинских сущностей из текстов. Контекст модели составляет до 512 токенов; веса опубликованы в формате Safetensors. В оценке на наборе BC5CDR F1 составляет 0,72 для химических веществ и 0,82 для заболеваний, с общим micro F1 0,76. Лицензия в предоставленных данных не указана.

jackleejm разработал модель на основе distilbert-base-cased, дообучив её для распознавания именованных сущностей в строках с описанием лекарств. Она выделяет пять типов сущностей: DRUG (препарат), DOSAGE (дозировка), ROUTE (способ введения), BRAND (торговая марка) и QUANTITY (количество). Модель рассчитана на разбор записей вроде «Ibuprofen 100 MG Oral Tablet» и составных описаний препаратов. Модель использует архитектуру DistilBERT для классификации токенов и принимает текст. В README указаны точность 0,998, полнота 0,983 и F1 0,991 на ограниченных вручную размеченных наборах из 309 обучающих и 335 оценочных примеров. Контекст составляет 512 токенов. Модель выпущена под лицензией MIT.

Mihenk-LLM v2 — AlicanKiraz0 разработал эту модель на базе Qwen/Qwen3.6-35B-A3B, дообучив и объединив её для финансовых задач на турецком языке. Это текстовая причинно-следственная языковая модель с разреженной MoE-архитектурой: 35 млрд параметров всего и около 3 млрд активных параметров. Метаданные указывают 2,9 млрд параметров; длина контекста — 262 144 токена. Модель предназначена для диалогов и генерирует структурированные текстовые ответы. Она помогает разбирать финансовую отчётность компаний BIST, объяснять денежные потоки и прибыльность, анализировать криптоактивы и макроэкономические сценарии, а также оценивать валютный риск, концентрацию портфеля и влияние заёмных средств. Основной язык — турецкий; также заявлена поддержка английского. Автор приводит небольшую smoke-оценку на восьми парах запросов, поэтому её результаты не подтверждают качество на широком наборе задач. Модель не подключена к данным рынка в реальном времени. Цены, ставки, налоги, регулирование и корпоративные новости нужно проверять по актуальным официальным источникам; ответы не являются инвестиционной консультацией и не подходят как единственное основание для решений. Лицензия — Apache-2.0.

Модель deccan-ai/phi-2-insurance_qa-sft-lora — англоязычная генеративная модель для ответов на вопросы о страховании. Она основана на Phi-2 от Microsoft и дообучена методом LoRA с учителем на датасете InsuranceQA-v2, содержащем 27,96 тыс. пар вопросов и ответов, составленных с участием специалистов по страхованию. Модель принимает текстовые инструкции в формате «Instruction / Response» и генерирует текстовые ответы. Архитектура — плотная авторегрессионная Phi, размер — 3,5 млрд параметров, контекст — до 2048 токенов. LoRA позволяет адаптировать модель к страховой тематике с небольшими дополнительными обучаемыми весами. Модель предназначена для черновых ответов на типовые вопросы клиентов о страховании и для прототипов диалоговых помощников. Ответы могут содержать фактические ошибки, модель может плохо выполнять сложные инструкции, неверно понимать неформальный английский и выдавать лишний текст. Выводы следует проверять, особенно перед использованием в консультациях. Лицензия — MIT.

Redflag Detection V4.1 — медицинская модель на основе Qwen2.5-7B-Instruct, дообученная ningpy для извлечения медицинских тревожных признаков по 65 правилам. Это плотная авторегрессионная модель с 7,1 млрд параметров и контекстом до 32 768 токенов; она принимает текст и формирует текстовый ответ. Модель предназначена для выявления потенциально неотложных состояний, включая хирургические и акушерские экстренные случаи, с обработкой сведений о поле и возрасте пациента. В README приведены результаты проверки на валидационной выборке из 269 примеров: точность полного совпадения 87,0%, precision 0,901 и recall 0,786; для режима clinical-fair указаны precision 0,753, recall 0,853 и F1 0,800. Для работы автор указывает использование вместе с V20e rule engine, содержащим 65 скомпилированных правил. Модель поддерживает английский, китайский и малайский языки. Распространяется по лицензии Apache-2.0.

UMCU/SapBERT-UMLS-2020AB-all-lang-from-XLMR-ST — версия биомедицинской модели SapBERT, подготовленная для непосредственного использования с библиотекой Sentence Transformers. Она основана на cambridgeltl/SapBERT-UMLS-2020AB-all-lang-from-XLMR и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает XLM-RoBERTa с пулингом CLS; для сходства используется косинусная мера. Модель предназначена для сопоставления биомедицинских формулировок и поиска текстов с близким смыслом. Карточка указывает максимальную длину последовательности 25 токенов, а метаданные — базовый контекст 514 токенов. Поддерживаются английский, финский, китайский, испанский, немецкий, русский, турецкий, корейский, японский и тайский языки. Репозиторий содержит веса в формате safetensors, модель насчитывает 305,2 млн параметров и распространяется по лицензии GPL-3.0.

Varda-single-1.0 — система детерминированного среднесрочного прогноза погоды, разработанная MeteoSwiss для Альпийского региона. Она дополняет оперативные численные модели прогноза погоды ICON-CH1/CH2-EPS и выдаёт почасовые прогнозы на глобальной сетке с разрешением 31 км и региональной сетке с разрешением 1 км над Швейцарией и окрестностями. Система состоит из двух независимо обученных моделей Graph Transformer типа encoder-processor-decoder на растянутой сетке. Авторегрессионный прогнозист работает с шагом 6 часов, а временной даунскейлер восстанавливает промежуточные почасовые состояния, используя оба конца каждого шестичасового интервала. Такой подход позволяет получать почасовую детализацию без последовательного распространения ошибок на каждом часовом шаге. Для запуска требуется около 30 ГБ видеопамяти и 14 ГБ системной памяти на каждое GPU-устройство; README описывает поддержку прогноза до 120 часов. Модель обучалась на ERA5, региональном реанализе REA-L-CH1 и оперативных анализах ECMWF IFS и MeteoSwiss KENDA-CH1. Она предназначена для детерминированного прогнозирования погоды в сложном альпийском рельефе; оценка проводилась на данных за год с сопоставлением с анализами и оперативными моделями ICON. Веса распространяются по лицензии CC BY 4.0.

Модель Wambugu Kinyua — дообученная версия Vision Transformer ViT-Tiny для классификации изображений листьев сельскохозяйственных культур по состоянию и типу болезни. Она принимает RGB-изображения и выдаёт метку класса, включая здоровые растения и заболевания кукурузы, картофеля, риса и пшеницы: ржавчину, пятнистость, ожог листьев и другие категории. Компактная архитектура содержит 7,1 млн параметров и предназначена для раннего выявления болезней в точном земледелии; её можно встроить в системы мониторинга посевов или дообучить на данных конкретного региона и культуры. В карточке заявлены метрики проверки на отложенной части датасета: accuracy 98%, precision 97%, recall 97% и F1 96%. Результаты могут быть хуже на культурах, болезнях и условиях съёмки, отсутствующих в обучающих данных; ошибки классификации способны привести к пропуску заболевания или ненужным мерам. Для данной версии метаданные указывают формат safetensors, а README также упоминает веса ONNX. Лицензия в метаданных Hugging Face — MIT.

FTP-PRUE+ (EfficientNet-B3) — модель сегментации границ полей от Fields of the Planet (FTP), разработанная как модель для снимков PlanetScope. Она предназначена для выделения полей и их границ на спутниковых изображениях сельскохозяйственных территорий с разрешением 3 м на пиксель. Модель использует энкодер EfficientNet-B3 и декодер U-Net. На вход подаются изображения из двух сезонных окон — периода посадки и периода сбора урожая — с четырьмя каналами в каждом, всего восемь каналов отражательной способности поверхности. Выход — маска из трёх классов: фон, поле и граница. Для получения полигонов отдельных полей README рекомендует применять постобработку watershed; при оценке также использовалась D4 TTA. Модель подходит для картирования границ полей по данным PlanetScope и анализа сельскохозяйственных ландшафтов. Доступны веса в форматах safetensors, PyTorch Lightning и ONNX; для лицензии CC BY-NC 4.0 действуют ограничения на коммерческое использование.

nexusmed-ai/adr_bge_m3_embedding — дообученная командой nexusmed-ai модель Sentence Transformers на базе BAAI/bge-m3 для представления предложений и абзацев в виде плотных векторов. Она построена на XLM-RoBERTa с пулингом CLS-токена и нормализацией выходного вектора; размерность эмбеддинга — 1024, максимальная длина последовательности — 8192 токена. Для сравнения текстов применяется косинусное сходство. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и классификации текстов. В обучающем наборе указано 400 тысяч пар предложений, в том числе записи о пациентах и нежелательных реакциях на лекарства, поэтому модель может быть полезна для поиска по медицинским сообщениям о нежелательных реакциях. Метаданные указывают на многоязычную базовую модель, но конкретные поддерживаемые языки этой версии не перечислены. Модель принимает текст и выдаёт векторные представления; она не генерирует ответы и не заменяет клиническую оценку. В README приведены низкие значения cosine_accuracy на тесте поиска, поэтому качество для конкретного корпуса следует оценивать отдельно. Лицензия в предоставленных данных не указана.

Карточка модели fieldsoftheworld/ftp-b3 на Hugging Face совпадает с карточкой taylor-geospatial/ftp-b3, поэтому описание составлено по ней. FTP-PRUE+ (EfficientNet-B3) — модель сегментации границ полей от Fields of the Planet (FTP), разработанная как модель для снимков PlanetScope. Она предназначена для выделения полей и их границ на спутниковых изображениях сельскохозяйственных территорий с разрешением 3 м на пиксель. Модель использует энкодер EfficientNet-B3 и декодер U-Net. На вход подаются изображения из двух сезонных окон — периода посадки и периода сбора урожая — с четырьмя каналами в каждом, всего восемь каналов отражательной способности поверхности. Выход — маска из трёх классов: фон, поле и граница. Для получения полигонов отдельных полей README рекомендует применять постобработку watershed; при оценке также использовалась D4 TTA. Модель подходит для картирования границ полей по данным PlanetScope и анализа сельскохозяйственных ландшафтов. Доступны веса в форматах safetensors, PyTorch Lightning и ONNX; для лицензии CC BY-NC 4.0 действуют ограничения на коммерческое использование.

Карточка модели joggwr/crop_leaf_diseases_vit на Hugging Face совпадает с карточкой wambugu71/crop_leaf_diseases_vit, поэтому описание составлено по ней. Модель Wambugu Kinyua — дообученная версия Vision Transformer ViT-Tiny для классификации изображений листьев сельскохозяйственных культур по состоянию и типу болезни. Она принимает RGB-изображения и выдаёт метку класса, включая здоровые растения и заболевания кукурузы, картофеля, риса и пшеницы: ржавчину, пятнистость, ожог листьев и другие категории. Компактная архитектура содержит 7,1 млн параметров и предназначена для раннего выявления болезней в точном земледелии; её можно встроить в системы мониторинга посевов или дообучить на данных конкретного региона и культуры. В карточке заявлены метрики проверки на отложенной части датасета: accuracy 98%, precision 97%, recall 97% и F1 96%. Результаты могут быть хуже на культурах, болезнях и условиях съёмки, отсутствующих в обучающих данных; ошибки классификации способны привести к пропуску заболевания или ненужным мерам. Для данной версии метаданные указывают формат safetensors, а README также упоминает веса ONNX. Лицензия в метаданных Hugging Face — MIT.

BuildEng V8 3B — специализированная языковая модель для инженерии зданий и строительства, разработанная Ирфаном Уручи в рамках проекта BuildEng. Это дообученная причинная языковая модель на архитектуре Qwen2, основанная на Qwen/Qwen2.5-3B-Instruct; она содержит 3,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой генерации ответов по железобетонным и каменным конструкциям, фундаментам, осадкам, дефектам зданий, диагностике, ремонту и строительным процессам. Её сильная сторона — консервативные рекомендации и подход, ориентированный на проверку и осмотр, особенно когда исходных данных о проекте недостаточно. Модель может помогать с первичным анализом и подготовкой вопросов для инспекции, но её ответы не заменяют расчёты по применимым нормам, обследование объекта и проверку квалифицированным инженером; она не предназначена для выдачи окончательных разрешений или сертификации. В репозитории указана лицензия other, а README отмечает применимость лицензии Qwen Research License Agreement к правам на базовую модель; перед использованием необходимо проверить условия обеих лицензий.

SapBERT-DE — модель для связывания немецкоязычных биомедицинских упоминаний с сущностями из базы знаний UMLS-Wikidata. Она создана дообучением многоязычной модели связывания сущностей SapBERT-UMLS на немецкой биомедицинской базе знаний. Модель построена на архитектуре XLM-RoBERTa и содержит около 305,2 млн параметров; максимальный контекст составляет 514 токенов. Модель предназначена для извлечения текстовых представлений, используемых при сопоставлении терминов и упоминаний с биомедицинскими сущностями. Репозиторий содержит веса в формате safetensors и помечен лицензией Apache-2.0. Описание не сообщает об ограничениях точности или оценках качества.

SapBERT-UMLS-2020AB-all-lang-from-XLMR-large — многоязычная биомедицинская модель Cambridgeltl для получения векторных представлений названий сущностей и медицинских терминов. Она основана на XLM-RoBERTa large и обучена на UMLS 2020AB с использованием SapBERT; для представления входной строки рекомендуется брать вектор токена [CLS]. Модель содержит 658,7 млн параметров, принимает текст и имеет контекстное окно 514 токенов. Модель предназначена для извлечения признаков и сравнения биомедицинских терминов между языками, например для поиска соответствий между названиями медицинских сущностей и семантического поиска. В карточке указаны многоязычность и связь с UMLS; конкретные поддерживаемые языки не перечислены. Репозиторий содержит веса PyTorch. Лицензия и ограничения на использование в README и предоставленных метаданных не описаны.

UMCU разработала sentence-transformers-модель на базе UMCU/sap_umls_medroberta.nl_meantoken для преобразования предложений и абзацев в плотные векторы размерности 768. Модель основана на архитектуре RoBERTa с усреднением токенных представлений; сходство векторов можно оценивать косинусной близостью. Максимальная длина последовательности в README — 30 токенов. Модель предназначена для семантического сравнения текстов, семантического поиска, поиска перефразировок, классификации и кластеризации. Имя и базовая модель указывают на медицинскую терминологию UMLS и нидерландский язык. Репозиторий содержит веса в формате safetensors; библиотека для работы — Sentence Transformers. Лицензия в предоставленных данных не указана.

Fastino Nemotron 3.5 Lightning Healthcare — специализированная языковая модель Fastino Labs, созданная в сотрудничестве с NVIDIA на основе NVIDIA Nemotron 3.5 Lightning и дообученная на медицинских и биомедицинских данных. Метаданные указывают 1,9 млрд параметров, архитектуру Nemotron H и контекст до 262 144 токенов; README описывает вариант на 30 млрд параметров с 3 млрд активных параметров в MoE-архитектуре. Эти сведения о размере расходятся, поэтому точный размер этого чекпойнта по предоставленным данным установить нельзя. Модель предназначена для медицинских диалогов, ответов на биомедицинские вопросы, клинических расчётов, выявления и исправления медицинских ошибок, извлечения понятий и суммирования клинических заметок. Она принимает и выдаёт текст, рассчитана на английский язык и поддерживает диалоговый режим. README приводит улучшения на перечисленных медицинских и биомедицинских бенчмарках относительно базового чекпойнта, но эти результаты не гарантируют качество в иных условиях. Веса опубликованы в формате safetensors; лицензия — Apache 2.0. Для запуска в BF16 README рекомендует GPU с 80 ГБ памяти или больше либо распределение вычислений между несколькими GPU. Это специализированная исследовательская модель, а не медицинское устройство; для клинического или другого высокорискового применения нужны независимая проверка, меры защиты и надзор квалифицированных специалистов.

thainq107/ner-biomedical-maccrobat2018 — модель DistilBERT для распознавания и разметки биомедицинских сущностей в тексте. Она дообучена на базе d4data/biomedical-ner-all на датасете, который в карточке не описан; архитектура использует токенную классификацию, а максимальная длина контекста составляет 512 токенов. Модель предназначена для извлечения медицинских сущностей из биомедицинских и клинических текстов. В README приведены результаты на оценочном наборе: loss 0,6342 и accuracy 0,7903; состав набора и подробности оценки не раскрыты. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

BioBERT for Adverse Drug Effect Classification — англоязычная модель классификации предложений, разработанная на основе dmis-lab/biobert-base-cased-v1.2 и дообученная для определения, описывает ли предложение нежелательный эффект лекарственного препарата. Она предназначена для разметки биомедицинских текстов, например предложений из медицинских публикаций и сообщений о нежелательных реакциях. Модель использует архитектуру BERT для классификации последовательностей, содержит 135,5 млн параметров и принимает контекст длиной до 512 токенов. Обучение проводилось на ADE Corpus V2; на тестовой выборке из 3 528 примеров карточка сообщает weighted F1 0,96 и F1 класса ADE 0,93. Модель не извлекает названия препарата или конкретного эффекта, а качество на текстах вне MEDLINE case reports может отличаться. Распространяется по лицензии Apache-2.0.

Карточка модели SlimTse/BioLORD-2023 на Hugging Face совпадает с карточкой FremyCompany/BioLORD-2023, поэтому описание составлено по ней. BioLORD-2023 — модель эмбеддингов для клинических предложений и биомедицинских понятий, разработанная авторами BioLORD. Она основана на sentence-transformers/all-mpnet-base-v2 и дообучена на BioLORD-Dataset и определениях из AGCT, сгенерированных большой языковой моделью. Архитектура MPNet содержит 136,7 млн параметров; модель преобразует предложения и фразы в плотные векторы размерности 768. Контекст — до 514 токенов. Модель предназначена для оценки семантического сходства медицинских текстов и биомедицинских понятий, семантического поиска и кластеризации клинических записей. Определения и описания понятий из биомедицинских онтологий помогают ей формировать представления, отражающие смысл и иерархические связи; в README заявлены лучшие результаты на MedSTS и EHR-Rel-B. Также может создавать эмбеддинги текстов общего назначения, но наиболее полезна для медицинских документов, электронных медицинских карт и клинических заметок. Модель принимает текст на английском языке и выдаёт векторные представления; указана поддержка sentence similarity и feature extraction. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверить на странице модели.

Эта модель — дообученная версия Mistral-7B-Instruct-v0.3, разработанная для генерации апелляций по вопросам медицинского страхования. По README, её обучали на синтетическом наборе апелляций; модель предназначена для использования в веб-приложении Fight Health Insurance. Это плотная языковая модель Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст; метаданные указывают поддержку диалогового режима. README приводит значение loss 0,7984 на оценочном наборе, но не описывает методику оценки. Модель может помочь составить черновик апелляции, однако качество и надёжность результатов не установлены: README обозначает работу как раннюю и не раскрывает подробности обучающих и оценочных данных. Лицензия — Apache-2.0.

rntc/gliner2-fr-biomed-v3b — модель GLiNER2 для извлечения сущностей из франкоязычных биомедицинских текстов. Она разработана для NER с открытым набором типов, а также поддерживает классификацию, структурированное извлечение и выявление отношений. Модель использует контрастивный биомедицинский энкодер MedEmbed-v9 на базе ModernBERT; размер базового энкодера — 149 млн параметров. Модель предназначена для разметки медицинских и научных документов, например извлечения диагнозов и лекарств из клинических записей. Обучена на синтетических данных, созданных с помощью дистилляции Qwen3-235B по материалам PMC, HAL, ISTEX, Википедии и учебников; эталонные данные бенчмарков при обучении не использовались. Лицензия — MIT. Ограничения: максимальная длина извлекаемого фрагмента ограничена параметром max_width, по умолчанию равным 8 токенам; для длинных сущностей его нужно увеличить во всех вложенных модулях модели. Лучше подавать не более 20 типов сущностей за вызов и обрабатывать документы по отдельности; режим структурированного извлечения значений формы обучен слабее, чем обычный NER.

meddeid-dutch-synth — модель для выявления и классификации персональных идентификаторов в нидерландских клинических текстах. Разработана Stig Hellemans, Tom Stroobants, Elyne Scheurwegs, Pieter Meysman, Philippe Jorens и Kris Laukens из Университета Антверпена и Университетской больницы Антверпена. Это RoBERTa-модель с 151,6 млн параметров и двумя классификационными головами: для обнаружения BIO-участков и классификации сущностей по 14 категориям. Модель обрабатывает перекрывающиеся окна до 512 токенов с перекрытием 64 токена и возвращает диапазоны символов с найденными данными. Модель предназначена как отправная точка для локального обнаружения идентификаторов в медицинских записях на нидерландском языке. Обучение проводилось исключительно на синтетических записях; модель можно использовать локально и офлайн через пакет MedDeID. Метаданные пациента могут применяться при постобработке для восстановления совпадающих имён и значений. Лицензия репозитория — AGPL-3.0. Синтетические данные не охватывают все специальности, учреждения, стили записей и ошибки документации. Модель может пропускать идентификаторы или удалять клинически значимый текст; опубликованные результаты на конкретных наборах данных не гарантируют качества в другом учреждении. Вывод модели сам по себе не делает текст анонимным, поэтому требуется локальная проверка и отдельная оценка риска.

Модель ShadNygren/BioTechFineTuneTest-DrugAdverseEffects-SIDERv1 разработана ShadNygren и представляет собой дообученную плотную Llama-модель на 7,5 млрд параметров для генерации текста. Она предназначена для англоязычных ответов на медицинские вопросы, с заявленным в названии фокусом на побочных эффектах лекарств. Модель принимает текст и генерирует текст; контекст составляет до 8192 токенов. В карточке указано, что модель дообучена на ShadNygren/BioTechFineTuneTest-DrugAdverseEffects с использованием Unsloth и библиотеки TRL. Весы опубликованы в формате safetensors. Лицензия — Apache-2.0. README не сообщает результаты оценки качества и конкретные ограничения медицинского применения; ответы не следует считать подтверждённой медицинской рекомендацией.

D-BETA — модель извлечения признаков ЭКГ, представленная Hung Manh Pham, Aaqib Saeed и Dong Ma в работе «Boosting Masked ECG-Text Auto-Encoders as Discriminative Learners» (ICML 2025). Она принимает сигнал ЭКГ с 12 отведениями и длиной 5000 отсчётов и возвращает вектор признаков размерности 768 через pooler_output. Модель предназначена для получения представлений ЭКГ, которые можно использовать в последующих задачах анализа сердечно-сосудистых сигналов и обучения моделей на данных ЭКГ и текстах. Репозиторий использует PyTorch и Transformers; для загрузки README указывает transformers==4.36.2 и trust_remote_code=True. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но запрещающая коммерческое применение.

lcampillos/roberta-es-clinical-trials-ner — модель распознавания именованных сущностей на основе RoBERTa, разработанная CSIC (Consejo Superior de Investigaciones Científicas). Она дообучена на испанских текстах о клинических исследованиях и выделяет четыре группы медицинских сущностей UMLS: анатомические объекты, химические и фармакологические вещества, патологические состояния, а также диагностические и терапевтические процедуры и лабораторные анализы. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и возвращает метки для токенов. Для оценки на тестовом наборе указаны F1 0,8647, точность 0,8495 и полнота 0,8806. Обучение проводилось на испанском корпусе CT-EBM-SP из 1200 текстов: аннотаций научных публикаций и объявлений о клинических исследованиях. Модель предназначена для извлечения медицинских сущностей из текстов о клинических исследованиях, например для подготовки данных к поиску и анализу. Она находится в разработке и может содержать смещения; её результаты требуют проверки специалистом и не подходят для принятия медицинских решений без человеческого контроля. Лицензия — CC BY-NC 4.0.

Модель ShadNygren — дообученная языковая модель Llama с 7,5 млрд параметров для генерации текста. Она продолжает обучение модели ShadNygren/BioTechFineTuneTest-DrugAdverseEffects-SIDERv1_then_v2_then_v3 и ориентирована на тему нежелательных реакций на лекарства. Модель принимает текст и генерирует текст; её контекст составляет 8192 токена. В карточке указаны английский язык, формат safetensors и использование Unsloth и TRL при обучении. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества и подробных сведений о данных или проверке медицинской достоверности. Результаты по лекарственным нежелательным реакциям следует проверять по надёжным источникам.

EIRTHAIMED/Llama-3.1-EIRAI-8B — дообученная Eir AI Thai Medical LLM на базе Meta Llama 3.1 8B Instruct, разработанная для медицинских задач на тайском и английском языках. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, контекстом до 131 072 токенов и форматом весов Safetensors; для диалогов используется шаблон ChatML. Модель предназначена для ответов на медицинские вопросы, работы с тайскими медицинскими текстами и английской медицинской терминологией, а также для клинического извлечения сущностей и временной информации, перефразирования и поддержки медицинского RAG. В карточке приведены оценки на медицинских и тайских языковых бенчмарках, однако они сами по себе не подтверждают клиническую надёжность. Разработчики предупреждают, что модель находится в активной разработке и не прошла достаточную проверку для практического применения в клинике. Её не следует использовать для принятия медицинских решений без дополнительной валидации. Лицензия — Llama 3.1.