IV.4Клиническая медицина и общественное здоровье

L1 (Learning Unit 1) — медицинская языковая модель Lunit и Lunit Consortium для клинических рассуждений и поддержки принятия решений. Она дообучена на Gravity-16B-A3B-Base от Trillion Labs и Lunit Consortium и предназначена для диалоговых сценариев в здравоохранении: ответов на клинические вопросы, просвещения пациентов, составления медицинской документации, сортировки пациентов и оценки причинно-следственной связи нежелательных реакций на лекарства. Модель использует разреженную архитектуру GravityMoE с MLA: в README указаны 16,24 млрд параметров всего и 3 млрд активных на токен, 28 слоёв и контекст до 32 768 токенов. Для генерации она выполняет пошаговое внутреннее рассуждение, что увеличивает расход токенов и задержку. Карточка демонстрирует примеры на английском и корейском; метаданные указывают английский язык. Модель может выдавать неверную, неполную или устаревшую медицинскую информацию и не заменяет оценку медицинского специалиста. Она не имеет доступа к актуальным рекомендациям и сведениям о лекарствах после окончания обучения. Лицензия — Apache-2.0.

Citrus1.0-llama-70B — медицинская языковая модель команды Citrus для поддержки клинических решений. Она дообучена на основе Llama 3.1 70B и предназначена для медицинского диалога, рассуждений о заболеваниях, клинической диагностики и выбора лечения. Модель использует плотную архитектуру LlamaForCausalLM с 69,5 млрд параметров и контекстом до 131 072 токенов. Она работает с текстом; README описывает многоэтапное постобучение и обучение на синтетических данных, имитирующих ход экспертных рассуждений врачей. Репозиторий содержит веса Safetensors и предоставляет интерфейс диалога и вызова инструментов. Авторы представляют Citrus как средство поддержки медицинских решений и публикуют её вместе с данными для исследований и оценки. Ответы модели не следует считать заменой профессиональной клинической оценки. Указана лицензия MIT при условии, что она не противоречит лицензии Llama 3.1 Community License, распространяющейся на базовую модель.

Guardpoint — специализированная языковая модель для медицинских рассуждений от Valiant Labs, дообученная на основе Qwen3-32B. Она формирует структурированные ответы по диагностике, ведению пациентов, медицинским знаниям и пониманию клинических случаев; обучение охватывает разные медицинские специальности, профили пациентов и типы вопросов. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 29,7 млрд параметров и контекст до 40 960 токенов. Основной язык карточки — английский; модель принимает и генерирует текст. Guardpoint ориентирована на ответы с включённым режимом рассуждения и краткую, организованную подачу, которая может снижать расход токенов при инференсе. Доступна под лицензией Apache-2.0. Ответы модели могут содержать ошибки: её выводы не заменяют медицинское обследование или профессиональную консультацию.

ClinicDx V1 — мультимодальная модель поддержки клинических решений, разработанная на основе google/medgemma-4b-it. Это дообученная и объединённая с базовыми весами Gemma 3 модель с 4,3 млрд параметров; репозиторий также содержит компоненты аудиотракта для голосового ввода и GGUF-квантизацию Q8_0. Система рассчитана на автономное развертывание через llama.cpp на потребительском оборудовании. Модель формирует структурированные клинические оценки по описанию пациента: определяет срочность, обобщает клинические данные, предлагает дифференциальные диагнозы и дальнейшие действия, выделяет риски и готовит краткую сводку. В связке с базой из 27 860 фрагментов клинических рекомендаций WHO и MSF использует поиск по источникам и может включать цитаты в ответы. Голосовой сценарий реализуется отдельными компонентами MedASR и аудиопроектором; основная модель также наследует от MedGemma визуальный модуль, однако README указывает, что он не используется в сценариях CDS и Scribe. Модель ориентирована на клиническую поддержку и извлечение наблюдений из голосового ввода, прежде всего в контексте клинических рекомендаций. Карточка описывает английский язык. Модель не заменяет профессиональное клиническое решение; качество зависит от контекста и найденных источников. Лицензия — Gemma.

Baichuan-M2-32B — медицинская модель рассуждений компании Baichuan AI, дообученная на базе Qwen/Qwen2.5-32B. Это плотная авторегрессионная модель семейства Qwen2 с 32 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; контекст составляет до 131 072 токенов. Для адаптации к медицине применялись специализированное дообучение, многоэтапное обучение с подкреплением и Large Verifier System с симуляторами пациентов и многомерной проверкой ответов. Модель предназначена для медицинского образования, ответов на вопросы о здоровье и поддержки клинических решений, сохраняя также общие и математические навыки. В README заявлена поддержка английского и китайского языков. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Она предназначена для справочного и исследовательского использования и не заменяет профессиональную диагностику или лечение; применять её рекомендуется под наблюдением медицинских специалистов.

MediAlbertina PT-PT 1.5 NER — модель для распознавания медицинских сущностей в клинических текстах на европейском португальском языке. Её разработали на основе DeBERTaV2: продолжили предобучение семейства Albertina на медицинских записях, затем дообучили MediAlbertina PT-PT 1.5B на вручную размеченных обезличенных медицинских предложениях. Модель содержит около 2 млрд параметров и принимает контекст длиной до 512 токенов. Модель извлекает из электронных медицинских записей диагнозы, симптомы, лекарства и дозировки, медицинские процедуры, показатели жизненно важных функций, результаты процедур и показатели прогресса состояния пациента. Разработчики сообщают, что медицинская адаптация показала более высокие результаты, чем дообучение той же задачи на немедицинской модели; для варианта 1.5B в таблице приведены точность 0,833, полнота 0,845 и F1 0,838. Модель предназначена для извлечения информации из клинической документации, например для структурирования записей и поиска медицинских сущностей. Она распространяется по лицензии MIT. Результаты относятся к размеченным португальским медицинским данным; перенос на другие языки, учреждения и схемы разметки не подтверждён.

MediAlbertina PT-PT 900M NER — модель семейства MediAlbertina, разработанная Portuguese NLP и созданная дообучением MediAlbertina PT-PT 900M для распознавания медицинских сущностей в текстах на европейском португальском языке. Это энкодер на архитектуре DeBERTaV2 с 1,1 млрд параметров и контекстом до 512 токенов; модель выдаёт метки для фрагментов текста. Модель предназначена для извлечения из анонимизированных медицинских записей диагнозов, симптомов, лекарств и дозировок, медицинских процедур, показателей жизненно важных функций, результатов обследований и описаний динамики состояния пациента. Она обучена на примерно 10 тысячах вручную размеченных медицинских сущностей из около 4 тысяч предложений португальского стационара; в карточке сообщается о превосходстве над аналогичной адаптацией общеязыковой португальской модели. Модель рассчитана на клинические тексты европейского португальского языка и не предназначена для языков или задач за пределами медицинской разметки сущностей. Обучающие данные описаны как анонимизированные, но карточка не устанавливает пригодность предсказаний для самостоятельной диагностики или клинических решений. Лицензия — MIT.

Parrotlet-a 2.5 Pro — модель распознавания речи Eka.care для медицинских разговоров в индийских медицинских учреждениях. Она преобразует аудио в текст на индийском английском, хинди, маратхи, каннада и телугу и рассчитана на частое смешение английских медицинских терминов и названий лекарств с индийскими языками. Архитектура сочетает энкодер Whisper large-v3 и декодер MedGemma 4B через проектор; модель дополнительно настраивали методом GRPO на медицинских диалогах. Веса хранятся в формате bfloat16. По результатам приведённых в карточке медицинских тестов, модель показала лучшие результаты среди сравниваемых систем на наборах диалогов по всем пяти языкам, включая точность распознавания медицинских сущностей. Модель подходит для транскрибации консультаций и извлечения из речи клинически значимых сведений. Она принимает аудио с частотой 16 кГц, обрабатывает фрагменты длиной до 30 секунд; более длинные записи нужно разбивать вручную, иначе они будут обрезаны. Работает на CPU или GPU с PyTorch и Transformers. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели.

yehiazak/whisper-largev3-medical — модель распознавания речи, созданная дообучением Whisper large-v3 на медицинских аудиоданных. Она предназначена для транскрибации диалогов врача с пациентом и медицинских рассказов на английском и арабском языках; также подходит для медицинской диктовки. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и доступна в формате safetensors; для работы указан фреймворк Transformers. В карточке заявлена частота ошибок слов WER 4,12% на чистой речи медицинской тематики. Лицензия — Apache-2.0. Показатель качества относится к данным и условиям оценки, описанным автором, и не гарантирует такую же точность на других аудио; сведения о контексте к этой задаче распознавания речи не применяются.

Healthcare Brain Medication NER — модель Genzeon Platforms для извлечения сведений о лекарствах из неструктурированного клинического текста. Это модель классификации токенов на основе Bio_ClinicalBERT с разметкой BIO; она содержит 135,5 млн параметров и принимает контекст до 512 токенов. Модель выделяет 12 категорий сущностей, включая названия препаратов, дозировки, концентрации, лекарственные формы, пути и частоту введения, длительность курса, побочные реакции и коды лекарств. Модель предназначена для обработки медицинских записей, выписок, клинических заметок и свободно сформулированных назначений. Её можно применять для структурирования назначений, сверки лекарственной терапии, поиска лекарственно-связанных нежелательных реакций и подготовки данных для клинических исследований. Карточка сообщает об английском языке и обучении преимущественно на синтетических клинических примерах, а также о поддержке корпусов n2c2 2018, i2b2 2009 и BC5CDR. Лицензия — Apache-2.0. В README приведены метрики на тестовых данных, однако автор предупреждает, что перенос на разнообразную реальную клиническую документацию может отличаться из-за синтетического смещения обучающих данных. Возможны ошибки границ составных названий препаратов и неоднозначность между показанием и побочной реакцией; для распознавания кодов NDC и RxNorm обычно нужен соответствующий контекст. Для клинических решений рекомендуется проверка специалистом.

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

MedGo — медицинская языковая модель, разработанная на основе Qwen3-32B и дообученная для клинической практики и медицинских исследований. Это плотная авторегрессионная модель на 29,7 млрд параметров с контекстом до 40 960 токенов; она предназначена для диалогового использования и работает с текстом. Модель подходит для ответов на медицинские вопросы, составления клинических сводок и документации, обсуждения дифференциальных диагнозов, рекомендаций по обследованиям, диалога по клиническим случаям и поддержки медицинских исследований. В README заявлена ориентация прежде всего на китайские медицинские сценарии; метаданные также отмечают китайский и английский языки. Модель распространяется по лицензии Apache-2.0. MedGo может ошибаться в медицинских рассуждениях и рекомендациях, особенно при сложных случаях, осложнениях и неполных данных. Медицинские знания могут устаревать; модель не заменяет врача и не предназначена для экстренных решений или самостоятельного принятия высокорисковых клинических решений. Результаты требуют проверки специалистом.

Guardpoint — медицинская модель для рассуждений, созданная Valiant Labs путём дообучения Qwen3.5-27B на сложных медицинских примерах рассуждений, сгенерированных DeepSeek V3.2 Speciale. Она предназначена для структурированных ответов по диагностике, ведению пациентов, медицинским знаниям и пониманию клинических ситуаций, включая широкий круг медицинских специальностей, профилей пациентов и типов вопросов. Модель основана на плотной архитектуре Qwen3.5 с 22,3 млрд параметров и контекстом до 262 144 токенов. Метаданные указывают на поддержку текстового диалога и обработки изображений; основной сценарий README — медицинские текстовые вопросы. Модель рекомендуется запускать с режимом рассуждений Qwen3.5. Репозиторий использует формат safetensors, а лицензия — Apache-2.0. Guardpoint может давать краткие, упорядоченные ответы и помогать с анализом клинических вопросов, но, как и другие LLM, может ошибаться. Ответ модели не заменяет осмотр и консультацию медицинского специалиста.

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.

Healthcare Brain Vitals NER — модель распознавания именованных сущностей, разработанная Genzeon Platforms на базе Bio_ClinicalBERT и дообученная для извлечения показателей жизнедеятельности и измерений из клинического текста. Это модель архитектуры BERT с 135,5 млн параметров, предназначенная для использования в системах Transformers; она размечает текст по 15 категориям сущностей с BIO-тегами, включая артериальное давление, пульс, частоту дыхания, температуру и SpO2. Модель помогает структурировать показатели из сестринских записей, заметок сортировки в отделениях неотложной помощи и врачебных записей, а также обогащать электронные медицинские карты и извлекать данные для клинической аналитики. По README, общий micro F1 составляет 0,9545 при строгом совпадении типа и границ сущности. Модель рассчитана на английские клинические тексты и контекст до 512 токенов; для более длинных документов рекомендуется обработка перекрывающимися фрагментами. Качество может снижаться на неклиническом тексте, а редкие измерения могут не входить в поддерживаемые категории. Лицензия Apache-2.0.

Hulu-Med-Flash-Preview-27B — медицинская мультимодальная модель семейства Qwen3.5, разработанная командой ZJU-AI4H. Она предназначена для диалогов и анализа медицинских текстов, изображений и видеоматериалов: отвечает на вопросы по снимкам, помогает формировать медицинские отчёты, распознавать хирургические этапы и выполнять клинические рассуждения. Версия Flash Preview использует более короткую цепочку рассуждений для ускорения обработки; модель работает через Transformers и поставляется в формате safetensors. В README заявлена поддержка медицинских текстов, 2D- и 3D-изображений и видео, а также мультиязычных медицинских вопросов и ответов. Обучение семейства описано как проведённое на открытых данных; в карточке указана лицензия Apache-2.0. Модель предназначена для медицинских сценариев, а её выводы не следует считать заменой профессиональной клинической оценки.

Baichuan-M3-235B-GPTQ-INT4 — медицинская крупная языковая модель нового поколения, разработанная Baichuan AI. Модель предназначена для поддержки клинических сценариев: ведения медицинского опроса, выявления критически важной информации, проведения дифференциальной диагностики, выбора необходимых лабораторных исследований и формулирования итогового диагноза. Она обучалась с акцентом на моделирование клинического процесса принятия решений, снижение галлюцинаций и построение последовательных, проверяемых рассуждений. Заявлены поддержка китайского и английского языков и совместимость с библиотекой Transformers; базовой моделью указана Qwen/Qwen3-235B-A22B. Модель имеет 235 млрд параметров и поставляется в формате GPTQ с 4-битным квантованием INT4, благодаря чему её требования к памяти снижены примерно до 26% от исходных. Для ускорения вывода заявлена технология спекулятивного декодирования Gated Eagle3 с ускорением до 96%. В обучении использовались SPAR — метод поэтапного обучения с подкреплением для клинического рабочего процесса — и Fact-Aware Reinforcement Learning, учитывающий проверку медицинских утверждений по авторитетным источникам. По данным README, Baichuan-M3 превосходит GPT-5.2 на ряде медицинских тестов, однако приведённые результаты являются заявлением разработчика. Сильные стороны модели — специализация на медицинских диалогах, структурированный клинический анализ, ориентация на уточняющие вопросы и заявленный низкий уровень галлюцинаций даже без внешних инструментов. Ограничения включают отсутствие в README сведений о размере контекстного окна, точной архитектуре, системных требованиях, дополнительных модальностях и полном наборе поддерживаемых языков. Модель не должна рассматриваться как замена квалифицированному медицинскому специалисту. Лицензия — Apache 2.0.

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.

Guardpoint — медицинская модель для рассуждений, созданная Valiant Labs на основе инструкционной Gemma 4 12B-it и дообученная на сложных медицинских примерах рассуждений, сгенерированных DeepSeek V3.2 Speciale. Она предназначена для структурированных ответов по диагностике, ведению пациентов, медицинским знаниям и пониманию клинических ситуаций. Модель использует плотную архитектуру Gemma 4 Unified с поддержкой изображений и диалогового режима. Карточка указывает медицинские сценарии от внутренней медицины и сортировки пациентов до радиологии и хирургии; метаданные отмечают английский язык. Для диалогов авторы рекомендуют включать режим рассуждений Gemma 4. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Guardpoint унаследовала ограничения больших языковых моделей; автор отдельно предупреждает, что её ответы не заменяют профессиональное медицинское обследование. Компактные структурированные ответы заявлены как способ сократить расход токенов, но карточка не приводит количественных оценок качества или экономии.

Hulu-Med-32B — медицинская мультимодальная модель для понимания изображений и видео и диалога, разработанная командой ZJU-AI4H. Модель с плотной архитектурой HulumedQwen2ForCausalLM содержит 32 млрд параметров, принимает текст, медицинские изображения и видео, а также работает с трёхмерными медицинскими данными. Контекст — до 32 768 токенов. Модель предназначена для визуальных вопросов и ответов, подготовки медицинских заключений, диагностических задач, анатомического анализа, распознавания этапов хирургических операций и клинического диалога. В README заявлены поддержка 2D- и 3D-изображений, видео, медицинского текста и многоязычных медицинских вопросов. Базовая языковая модель — Qwen2.5-32B; карточка описывает обучение на открытых данных и приводит оценки на медицинских бенчмарках. Модель распространяется по лицензии Apache-2.0. Это инструмент поддержки анализа, а не замена клинической оценки специалиста; качество может зависеть от типа исследования, модальности и формулировки запроса.

MedGemma-27B-IT-FP8-Dynamic — производная модель Google MedGemma-27B-IT, подготовленная сообществом как вариант с динамическим FP8-квантованием для высокопроизводительного вывода. Это инструкционно дообученный decoder-only Transformer медицинской и биомедицинской направленности с мультимодальной базой, поддерживающей текст и изображения. В представленном варианте квантование ориентировано преимущественно на текстовые сценарии. Модель предназначена для выполнения медицинских и биомедицинских инструкций, суммаризации и анализа клинических текстов, построения RAG-систем, а также исследовательской и вспомогательной работы с медицинской информацией. Она рассчитана на развертывание через vLLM на современных GPU NVIDIA. FP8 Dynamic-квантование линейных слоёв снижает потребление VRAM и может повышать пропускную способность; при этом vision tower, мультимодальные проекционные слои и lm_head исключены из квантования для повышения стабильности. Веса уже квантованы, поэтому дополнительное runtime-квантование применять не следует. README не содержит сведений о размере контекста, поддерживаемых языках, точных требованиях к оборудованию и результатах бенчмарков. Также не раскрыты конкретные условия лицензии: указано только значение license: other. Модель следует рассматривать как инструмент для медицинского анализа и поддержки исследований, а не как замену квалифицированному клиническому решению.

MedGemma 27B Text IT — инструкцияно дообученная языковая модель для медицинских текстовых задач, разработанная Google в рамках семейства MedGemma на базе Gemma 3. Данная версия распространяется в формате Unsloth с 4-битным BNB-квантизированием и основана на модели google/medgemma-27b-text-it. Модель предназначена для понимания и генерации медицинского текста, клинического рассуждения и создания приложений в сфере здравоохранения. Она обучалась исключительно на медицинских текстах и оптимизирована для вычислений во время инференса. Версия 27B является текстовой и не поддерживает обработку изображений; сведения о языках и размере контекстного окна в карточке не указаны. К сильным сторонам относятся специализация на медицинской тематике, instruction tuning и возможность адаптации для конкретных задач с помощью дообучения. Модель требует значительных вычислительных ресурсов, хотя 4-битное квантование снижает требования к памяти. Результаты медицинской модели не следует использовать как замену профессиональной клинической оценке; конкретные ограничения безопасности и показатели бенчмарков в карточке не приведены. Использование регулируется условиями Health AI Developer Foundations. Для доступа на Hugging Face необходимо ознакомиться с этими условиями и принять их.

MedraN-E4B-Uncensored-EP7 — медицинская диалоговая модель на базе Gemma 3n E4B, дообученная для клинических сценариев. Карточка описывает поддержку принятия клинических решений, разбор дифференциальных диагнозов, обучение медицинских специалистов, подготовку медицинской документации и анализ медицинской литературы. Модель принимает текст и изображения; заявлены работа со структурированными данными и вызов подключённых инструментов для поиска по базам и извлечения сведений из документов. Метаданные указывают архитектуру Gemma3nForConditionalGeneration и формат safetensors; карточка заявляет класс размера 8B и повышенную длину контекста, но точные значения не приводит. В метаданных указаны английский и румынский языки. Модель распространяется по лицензии Apache-2.0. Разработчик позиционирует её как помощника для клинического рассуждения и обучения, способного разбирать медицинские изображения и поддерживать инструментальные рабочие процессы. Карточка сообщает о дообучении на медицинской литературе, клинических случаях, примерах SOAP-документации, мультимодальных медицинских данных и симуляциях взаимодействия с инструментами. Эти сведения и возможности заявлены автором и не сопровождаются в карточке оценками качества. Модель не заменяет врача и требует клинического контроля; вызов инструментов зависит от их настройки, а доступ к медицинским информационным системам требует предварительной анонимизации данных.

WiNGPT2-7B-Chat 是卫宁健康研发的中文医疗领域对话大语言模型，面向医疗问答、诊疗辅助和医学信息服务。模型基于 Qwen-7B 预训练，并经过医疗语料继续预训练和指令微调；采用 Transformer 架构、RoPE、SwiGLU 和 RMSNorm。仓库元数据显示模型含 11.4 млрд параметров и поддерживает контекст до 8192 токенов; для Chat-варианта в README указан предел обучения 4096 токенов. Модель принимает текст и генерирует текст, поддерживает многоходовый диалог на китайском языке и медицинские сценарии, включая ответы о симптомах, лечении, лекарствах, профилактике и обследованиях, а также извлечение и классификацию сведений из медицинских текстов. README описывает специализацию на медицинских знаниях и сообщает о поддержке 32 задач и восьми медицинских сценариев. Ответы могут содержать ошибки и не заменяют профессиональную диагностику или лечение. Проект распространяется по Apache License 2.0; веса также должны соответствовать условиям лицензии базовой модели Qwen-7B.

Baichuan-M3-235B — медицинская диалоговая языковая модель Baichuan AI, предназначенная для клинического опроса и поддержки принятия решений. Карточка описывает сохранённую без изменений копию модели Baichuan-M3-235B; метаданные связывают её с Qwen/Qwen3-235B-A22B и указывают дообучение. Модель использует разреженную архитектуру Qwen3 MoE с классом Qwen3MoeForCausalLM, содержит 18,2 млрд параметров и принимает текстовые запросы. Заявленная длина контекста — 40 960 токенов; среди языков указаны английский и китайский. Модель обучалась вести последовательный клинический диалог: собирать важные сведения, выстраивать медицинские рассуждения, рассматривать обследования и формировать диагноз. В README также заявлены механизмы обучения, направленные на проверяемость медицинских утверждений, и варианты ускорения развёртывания с W4-квантизацией и спекулятивным декодированием. Лицензия — Apache 2.0. Модель предназначена для медицинского образования, консультационных сценариев и поддержки клинических решений под контролем медицинских специалистов. README предупреждает, что она предназначена только для исследований и справочного использования и не заменяет профессиональную диагностику или лечение; заявленные результаты бенчмарков приведены авторами карточки.

Модель samrawal/bert-base-uncased_clinical-ner — модель распознавания именованных сущностей в клинических текстах, основанная на BERT и разработанная автором репозитория Sam Rawal. Она размечает упоминания проблем со здоровьем, методов лечения и медицинских тестов. Модель обучена на наборе i2b2 для задачи Relations 2010; для доступа к набору данных требуется запрос на сайте n2c2. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выполняет поклассовую классификацию токенов. В метаданных указаны версии весов для PyTorch, TensorFlow и Flax. Карточка не сообщает лицензию, поэтому условия использования определить нельзя.

Карточка модели sschet/bert-base-uncased_clinical-ner на Hugging Face совпадает с карточкой samrawal/bert-base-uncased_clinical-ner, поэтому описание составлено по ней. Модель samrawal/bert-base-uncased_clinical-ner — модель распознавания именованных сущностей в клинических текстах, основанная на BERT и разработанная автором репозитория Sam Rawal. Она размечает упоминания проблем со здоровьем, методов лечения и медицинских тестов. Модель обучена на наборе i2b2 для задачи Relations 2010; для доступа к набору данных требуется запрос на сайте n2c2. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выполняет поклассовую классификацию токенов. В метаданных указаны версии весов для PyTorch, TensorFlow и Flax. Карточка не сообщает лицензию, поэтому условия использования определить нельзя.

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.

Gemma-3-27B-MeditronFO — медицинская диалоговая языковая модель LiGHT, дообученная на базе Google Gemma-3-27B-IT на корпусе Fully Open Meditron. Модель содержит 27 млрд параметров, построена на архитектуре Gemma 3 и предназначена для ответов на медицинские вопросы, работы с клиническими рекомендациями и клиническими случаями, а также для оценки медицинских задач. Она принимает текст и изображения и генерирует текст; карточка сообщает об англоязычных данных и показывает результаты на медицинских бенчмарках MedQA, MedMCQA и PubMedQA. Обучение проведено на 601 тыс. примеров объёмом около 150 млн токенов, включая открытые медицинские наборы данных и компоненты, проверенные клиницистами. Среди заявленных сильных сторон — улучшенные результаты на перечисленных медицинских бенчмарках и сравнении HealthBench Hard; эти показатели относятся к оценкам из карточки и не гарантируют точность отдельных ответов. Модель может выдавать фактически неточные, непоследовательные или предвзятые ответы, поэтому её следует использовать как вспомогательный инструмент и проверять важную информацию. Лицензия — Gemma.