IV.4Клиническая медицина и общественное здоровье

BioMed-R1-32B — медицинская языковая модель Zou Lab, дообученная на базе Qwen/Qwen2.5-32B-Instruct с помощью supervised fine-tuning и обучения с подкреплением. Она предназначена для генерации ответов на биомедицинские вопросы с многошаговыми рассуждениями и для повышения устойчивости к ошибочным подсказкам: модель обучали на сложных для рассуждения и состязательных примерах, включая сценарии самокоррекции и возврата к предыдущим шагам. Модель имеет плотную архитектуру Qwen2, содержит 32 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка приводит результаты на бенчмарках и сообщает о лучших совокупных и состязательных результатах среди сопоставимых по размеру биомедицинских LLM, но также подчёркивает, что надёжность медицинских рассуждений остаётся ограниченной. Модель работает с текстом и рассчитана на английский язык. Лицензия — Llama 3.1 License.

Biomistral-Calme-Instruct-7b — объединённая модель на основе Mistral, созданная с помощью mergekit из Calme-7B-Instruct-v0.1.1 и BioMistral-7B. Она предназначена для диалоговой генерации текста и применения в медицинских сценариях, где полезны инструкции и знания из биомедицинской области. Модель содержит 7,1 млрд параметров, использует архитектуру Mistral и поддерживает контекст до 32 768 токенов. Весовые файлы представлены в формате safetensors. Модель подходит для ответов на медицинские вопросы и диалоговой помощи по биомедицинским темам, однако карточка не приводит результатов оценки качества или подробных сведений о клинической надёжности. Лицензия — Apache 2.0.

pabRomero/ClinicalBERT-finetuned-ner-pablo-just-classifier — дообученная модель на базе medicalai/ClinicalBERT для классификации токенов, предназначенная для задач распознавания именованных сущностей в клинических текстах. Архитектура — DistilBERT с головой DistilBertForTokenClassification; веса сохранены в формате safetensors, максимальная длина контекста — 512 токенов. В README приведены метрики на оценочном наборе: precision 0,7118, recall 0,7328, F1 0,7221 и accuracy 0,9650. Данные обучения, набор меток и конкретные типы сущностей не описаны, поэтому качество на иных клинических данных не гарантируется. Лицензия в предоставленных данных не указана.

Clinical-BigBird — клиническая версия BigBird, разработанная yikuan8 и дополнительно предварительно обученная на клинических заметках MIMIC-III. Это плотная модель BigBirdForMaskedLM на 151,9 млн параметров, принимающая последовательности длиной до 4096 токенов и предназначенная для заполнения пропусков в тексте. Модель работает с английским языком и распространяется в формате PyTorch. Её используют как основу для клинических задач обработки текста, включая распознавание медицинских сущностей, ответы на вопросы, вывод по тексту и классификацию. В описанных авторами экспериментах на десяти наборах данных для последующих задач Clinical-BigBird стабильно превосходила ClinicalBERT. Лицензия в предоставленных данных не указана.

Clinical ModernBERT — англоязычный encoder-трансформер BERT-типа, разработанный Simonlee711 для работы с биомедицинскими и клиническими текстами. Модель дообучена на базе answerdotai/ModernBERT-base на корпусах PubMed, клинических заметках MIMIC-IV и медицинских кодах и описаниях; в карточке указано около 40 млн рефератов PubMed и 13 млрд токенов предобучения. Размер — 149 млн параметров, контекст — до 8192 токенов. Архитектура использует RoPE и GeGLU; веса доступны в формате Safetensors. Основная задача модели — предсказание замаскированных токенов. Она также подходит для получения векторных представлений текста и последующей адаптации для поиска медицинской литературы, классификации клинических записей, извлечения сущностей и кодирования медицинской документации. Контекст в 8192 токена помогает учитывать длинные документы. Лицензия — MIT. Модель работает с английским языком и специализированной медицинской лексикой. Это encoder-модель: она не предназначена для свободной генерации ответов или самостоятельной постановки диагноза. Для конкретных прикладных задач может потребоваться дополнительная настройка и оценка на целевых данных.

pucpr/clinicalnerpt-chemical — модель распознавания именованных сущностей в клинических текстах на португальском языке, разработанная в рамках проекта BioBERTpt. Она выделяет упоминания химических веществ и лекарственных препаратов с помощью разметки токенов в формате IOB2 и предназначена для извлечения клинических сущностей, совместимых с UMLS. Модель основана на BioBERTpt(all), дообученном на бразильском клиническом корпусе SemClinBr в течение 10 эпох. Это плотная BERT-модель для классификации токенов с 205,1 млн параметров и контекстом до 512 токенов. Доступны веса PyTorch и Flax. Модель подходит для извлечения упоминаний лекарств и химических веществ из бразильских клинических записей. Карточка не сообщает условия лицензии, поэтому условия использования определить нельзя.

DermaIntel Wound Type Classifier — модель компьютерного зрения на архитектуре Vision Transformer (ViT-Base), дообученная для классификации изображений ран. Она относит снимки к одной из семи категорий: пролежневая, венозная, артериальная, диабетическая, хирургическая или травматическая рана, а также здоровая кожа без раны. Модель разработана для платформы DermaIntel; в карточке указана базовая модель google/vit-base-patch16-224-in21k, а размер составляет 113,2 млн параметров. Модель предназначена для поддержки клинической оценки, автоматизированного документирования ран и ведения пациентов в медицинских учреждениях, а также для обучения и исследований. На вход принимает цветные изображения RGB размером 224×224 пикселя и выдаёт метку класса. Лицензия — Apache-2.0. Результат служит вспомогательной оценкой и не заменяет клиническое решение. Точность может снижаться при плохом качестве снимка или неподходящем освещении; модель не одобрена FDA для диагностического применения.

Diabetica-7B — специализированная диалоговая языковая модель WaltonFuture для задач, связанных с диабетом. Она создана дообучением Qwen/Qwen2-7B-Instruct на наборе WaltonFuture/Diabetica-SFT; модель имеет 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы о диабете, поддержки обучения пациентов, обсуждения лечения и управления лекарствами, а также рекомендаций по образу жизни. В README заявлены оценка на комплексных тестах и клинические испытания, однако конкретные результаты и подробности проверки в карточке не приведены. Модель генерирует текст и рассчитана на диалоговое применение. Лицензия — MIT. Она может помогать с медицинской информацией, но карточка не устанавливает клинических ограничений или гарантий безопасности, поэтому её ответы не следует считать подтверждёнными медицинскими рекомендациями.

Docto Decision ModernBERT-fr-base-v0.1 — франкоязычная медицинская модель для оценки вариантов ответа в задачах принятия решений. Разработана как часть семейства Docto Decision; это плотный энкодер ModernBERT на 149 млн параметров, дообученный на базе doctolib-lab/doctomodernbert-fr-base. Для каждого запроса модель оценивает варианты за один проход и возвращает вероятность для каждого ответа. Контекст — до 8 192 токенов; модель принимает французский текст, описание задачи, вопрос и варианты ответов. Модель предназначена для сортировки и классификации сообщений пациентов: оценки срочности и красных флагов, маршрутизации к специалисту, определения темы обращения и намерения, а также проверок безопасности и соответствия правилам. Она компактнее и быстрее описанных в карточке LLM-версий; также её можно пробовать в новых задачах без дообучения, хотя лучше всего работают задачи, близкие к обучающим. В README приведены результаты бенчмарка Docto Decision Bench. Модель обучена на 943 013 записях по 108 задачам за два эпоха; целевые метки сочетают правильный ответ и распределение ответов модели Qwen. Распространяется под лицензией Apache-2.0. Это исследовательская модель, не прошедшая клиническую валидацию и не являющаяся медицинским изделием; решения о медицинской помощи требуют контроля специалиста.

Doctoraifinetune-3.1-8B — медицинская чат-модель, разработанная huzaifa525 путём дообучения Meta-Llama-3.1-8B-bnb-4bit. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, рассчитанная на генерацию текста; в метаданных указан контекст до 131 072 токенов. Модель принимает текстовые запросы и отвечает в диалоговом формате на английском языке. Модель предназначена для анализа симптомов, предоставления обзора возможных заболеваний и рекомендаций по лечению, а также для медицинских чат-ботов, виртуальных помощников и первичной сортировки обращений. В README указано, что она дообучена на 2 000 строках медицинского набора из 272 000 строк; описание заявляет поддержку сценариев диагностики, но не приводит оценок качества. Модель распространяется по лицензии Apache-2.0.

anuario/enarm-mpnet-v5 — модель Sentence Transformers на архитектуре MPNet, дообученная на базе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и абзацы в нормализованные плотные векторы размерности 768 и предназначена для поиска и сравнения испаноязычных медицинских текстов. Обучающая выборка содержит 12 467 пар anchor-positive; модель обучалась с MultipleNegativesRankingLoss и использует косинусное сходство. Модель подходит для семантического поиска по медицинским материалам, подбора ответов к вопросам, поиска перефразировок и кластеризации текстов. В README указана максимальная длина последовательности 384 токена, а метаданные сообщают контекстное окно 514 токенов. Архитектура включает MPNet, mean pooling и нормализацию эмбеддингов. Оценка на наборе enarm-ir в README показывает cosine_accuracy@1, @3 и @5 равной 1.0; эти результаты относятся к указанной оценке и не гарантируют такую точность на других данных. Репозиторий использует формат safetensors. Лицензия в предоставленных данных не указана.

teckedd/gha-whisper-small-twi-v6 — дообученная модель распознавания речи на архитектуре Whisper Small, разработанная для Ghana Health AI. Она преобразует аудио в текст и ориентирована на разговоры о здоровье на языках тви (акан) и английском в Гане; в карточке также указаны коды языков tw и ak. Модель содержит 153,1 млн параметров и распространяется в формате Safetensors через Transformers. Модель предназначена для распознавания речи в продукте Ghana Health AI и для исследований речи на низкоресурсных языках Ганы. Валидационные метрики из карточки: WER 0,2970 и CER 0,1031. Лицензия — Apache-2.0. Модель не предназначена для клинической диагностики или самостоятельного принятия медицинских решений.

MedGemma-27b-it-GGUF — квантизированная версия мультимодальной модели MedGemma 27B от Google, подготовленная bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для задач, связанных с медицинскими изображениями и текстом: анализа рентгеновских снимков, патологии и дерматологии, работы с офтальмологическими изображениями глазного дна, генерации радиологических заключений, классификации изображений, zero-shot-классификации, извлечения признаков и преобразования изображения в текст. Модель имеет 27 млрд параметров и поддерживает обработку изображений и текста; в карточке указаны английский язык и pipeline image-text-to-text. Доступно множество вариантов квантизации — от BF16 и Q8_0 до Q3 и IQ3, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Для запуска рекомендуются LM Studio, llama.cpp и совместимые проекты. Размер BF16-файла составляет около 54 ГБ, наиболее компактные варианты занимают примерно 12–16 ГБ. Размер контекстного окна в предоставленных данных не указан. Сильная сторона модели — специализация на медицинских сценариях и наличие мультимодальных возможностей, а также широкий выбор квантизированных вариантов для локального запуска. К ограничениям относятся потеря качества при использовании более низких уровней квантизации и отсутствие в карточке подробных данных о точности, бенчмарках, ограничениях применения и контекстном окне. Модель распространяется по условиям Health AI Developer Foundations; для доступа на Hugging Face требуется ознакомиться и согласиться с условиями использования.

MedGemma-4B-IT — медицинская мультимодальная instruction-tuned модель Google, представленная в виде GGUF-квантизаций, подготовленных bartowski с использованием llama.cpp. Модель предназначена для задач, связанных с медицинскими изображениями и текстом, включая радиологию, клиническое рассуждение, дерматологию, патологию, офтальмологию и анализ рентгеновских снимков грудной клетки. Она поддерживает сценарии image-text-to-text и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. Базовая модель имеет размер около 4 миллиардов параметров; доступны варианты от BF16 до низкобитных Q3-, Q4-, Q5-, Q6- и Q8-квантизаций размером примерно от 1,94 до 7,77 ГБ. Квантизация уменьшает требования к памяти, однако более компактные варианты могут заметно уступать по качеству. README не содержит сведений о поддерживаемых языках, размере контекста и точной архитектуре. Лицензия указана как Health AI Developer Foundation terms of use; для доступа на Hugging Face требуется принять соответствующие условия. Модель следует рассматривать как инструмент для исследовательских и прикладных медицинских сценариев, а не как замену квалифицированной медицинской экспертизе.

Это модель эмбеддингов предложений на базе Sentence Transformers, дообученная автором репозитория на наборе eti-embedding-training-data-2048-triplets-merged-v3. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. В основе лежит ModernBERT; для сравнения векторов применяется косинусное сходство, а выходные эмбеддинги нормализуются. Метаданные указывают окно контекста до 32768 токенов, тогда как карточка модели задаёт максимальную длину последовательности 2048 токенов. Модель дообучена для текстов на норвежском языке, в том числе медицинской информации и диалога с пациентами и их родственниками. В опубликованных оценках указаны точность 0,998 на triplet-наборе и точность поиска 0,703@1, 0,937@3 и 0,977@5 на dev_ir; результаты относятся к указанным наборам и не гарантируют качество на других данных. Доступна в формате safetensors через Sentence Transformers. Лицензия в предоставленных сведениях не указана.

HuatuoGPT-Vision-7B-hf — версия модели HuatuoGPT-Vision-7B на архитектуре LLaVA, подготовленная для Hugging Face и совместимая с vLLM и другими фреймворками. Модель разработана FreedomIntelligence и предназначена для диалоговой работы с изображениями в медицинском контексте. Модель имеет плотную архитектуру LlavaForConditionalGeneration и распространяется в формате safetensors. В карточке указана связь с набором данных PubMedVision; языковые метки — английский и китайский. Лицензия — Apache-2.0. Модель подходит для вопросов по медицинским изображениям и формирования ответов в чате. README не сообщает размер контекста и подробные ограничения качества; ответы в медицинских сценариях требуют проверки специалистом.

EIRTHAIMED/Llama-3.1-EIRAI-8B-Prob — медицинская разговорная языковая модель на базе Meta Llama 3.1 8B, дообученная для медицинских задач на тайском и английском языках. Она предназначена для генерации ответов и текстов в медицинском контексте, включая работу с медицинскими вопросами, извлечение клинических сведений и поддержку тайского медицинского RAG. В карточке приведены результаты оценок на медицинских и тайских языковых тестах, а также примеры структурированного предсказания кодов ICD-10. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов; использует библиотеку Transformers и формат safetensors. Лицензия — llama3.1. Разработчики предупреждают, что модель пока не валидирована для безопасного клинического применения: её не следует использовать для принятия медицинских решений или внедрять в реальную практику без дальнейших испытаний.

Med42 70B — большая языковая модель для медицинских и клинических сценариев, разработанная M42 Health в ОАЭ. Представленная версия распространяется TheBloke в формате GGUF и является квантизированным вариантом исходной модели M42 Health Med42 70B. Модель предназначена для генерации текста и работы в формате медицинского ассистента, включая ответы на запросы, связанные со здравоохранением и клинической информацией. При этом README не подтверждает возможность безопасного применения для диагностики или принятия медицинских решений без участия квалифицированного специалиста. Модель построена на архитектуре Llama и содержит 70 млрд параметров. Указан английский язык; поддерживаются текстовые входы и выходы, другие модальности не заявлены. Модель поставляется в нескольких вариантах GGUF-квантизации от 2 до 8 бит, что позволяет запускать её через llama.cpp и совместимые интерфейсы на CPU и GPU с компромиссом между требованиями к ресурсам и качеством. Длина контекста в README не указана. Сильными сторонами являются специализация на медицинской тематике, крупный размер и возможность локального запуска благодаря GGUF. Ограничения включают отсутствие заявленных мультимодальных возможностей, неизвестную длину контекста и необходимость учитывать риски ошибок и устаревшей информации в медицинских ответах. Лицензия обозначена как other, при этом для модели также заявлены условия Meta Llama 2; взаимодействие этих лицензий требует проверки в исходном репозитории модели.

unsloth/medgemma-1.5-4b-it — вариант MedGemma 1.5 4B от Unsloth, основанный на google/medgemma-1.5-4b-it и дообученный для более эффективного вывода. Это мультимодальная медицинская модель семейства Gemma 3 с плотной архитектурой Gemma3ForConditionalGeneration и примерно 4 млрд параметров; она принимает текст и медицинские изображения и генерирует текстовые ответы. Визуальный кодировщик SigLIP сочетается с декодером-трансформером Gemma 3. Модель предназначена для разработчиков медицинских и биомедицинских приложений. Она поддерживает ответы на вопросы по медицинским изображениям, интерпретацию КТ и МРТ, сопоставление рентгенограмм грудной клетки во времени, локализацию находок на рентгенограммах, разбор гистологических изображений и извлечение структурированных данных из лабораторных отчётов и электронных медицинских карт. Карточка сообщает об улучшении медицинского рассуждения и небольшом улучшении интерпретации двумерных изображений относительно MedGemma 1 4B. Выводы модели являются предварительными: её нельзя применять без адаптации и проверки для конкретного сценария или использовать непосредственно для диагностики и принятия решений о лечении. Мультимодальные возможности главным образом оценивались на задачах с одним изображением; многокадровое понимание и многоходовые диалоги не оценивались. Лицензия указана как other; README отсылает к условиям Gemma, поэтому условия использования следует сверять с лицензией базовой модели и карточкой репозитория.

MedM-VL-2D-3B-en — мультимодальная модель для работы с двумерными медицинскими изображениями и англоязычным медицинским текстом. В README указаны разработчик и точная конфигурация архитектуры; по метаданным модель объединяет Qwen/Qwen2.5-3B-Instruct и визуальный энкодер google/siglip-base-patch16-256-multilingual, соединённые двухслойным MLP. Репозиторий содержит веса Safetensors, размер языковой модели — 3 млрд параметров. Модель предназначена для генерации медицинских отчётов, ответов на вопросы об изображениях, понимания и генерации выражений, указывающих на области изображения, а также классификации медицинских изображений. README приводит результаты на MedMNISTderma, MedMNISTorgan и MedPix; на первых двух наборах показаны высокие результаты относительно перечисленных моделей сравнения, тогда как на MedPix результат ниже указанного для LLaVA-Med. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Карточка заявляет работу с 2D-изображениями и английским медицинским текстом; длина контекста не приведена. Лицензия — Apache-2.0. Оценки приведены лишь для части бенчмарков и не гарантируют качество на других типах изображений или клинических сценариях; модель следует рассматривать как вспомогательный инструмент, а не замену профессиональной медицинской оценки.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в чешских клинических текстах. Это дообученная ufal/robeczech-base модель RoBERTa с 153,2 млн параметров для классификации токенов; она присваивает токенам метки O, B-DISEASE и I-DISEASE по схеме BIO. Контекст составляет 514 токенов. Модель предназначена для извлечения названий заболеваний из клинических записей и документов. Для результатов, сопоставимых с опубликованной оценкой, при обработке нужно повторять использованную при обучении предварительную токенизацию и выравнивать смещения; для длинных документов рекомендуется stride=128. На чешском тестовом наборе MultiClinNER строгий F1 составил 0,491, символьный F1 — 0,646. Авторы не оценивали возможные смещения модели. Лицензия — CC BY 4.0.

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

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.

Omi Med STT v1 MLX — полноточный экспорт модели Omi Health для распознавания медицинской речи в текст на устройствах Apple Silicon с использованием MLX. Это вариант весов модели Omi Med STT v1, дообученной для транскрибации медицинской речи и клинических диалогов на английском языке. Модель предназначена для локального преобразования аудиозаписей в текст, например для транскрибации медицинских разговоров. Для запуска автор рекомендует пакет omi-med-stt и CLI с параметром runtime mlx; чекпойнт не совместим напрямую с parakeet-mlx. Для большинства пользователей Mac в README рекомендован отдельный экспорт q8; показатели его бенчмарка нельзя переносить на эту полноточную версию, которая отдельно не прошла квалификацию для runtime Apple. Модель использует архитектуру семейства FastConformer/Conformer и принимает аудио, выдавая текст. Веса опубликованы под лицензией CC BY 4.0. Распознавание не является диагностикой или клинической поддержкой решений, а транскрипты необходимо проверять перед клиническим использованием.

OpenHermes-7B-Symbolic — языковая модель на архитектуре Mistral, разработанная на основе OpenHermes-2.5-Mistral-7B и дообученная на 93 тысячах тщательно отобранных примеров. Она предназначена для генерации текста и чата, в частности для понимания и формирования сложных иерархических кодов медицинской классификации ICD. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий включает веса в формате Safetensors. Указанная лицензия — Apache-2.0. Карточка приводит результаты нескольких тестов общих языковых моделей, но не сообщает отдельных показателей качества кодирования ICD.

leoyinn/qwen3vl-flare25 — дообученная мультимодальная модель Qwen3-VL-4B-Instruct для анализа медицинских изображений, представленная в рамках FLARE 2025. Она принимает изображения и текстовые запросы и предназначена для классификации, многометочной классификации, обнаружения объектов, подсчёта, регрессии и генерации описаний или отчётов. Обучение охватывает восемь типов медицинских изображений: ультразвуковые снимки, рентгенограммы, изображения глазного дна, микроскопию, клинические фотографии, дерматологические изображения, эндоскопию и маммографию; карточка сообщает о 12 232 обучающих примерах из 26 наборов данных. Модель основана на плотной архитектуре Qwen3-VL с 4 млрд параметров и поддерживает диалоговый ввод с изображениями. В метаданных указан английский язык; лицензия — Apache-2.0. Результаты в README показывают улучшение относительно базовой модели для отдельных задач, но приведены не для всех заявленных сценариев. Модель специализирована для задач медицинской визуализации и не должна считаться универсальным диагностическим инструментом без независимой клинической проверки.

Red Flag Detection: gate — медицинская модель для извлечения признаков из клинических заметок и сообщений пациентов на брунейском английском с элементами Manglish, китайском и малайском языках. Это один из пяти специализированных модулей системы обнаружения медицинских тревожных признаков; модуль выделяет восемь популяционных условий, например беременность и детский возраст, для последующей обработки вместе с другими модулями и движком правил. Модель основана на плотной причинной архитектуре Qwen2.5-3B-Instruct и дообучена с помощью LoRA; адаптеры объединены с базовой моделью. Она содержит 3,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В README приведены метрики полного пятикомпонентного конвейера с движком правил на независимом наборе из 2246 случаев: F1 0,906 по основной метрике; это результат всей системы, а не отдельного gate-модуля. Модель предназначена для специализированного извлечения признаков и не заменяет клиническую оценку: в README она описана как компонент составного конвейера. Распространяется по лицензии Apache-2.0.

UMCU/SapBERT-UMLS-2020AB-all-lang-from-XLMR-ST_bf16 — модель Sentence Transformers, дообученная на базе cambridgeltl/SapBERT-UMLS-2020AB-all-lang-from-XLMR. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости по косинусному сходству, семантического поиска, поиска перефразировок, классификации текста и кластеризации. Модель использует архитектуру XLM-RoBERTa с пулингом CLS-токена. Метаданные указывают 305,2 млн параметров и контекст до 514 токенов; конфигурация Sentence Transformers в README задаёт максимальную длину последовательности 25 токенов. Поддерживаются английский, китайский, немецкий, испанский, корейский, японский, тайский, финский, русский и турецкий языки. Предназначена для получения текстовых эмбеддингов, а не для генерации текста. Многоязычная биомедицинская база SapBERT ориентирована на семантическое сопоставление терминов и названий сущностей, что полезно для поиска и сравнения медицинских формулировок. В README и метаданных лицензия не приведена.

STM — биомедицинская модель плотного поиска на базе Mistral-7B-Instruct-v0.2, разработанная для извлечения релевантных текстов в биомедицинских коллекциях. Веса четырёх специализированных экспертов объединены методом TIES; репозиторий использует архитектуру Mistral и библиотеку sentence-transformers. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Модель предназначена для поиска и сопоставления предложений и документов по смыслу, в частности для биомедицинского retrieval. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Метаданные также указывают поддержку извлечения признаков и эмбеддингов.

Zhongshu-9B — мультимодальная медицинская модель с открытыми весами, объединяющая языковую модель, полученную слиянием DARE TIES на основе Qwen3.5-9B-LLM и HuatuoGPT-3-9B-LLM, с неизменённым визуальным энкодером Qwen3.5-9B. В метаданных архитектура обозначена как плотная Qwen3.5 с 9 млрд параметров; модель предназначена для диалога и обработки изображений вместе с текстом. Модель можно применять для исследования медицинских изображений и подготовки ответов на медицинские вопросы по тексту и изображениям. Она поддерживает Transformers и проверялась с изображением через AutoProcessor и AutoModelForImageTextToText в Transformers 5.9.0. Мультимодальное обучение GRPO ещё не проводилось, поэтому качество таких ответов может быть ограничено. Медицинские ответы требуют независимой проверки; модель не предназначена для диагностики. Сведения о лицензии в предоставленных источниках отсутствуют.