IV.4Клиническая медицина и общественное здоровье

Карточка модели FreedomIntelligence/Apollo-34B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo-72B, поэтому описание составлено по ней. Apollo-72B — медицинская языковая модель семейства Qwen, опубликованная FreedomIntelligence в рамках проекта Multilingual Medicine. Модель предназначена для генерации ответов на медицинские вопросы и работы с медицинскими знаниями; формат запроса в карточке записан как «:{query}\n:{response}». Репозиторий содержит веса в формате safetensors, а метаданные указывают 119,4 млрд параметров и контекст до 32 768 токенов. Проект описывает мультиязычные медицинские данные и оценивание. В README перечислены английский, китайский, французский, хинди, испанский и арабский для проекта в целом, а датасеты ApolloCorpus явно перечисляют английский, китайский, испанский, французский и хинди. Модель проверяли на медицинских тестах, включая MedQA-USMLE, MedMCQA, MMLU-Medical, MedQA-MCMLE и тесты для испанского и французского. Лицензия репозитория — Apache-2.0. README не сообщает отдельные показатели качества именно версии 72B и не описывает клиническую валидацию, поэтому ответы модели не следует считать заменой профессиональной медицинской консультации.

AquilaMed-RL — медицинская языковая модель BAAI, созданная на основе Aquila в результате продолжения предобучения, supervised fine-tuning и обучения с подкреплением. Это плотная авторегрессионная модель семейства Aquila3 с 7,6 млрд параметров; веса доступны в формате safetensors. Модель предназначена для медицинской сортировки обращений, ответов на вопросы о лекарствах и общих вопросов и ответов в медицинском контексте. Карточка сообщает об оценке ответов с помощью GPT-4 на размеченном наборе и упоминает тестирование на MMLU, C-EVAL и CMB-exam, но не приводит численных результатов. Контекст модели составляет 4096 токенов, предусмотрен диалоговый режим. В карточке не указаны поддерживаемые естественные языки и конкретные ограничения качества; лицензия обозначена как other, поэтому точные условия использования следует проверять в материалах репозитория. Модель выдаёт текст и может ошибаться в медицинских рекомендациях, поэтому её ответы не следует считать заменой профессиональной медицинской помощи.

BeingWell_llama2_7b — медицинская разговорная модель Sirius27, дообученная на архитектуре Llama 2 с 6,6 млрд параметров. Она генерирует текст и предназначена для ответов на вопросы по материалам экзамена USMLE и для диалогов врача с пациентом. Модель принимает текст и выдаёт текст. Она рассчитана на английский язык, имеет контекстное окно 4096 токенов и распространяется в формате PyTorch по лицензии OpenRAIL. Датасеты включают медицинские вопросы и ответы, а также диалоги врача и пациента.

YoliGuadir/beto-prostata-ner — модель на основе BETO, дообученная для распознавания медицинских сущностей в историях болезни при раке предстательной железы. Она выделяет упоминания биомаркеров, диагноза, лечения и анамнеза, помогая структурировать клинические записи на испанском языке. Модель использует архитектуру BERT с классификацией токенов, содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов. В README сообщается о F1 0,95, точности 0,9438 и полноте 0,9563 для BETO на датасете Prostata в формате CoNLL; для XLM-RoBERTa-large приведён F1 0,9537. Модель связана с учебным проектом по обработке естественного языка Университета Валье. Подходит для извлечения медицинских сущностей из испаноязычных клинических записей по раку простаты. Показатели приведены для указанного датасета; лицензия в доступных данных не обозначена.

BioClinical-ModernBERT-large — англоязычный доменно-адаптированный энкодер ModernBERT, разработанный для биомедицинской и клинической обработки естественного языка. Модель содержит около 395 млн параметров, принимает текст и обучена предсказывать замаскированные токены; для неё заявлен контекст до 8192 токенов. Модель предназначена для заполнения пропусков и как энкодерная основа для решений поиска и классификации длинных клинических и биомедицинских текстов. Обучение включало корпус PubMed и PMC, а также 20 клинических датасетов из разных учреждений, областей и географических регионов. README сообщает об оценке на биомедицинских и клинических задачах, но приведённая карточка не содержит полных результатов таблиц. Это дообучение answerdotai/ModernBERT-large; файлы доступны в форматах PyTorch и safetensors, использовать модель можно через Transformers. Лицензия — MIT. Модель рассчитана на английский язык, а её качество для других языков не заявлено.

skfrost19/BioMistralMerged — объединённая языковая модель, созданная с помощью mergekit методом SLERP из BioMistral/BioMistral-7B и mohsenfayyaz/Mistral-7B-Instruct-v0.2_medical_bios_5000_5ep. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговые сценарии в биомедицинской тематике. Контекст составляет до 32 768 токенов. Модель подходит для ответов на медицинские и биологические вопросы, диалога по биомедицинским темам и подготовки черновиков тематических текстов. Репозиторий содержит веса в форматах Safetensors и GGUF. Используется лицензия Apache-2.0. Ответы модели не заменяют медицинскую консультацию: возможны фактические ошибки, поэтому медицинскую информацию следует проверять. В карточке не приведены результаты оценки качества объединённой модели.

Shobhank-iiitdwd/Clinical_sentence_transformers_mpnet_base_v2 — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, предназначенная для кодирования предложений и абзацев в плотные векторы размерностью 768 для работы с клиническими текстами. В основе лежит MPNet с усреднением токенных представлений и нормализацией; близость векторов можно оценивать косинусным сходством. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов по метаданным; README указывает ограничение 384 токена. Её можно использовать для семантического поиска и сравнения клинических текстов, поиска перефразировок, классификации и кластеризации. Модель принимает текст и выдаёт векторы; конкретные поддерживаемые естественные языки в карточке не названы. Репозиторий использует формат safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

CURE-MED-1.5B — компактная языковая модель с 1,5 млрд параметров для многоязычных медицинских рассуждений. Её разработали Eric Onyame, Akash Ghosh, Subhadip Baidya, Sriparna Saha, Xiuying Chen, Chirag Agarwal и Aikyam Lab. Модель основана на Qwen2.5-1.5B-Instruct и дообучена с помощью обучения с подкреплением по учебной программе, включая SFT с учётом переключения языков и GRPO. Модель предназначена для ответов на открытые медицинские вопросы на 13 языках: амхарском, бенгальском, французском, хауса, хинди, японском, корейском, испанском, суахили, тайском, турецком, вьетнамском и йоруба. Она использует архитектуру Qwen2, поддерживает контекст до 32 768 токенов и выдаёт текст. Для обучения и оценки применялся набор CUREMED-BENCH. Модель ориентирована на медицинские рассуждения и многоязычные запросы, в том числе на языках с ограниченными ресурсами. Это генеративная модель, поэтому её ответы могут содержать ошибки и требуют проверки; она не заменяет профессиональную медицинскую оценку. Лицензия — Apache 2.0.

Fleming-VL-8B — мультимодальная медицинская модель рассуждений, разработанная авторами проекта Fleming-VL. Она основана на InternVL3-8B и обучена с использованием парадигмы рассуждений GRPO. Модель анализирует медицинские изображения и текстовые запросы, а также, согласно карточке, 3D-объёмы и видео; поддерживаемые примеры включают рентгеновские снимки, гистологию, КТ и МРТ, УЗИ, эндоскопические и хирургические записи. Модель предназначена для медицинских вопросов и ответов, анализа изображений, клинических рассуждений и подготовки медицинских отчётов. Она формирует пошаговые объяснения и диагностические выводы для исследовательской и справочной работы. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. Модель не предназначена для постановки диагноза или принятия решений о лечении. Её выводы и рассуждения должны проверяться квалифицированными специалистами; карточка также требует соблюдения применимых норм конфиденциальности и законодательства.

gemma-4-E2B-medadapt — польская медицинская доменно-адаптированная версия Gemma 4 E2B IT, созданная автором репозитория на основе google/gemma-4-E2B-it. Модель прошла продолженное предобучение на польских медицинских текстах, затем дообучение на медицинских инструкциях на польском и английском языках. Это плотная текстовая архитектура Gemma4ForCausalLM с 1,6 млрд параметров и контекстом до 131 072 токенов; карточка указывает библиотеку Transformers и формат safetensors. Модель предназначена для диалоговых медицинских задач на польском и английском: ответов на инструкции и вопросов по медицинским темам. Шаблон чата поддерживает режимы с рассуждением и без него; текущая ветка main содержит вариант CPT + SFT. Базовая Gemma 4 E2B IT мультимодальна, однако в этой модели заявлена текстовая генерация, поэтому возможности работы с изображениями и аудио не следует считать подтверждёнными для данной адаптации. Лицензия в предоставленных данных не указана.

QuantFactory/HuatuoGPT-o1-7B-GGUF — это квантизированная версия медицинской языковой модели HuatuoGPT-o1-7B, созданная QuantFactory с использованием llama.cpp на базе Qwen2.5-7B-Instruct. Исходная модель разработана командой FreedomIntelligence и предназначена для задач медицинского текста и сложного медицинского рассуждения. Модель поддерживает английский и китайский языки, относится к классу text-generation и работает в формате, совместимом с Qwen2.5-7B-Instruct. Она применяет подход «сначала рассуждение, затем ответ»: формирует и уточняет сложный ход рассуждений перед выдачей итогового ответа. Модель можно использовать для медицинских вопросов и консультационных сценариев, однако README не содержит сведений о размере контекста, конкретном формате GGUF-квантизации, требованиях к ресурсам или результатах оценки качества. Распространяется по лицензии Apache-2.0. Модель предназначена для исследовательского и прикладного использования, но медицинские ответы требуют обязательной проверки специалистом и не должны рассматриваться как замена профессиональной медицинской консультации.

Hulu-Med-Flash-Preview-27B-GGUF — квантованная в формате GGUF версия мультимодальной медицинской модели Hulu-Med-Flash-Preview-27B, разработанной ZJU-AI4H и подготовленной к распространению mradermacher. Модель ориентирована на работу с медицинскими данными и относится к классу vision-language-моделей, поддерживающих анализ изображений, преобразование изображений в текст, понимание видео и обработку 3D-данных. Заявленный язык — английский. Модель имеет размер 27 млрд параметров в исходной версии; README также связывает её с семейством Qwen, однако точная архитектура и размер контекстного окна не указаны. Для мультимодальной работы требуются отдельные файлы mmproj, доступные в вариантах Q8_0 и F16. Предлагается широкий набор квантов GGUF объёмом примерно от 10,8 до 28,7 ГБ: от Q2_K до Q8_0, включая IQ4_XS. Более лёгкие варианты удобнее для запуска на ограниченных ресурсах, тогда как Q6_K и Q8_0 ориентированы на более высокое качество; Q4_K_S и Q4_K_M обозначены как быстрые и рекомендуемые. Сильной стороной модели является сочетание медицинской специализации и мультимодальных возможностей, включая работу с изображениями, видео и 3D-данными. Ограничения включают англоязычную заявленную поддержку, значительные требования к памяти для крупных квантов и отсутствие в README подробных результатов оценки, описания контекстного окна и рекомендаций по безопасному применению медицинских ответов. Лицензия модели — Apache-2.0.

MedGemma 1.5 4B — мультимодальная медицинская модель Google на архитектуре Gemma 3 с декодерным трансформером и визуальным энкодером SigLIP. Она принимает медицинские изображения и текст и генерирует текстовые ответы; версия 1.5 обновляет MedGemma 1 4B и расширяет работу с трёхмерными КТ- и МРТ-данными, множественными фрагментами гистологических whole-slide изображений, последовательными рентгенограммами грудной клетки, локализацией находок рамками, лабораторными отчётами и текстовыми электронными медицинскими картами. Объём модели — 4 млрд параметров. Модель предназначена для разработчиков медицинских и биологических приложений как отправная точка для адаптации и дообучения. Она поддерживает визуальные вопросы и ответы по медицинским изображениям, понимание медицинских документов и рассуждения по медицинскому тексту; относительно MedGemma 1 4B заявлены улучшения в текстовых рассуждениях и умеренное улучшение интерпретации обычных 2D-изображений. Лучше подходит для медицинских сценариев с генерацией текста, чем для классификации и поиска изображений без генерации. Выводы модели требуют независимой проверки и не должны напрямую использоваться для постановки диагноза, выбора лечения или ведения пациента. Мультимодальные возможности преимущественно оценивались на задачах с одним изображением; работа с несколькими изображениями и многоходовыми диалогами не оценивалась. Для конкретного применения разработчикам рекомендуется адаптировать и валидировать модель на репрезентативных данных. В метаданных указана лицензия «other»; README описывает модель как открытую, но не приводит точное название лицензии.

medgemma-4b-it-GGUF — квантованная в формат GGUF версия модели medgemma-4b-it, разработанной Google и подготовленной компанией Second State Inc. Модель предназначена для медицинских сценариев, включая радиологию, клиническое рассуждение, дерматологию, патологию, офтальмологию и анализ рентгеновских снимков грудной клетки. Она поддерживает работу с текстом и изображениями, а для обработки изображений требует нормализации входных данных до разрешения 896 × 896 и кодирования каждого изображения в 256 токенов. Модель содержит 4 млрд параметров и использует шаблон запросов gemma-3. Заявленный размер контекста — 128 000 токенов. Доступны варианты квантования от Q2_K до Q8_0, а также f16; рекомендуемыми в README названы Q4_K_M, Q5_K_M и Q5_K_S, поскольку они обеспечивают баланс между размером и потерей качества. Квантованные файлы имеют размер примерно от 1,73 до 4,13 ГБ, а мультимодальный компонент mmproj-f16 занимает 851 МБ. Модель подходит для локального развертывания через LlamaEdge и llama.cpp, в том числе в виде чат-сервиса или приложения с поддержкой изображений. Более агрессивное квантование уменьшает требования к ресурсам, но приводит к заметной потере качества. README не содержит сведений о поддерживаемых языках, результатах оценки, ограничениях медицинского применения или конкретных мерах безопасности. Лицензия указана как health-ai-developer-foundations; условия доступны по ссылке Google.

MediPhi — специализированная языковая модель Microsoft Healthcare & Life Sciences для медицинских и клинических текстов. Она построена на архитектуре Phi-3 и получена объединением пяти медицинских экспертных моделей методом BreadCrumbs на базе microsoft/Phi-3.5-mini-instruct. В карточке указано около 3,8 млрд параметров, а метаданные каталога сообщают 3,7 млрд и контекст 4096 токенов. Модель рассчитана на англоязычные исследования и задачи клинической обработки естественного языка, включая работу с медицинской литературой, рекомендациями и клиническими документами. Компактный размер подходит для сценариев с ограниченными вычислительными ресурсами и требованиями к задержке. Лицензия — MIT. Модель может ошибаться, выдавать устаревшие или вымышленные сведения, а качество и безопасность на языках помимо английского могут быть ниже. Карточка рекомендует оценивать результаты и проверять их специалистом; модель не следует применять в высокорисковых клинических сценариях без соответствующей проверки и мер безопасности.

MedPsy-1.7B-GGUF — это GGUF-версия медицинской языковой модели MedPsy-1.7B, разработанная Tether AI Research. Модель основана на Qwen3-1.7B (Thinking) и предназначена для генерации текста на английском языке в медицинских, клинических и связанных со здравоохранением сценариях. Это текстовая авторегрессионная модель с архитектурой decoder-only Transformer и примерно 1,7 млрд параметров. Публикация ориентирована на полностью локальный запуск через llama.cpp и QVAC SDK — от ноутбуков до смартфонов начального уровня. Доступны неотквантизированный вариант BF16 размером около 4,07 ГБ и семь квантованных вариантов размером примерно от 0,89 до 2,16 ГБ. Q8_0 обеспечивает качество, близкое к исходной модели, а Q4_K_M позиционируется как оптимальный компромисс между размером и качеством для смартфонов. К преимуществам относятся локальный запуск без передачи данных на сервер, поддержка нескольких уровней квантования и адаптация к устройствам с ограниченными ресурсами. При этом низкобитные варианты могут заметно снижать качество и повышать риск галлюцинаций; варианты IQ3_M и IQ3_XXS не рекомендуются для медицинского использования. Модель следует применять как вспомогательный инструмент, а не как замену квалифицированному медицинскому специалисту. Распространение осуществляется по лицензии Apache 2.0.

MedVoice-JP — это модель автоматического распознавания японской речи в медицинских сценариях, созданная на базе Whisper small и дообученная авторами репозитория. Она принимает аудио и выдаёт текстовую транскрипцию. Модель предназначена для черновой расшифровки речи медицинских работников; предполагается, что результат проверит человек. Модель построена на архитектуре Whisper и имеет 244 млн параметров. Для полного дообучения использовались около 3 600 высказываний 60 медицинских работников, охватывающих 22 специальности, уход, фармацевтику и другие медицинские профессии. В оценке на 155 высказываниях CER составила 0,1194 против 0,2906 у исходной Whisper small; авторы также сообщают о снижении ошибок в медицинских терминах. Репозиторий содержит веса SafeTensors, лицензия — MIT. Модель не является медицинским изделием и не предназначена для диагностики или выбора лечения. На пожилой речи точность снижается, качество может зависеть от говорящего; авторы отмечают возможное небольшое ухудшение распознавания общеупотребительных слов после дообучения. Оценка проведена на небольшой выборке.

MMedLM — мультиязычная медицинская языковая модель с 6,9 млрд параметров, разработанная авторами проекта Towards Building Multilingual Language Model for Medicine. Это плотная авторегрессионная модель семейства InternLM, дополнительно предобученная на медицинском корпусе MMedC; она не проходила дообучение для следования инструкциям. Модель предназначена для работы с медицинскими текстами и извлечения признаков, а также поддерживает генерацию текста, в том числе ответы на медицинские вопросы на нескольких языках. Контекст модели составляет 2048 токенов. В карточке указана поддержка английского, китайского, японского, французского, русского и испанского языков. Модель доступна в форматах PyTorch и Safetensors по лицензии Apache-2.0. В README отмечены ограничения совместимости: с актуальной версией Transformers могут возникать ошибки; авторы рекомендуют версию 4.28.1. Поскольку модель не настроена следовать инструкциям, для диалоговых сценариев может потребоваться дополнительное дообучение.

MMedS-Llama-3-8B — медицинская языковая модель на архитектуре Llama 3, разработанная авторами проекта Towards Evaluating and Building Versatile Large Language Models for Medicine. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст; для работы с ней предусмотрена библиотека Transformers. Нативная длина контекста — 8192 токена. Модель прошла дополнительное непрерывное предобучение на медицинском корпусе MMedC, а затем supervised fine-tuning на наборе MedS-Ins из 13,5 млн примеров по 122 задачам. Она предназначена для диалоговых медицинских сценариев и генерации ответов на английском языке. Распространяется по лицензии Llama 3. Как и другие медицинские языковые модели, может допускать ошибки и не должна заменять проверку специалистом.

ModernBERT-bio-large — англоязычный биомедицинский энкодер от Almanach, полученный дополнительным предобучением ModernBERT-large по схеме CLM detour с последующим возвращением к masked language modeling. Модель имеет архитектуру ModernBERT с чередованием локального и глобального внимания, FlashAttention и RoPE; содержит около 395 млн параметров и поддерживает контекст до 8192 токенов. Модель предназначена для заполнения масок и дообучения под биомедицинские и клинические задачи: распознавание сущностей, классификацию документов, извлечение отношений и обезличивание клинических записей. В README сообщается о среднем F1 78,7% на 11 англоязычных биомедицинских тестах. Она выдаёт контекстные представления и не предназначена для генерации текста; большой размер требует значительных вычислительных ресурсов. Модель обучена на англоязычных биомедицинских аннотациях, медицинских инструкциях и клинических заметках. Для других языков она не предназначена без дополнительной адаптации. Лицензия — Apache-2.0.

huynoob1312/ner-maccrobat2018 — модель DistilBERT для разметки последовательностей и извлечения сущностей. Она дообучена на базе d4data/biomedical-ner-all на датасете, который в карточке не раскрыт. Базовая модель предназначена для извлечения биомедицинских сущностей из клинических текстов; конкретные типы сущностей и качество дообученной версии не описаны. Модель принимает текст и присваивает метки его токенам, поэтому её можно применять для распознавания сущностей в биомедицинских и клинических текстах. Архитектура — DistilBERT; максимальная длина контекста составляет 512 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Язык и результаты оценки именно этой версии не указаны в доступной карточке.

OpenMed-NER-PathologyDetect-SuperClinical-434M — англоязычная модель распознавания упоминаний заболеваний в биомедицинском тексте, опубликованная OpenMed. Это дообученный трансформер DeBERTa V2 для классификации токенов: он присваивает токенам BIO-метки B-Disease и I-Disease, чтобы выделять названия заболеваний. Модель рассчитана на анализ клинических записей, медицинских документов и научной литературы; в качестве обучающего набора в карточке указан корпус NCBI Disease. Модель содержит 533,8 млн параметров, принимает токенизированный текст, использует контекст до 512 токенов и выдаёт метки сущностей. Карточка приводит для NCBI Disease F1 0,90, точность 0,88, полноту 0,93 и accuracy 0,98. Лицензия — Apache 2.0. Она выделяет заболевания, а не лекарства или химические соединения, поэтому перечисленные в карточке сценарии извлечения медикаментов и химических сущностей не подтверждены её набором меток; качество на иных типах текстов и вне указанного корпуса может отличаться.

OpenMed-ZeroShot-NER-Disease-Multi-209M — специализированная модель OpenMed для распознавания упоминаний заболеваний и патологических состояний в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе BC5CDR-Disease; в метаданных указан формат PyTorch, а размер модели в README обозначен как 209M. Модель предназначена для извлечения названий заболеваний из медицинской литературы и клинических текстов, включая задачи индексирования заболеваний, фенотипирования пациентов и отбора публикаций. GLiNER позволяет задавать типы сущностей при запросе, однако карточка подтверждает специализированное обучение только для типа DISEASE. Для тестового набора BC5CDR-Disease в README приведено значение F1 0,80; также заявлена оценка 0,8848 для варианта Medium, поэтому результаты зависят от варианта и оценки. Модель принимает текст и возвращает найденные сущности с их типами. Указан английский язык. Распространяется по лицензии Apache-2.0. Результаты могут быть слабее для редких или пользовательских типов сущностей; README рекомендует подбирать порог уверенности для таких запросов. Упоминание клинических сценариев не подтверждает пригодность для принятия медицинских решений.

psyBERTpt — специализированная модель клинического распознавания именованных сущностей в португалоязычных психиатрических записях. Авторы аннотировали записи о госпитализации из бразильской специализированной психиатрической больницы и обучили модель выделять девять категорий: суицидальное и самоповреждающее поведение, диагнозы, препараты и лекарства, психические функции, семейный и личный анамнез, наблюдения, симптомы и психологические жалобы. Модель основана на архитектуре BERT и предназначена для классификации токенов в клинических текстах на португальском языке. Она может помогать извлекать структурированные сведения из психиатрических записей; указанное контекстное окно составляет 512 токенов. В карточке авторов упоминается статья о модели, ожидающая публикации. Репозиторий содержит веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

Red Flag Modifier — специализированная модель извлечения модификаторов из клинических заметок и сообщений пациентов. Она разработана как один из пяти модулей системы обнаружения медицинских тревожных признаков и предназначена для совместной работы с другими экстракторами и движком правил. Модель выделяет такие сведения, как время начала симптома, температура при лихорадке и уровень сознания. Модель основана на Qwen2.5-3B-Instruct: это плотная авторегрессионная языковая модель Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Веса дообучены с помощью LoRA и объединены с базовой моделью. Заявлена работа с английским, включая брунейский разговорный вариант Manglish, китайским и малайским языками. В независимом наборе из 2246 случаев авторы сообщают метрики полного пятикомпонентного конвейера вместе с движком правил; эти результаты не относятся отдельно к данному модулю. Модель распространяется по лицензии Apache-2.0. Она предназначена для узкой медицинской задачи и описана как компонент многомодульной системы, поэтому приведённые показатели полного конвейера не следует считать самостоятельной оценкой её качества; для применения требуется учитывать остальные модули и постобработку.

Red Flag Detection: symptom module — медицинская модель, разработанная ningpy на базе Qwen2.5-3B-Instruct и дообученная с помощью LoRA с последующим объединением адаптера с базовой моделью. Она извлекает симптомы из клинических заметок и сообщений пациентов как часть пятикомпонентной системы выявления медицинских тревожных признаков, работающей совместно с движком правил. Модель рассчитана на английский язык Брунея, включая Manglish, китайский и малайский языки. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, контекстом до 32 768 токенов и форматом safetensors. В независимой проверке полного конвейера из пяти модулей и движка правил на 2246 примерах указаны F1 0,906 и точность 91,9%; эти показатели относятся ко всей системе, а не только к данному модулю. Модель распространяется по лицензии Apache-2.0. Для полного выявления тревожных признаков её следует использовать в составе описанного конвейера; отдельные клинические ограничения и результаты самостоятельной оценки модуля в карточке не приведены.

RsGoksel/RsGoksel_ITU_Mainframe-balanced — дообученная модель для автоматического распознавания турецкой речи, созданная на базе OpenAI Whisper large-v3-turbo с помощью LoRA; адаптер объединён с базовой моделью. Модель предназначена для транскрибации аудио на турецком языке в разных предметных областях, с балансом распознавания чистой речи и устойчивости к сложным условиям, включая медицинскую речь. Модель использует архитектуру Whisper и доступна в формате safetensors для Transformers. В README приведён пример распознавания аудиофайла с указанием турецкого языка и режима транскрибации. Для ускоренного вывода автор указывает отдельную версию в формате CTranslate2. Лицензия — MIT. Метрика оценки — WER после нормализации турецкого текста; конкретные численные результаты в карточке не приведены.

Модель anechaev/ru_med_gpt3sm_based_on_gpt2 разработана для помощи медицинским работникам при заполнении историй болезни. Она основана на предварительно обученной русскоязычной модели sberbank-ai/rugpt3small_based_on_gpt2 и предназначена для генерации текста, дополняющего медицинскую документацию. Модель использует архитектуру GPT-2 с плотной нейросетевой структурой и принимает текст, выдавая продолжение текста. Для неё указан контекст длиной 2048 токенов; модель рассчитана на русский язык. Репозиторий содержит веса в форматах PyTorch и Safetensors, лицензия — MIT. Карточка описывает модель как вспомогательный инструмент для заполнения историй болезни, но не приводит оценки качества или клинической валидации. Сгенерированный текст следует проверять перед включением в медицинскую документацию.

BioBART-v2-base — биомедицинская генеративная языковая модель семейства BART, представленная авторами работы BioBART: Hongyi Yuan, Zheng Yuan, Ruyi Gan, Jiaxing Zhang, Yutao Xie и Sheng Yu. Версия V2 использует новый биомедицинский словарь. Модель содержит 122,2 млн параметров, имеет архитектуру BartForConditionalGeneration и принимает последовательности длиной до 1024 токенов. Модель предназначена для генерации и преобразования биомедицинского текста. Её можно применять как основу для задач, где требуется сформулировать или преобразовать текст в медицинском и биологическом контексте. В карточке указана лицензия Apache-2.0. Доступны веса в форматах PyTorch и Safetensors.

BioBERTpt-squad-v1.1-portuguese — модель для ответов на вопросы о клинической и биомедицинской тематике. Её создала группа Deep Learning Brasil; модель семейства BERT дообучена на португальской версии SQuAD 1.1 для задачи question answering. Она принимает текст вопроса и контекста и извлекает из контекста ответ. В карточке указаны результаты на оценке: F1 80,06 и Exact Match 67,52. Модель содержит 205,1 млн параметров и поддерживает контекст до 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.