IV.4Клиническая медицина и общественное здоровье

uaritm разработал BGE-M3 Cardio UA — дообученную модель эмбеддингов для поиска текстов по кардиологической тематике, прежде всего на украинском языке. Она основана на BAAI/bge-m3 и предназначена для сравнения семантической близости запросов и документов в медицинских поисковых и RAG-системах. Модель использует архитектуру XLM-RoBERTa с плотным представлением; в README также описаны CLS pooling и дополнительный полносвязный слой размерности 1024. Для обучения применялись Triplet Loss и косинусная близость. Размер модели — 658,7 млн параметров, контекст — до 8194 токенов. Указаны украинский и английский языки; лицензия — MIT. Модель специализируется на различении близких кардиологических диагнозов, симптомов и протоколов лечения. README предупреждает о снижении точности за пределами кардиологии и кардиохирургии. Упоминание в карточке возможностей генерации рекомендаций и MedGemma выглядит несогласованным с метаданными и основным назначением модели-эмбеддера; это описание не подтверждено для данного чекпойнта.

BioClinicalBERT-full-finetuned-ner-pablo — англоязычная модель классификации токенов, дообученная Pablo Romero на базе emilyalsentzer/Bio_ClinicalBERT на датасете n2c2 2018. Модель предназначена для извлечения именованных сущностей из клинических текстов. Она использует архитектуру BERT с головой BertForTokenClassification, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. В README для оценочного набора указаны F1 0,7936, точность 0,9750, precision 0,7938 и recall 0,7935. Модель распространяется по лицензии MIT. Метрики приведены для указанного набора оценки и не гарантируют аналогичного качества на других клинических данных.

NeuML разработала BioClinical ModernBERT Embeddings — дообученную с помощью sentence-transformers модель ModernBERT, которая преобразует предложения и абзацы в плотные векторы размерностью 768. Она предназначена для семантического поиска, кластеризации текстов и построения баз знаний для RAG в биомедицинских и клинических материалах. Модель обучалась на случайной выборке пар заголовков и аннотаций PubMed, включая похожие пары заголовков. Контекст составляет до 8 192 токенов, что позволяет обрабатывать более длинные фрагменты, чем стандартные модели BERT с лимитом 512 токенов. В README приведены результаты сравнения на наборах PubMed QA, PubMed Subset и PubMed Summary; автор отмечает, что модель немного уступает эмбеддингам PubMedBERT, но поддерживает более длинный контекст. Репозиторий распространяется по лицензии Apache-2.0.

BioMed-R1-8B — медицинская языковая модель, разработанная Zou Lab на основе Meta Llama 3.1 8B Instruct. Это плотная модель для генерации текста с 7,5 млрд параметров и контекстом до 131 072 токенов; она рассчитана на диалоговые сценарии и принимает текстовые запросы, выдавая текстовые ответы. Модель дообучена методом supervised fine-tuning и reinforcement learning на примерах, ориентированных на медицинские рассуждения, самокоррекцию и пересмотр первоначальных ответов. Модель предназначена для ответов на медицинские вопросы, разбора клинических сценариев и поддержки исследовательской оценки медицинских LLM. В описанной работе BioMed-R1 показала лучшие общие и adversarial-результаты среди сопоставимых по размеру медицинских моделей, но авторы отмечают, что надёжность медицинских рассуждений всё ещё требует улучшения. Карточка сообщает о поддержке английского языка. Модель распространяется по лицензии Llama 3.1; её применение не заменяет профессиональную медицинскую оценку.

BioMistral-MedMNX — чат-модель для генерации ответов на биомедицинские вопросы, созданная слиянием языковых моделей методом DARE TIES с помощью mergekit. В слиянии использованы johnsnowlabs/JSL-MedMNX-7B и BioMistral/BioMistral-7B-DARE; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. Модель предназначена для исследовательских экспериментов и диалоговых сценариев в биомедицинской тематике. Указана лицензия CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий.

Это дообученная модель семейства Llama с 7,5 млрд параметров, созданная на основе marin-community/marin-8b-base. По названию набора данных для дообучения capsd_marin-8b-base-n13092-medicine-medcase__mix_medicine_random_b8000_s0 модель ориентирована на генерацию текста по медицинским клиническим случаям. Модель принимает текст и генерирует текст; метаданные указывают на поддержку диалогового применения. Она может служить основой для экспериментов с медицинскими вопросами и сценариями клинических случаев. Контекст составляет до 4096 токенов. Указана лицензия other, поэтому условия использования следует сверять с лицензией и правилами исходной модели.

DeepSeek-r1-Medical-Mini — текстовая медицинская модель, разработанная Mohamed Mouhib Naffeti и дообученная на базе unsloth/DeepSeek-R1-Distill-Llama-8B. Это плотная архитектура LlamaForCausalLM на 7,5 млрд параметров; для дообучения применялись LoRA, Unsloth и TRL, а в качестве обучающих данных использован набор FreedomIntelligence/medical-o1-reasoning-SFT. Модель принимает текст и генерирует ответы в формате диалога, включая рассуждения по медицинским вопросам. Указанная длина контекста — 131072 токена; карточка заявляет поддержку английского языка. Модель предназначена для ответов на медицинские вопросы, пояснения клинических тем и вспомогательных рассуждений в медицинских чат-ботах, образовательных сервисах и исследовательских сценариях. Она может выдавать ошибочную или вводящую в заблуждение информацию и наследовать смещения обучающих данных, поэтому её ответы требуют проверки специалистом и не должны использоваться для самостоятельной постановки диагноза или выбора лечения. В карточке не указана лицензия.

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

HuatuoGPT-3-32B — медицинская большая языковая модель, разработанная командой FreedomIntelligence. Это дообученная с помощью одного этапа обучения с подкреплением (SeedRL) версия Qwen3-32B для медицинских диалогов и рассуждений. Модель содержит 29,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM, работает через Transformers и принимает текстовые запросы, выдавая текстовые ответы. По умолчанию включён режим рассуждений: перед итоговым ответом выводится блок рассуждений. Модель предназначена для медицинских вопросов и диалоговых сценариев, включая формирование ответов с медицинской специализацией. В метаданных указаны английский и китайский языки, контекст составляет 40 960 токенов. Модель основана на Qwen/Qwen3-32B и распространяется под лицензией Apache-2.0. Ответы модели не гарантируют медицинскую точность; README не приводит конкретных результатов оценки или клинической валидации.

Ling 3.0 Flash Sante — модель InclusionAI для задач в области здравоохранения и медицины, созданная на базе Ling 3.0 Flash. Это архитектура mixture-of-experts с 124 млрд общих параметров, из которых для обработки запроса активны 5,1 млрд. Модель предназначена для генерации текста в медицинских сценариях. Доступный фрагмент README не раскрывает конкретные медицинские задачи, поддерживаемые языки, длину контекста и условия использования, поэтому эти характеристики нельзя уточнить.

Llama-3.1-8B-UltraMedical — медицинская языковая модель, разработанная лабораторией Tsinghua C3I Lab. Она основана на Meta Llama 3.1 8B Instruct и дообучена на наборе UltraMedical: 410 тысяч синтетических и отобранных вручную биомедицинских инструкций, а также более 100 тысяч примеров предпочтений с применением SFT и итеративного обучения предпочтениям, включая подходы DPO и KTO. Модель предназначена для диалоговых ответов на медицинские и биомедицинские вопросы, помощи в понимании научной литературы и работы с клиническими знаниями. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров; она принимает текст и генерирует текст, поддерживает английский язык и имеет контекст до 131 072 токенов. В приведённых оценках UltraMedical улучшает результат базовой модели на MultiMedQA и GPQA, но это не подтверждает клиническую надёжность ответов. Модель распространяется по лицензии Llama 3. Условия лицензии следует учитывать при использовании и распространении; ответы модели требуют проверки специалистом и не должны сами по себе служить основанием для медицинских решений.

Med-LLaMA3.2-1B Medical — компактная диалоговая языковая модель для медицинских вопросов и ответов, разработанная MohamedAhmedAE на базе Meta Llama 3.2. Это плотная причинная модель семейства Llama с 1,2 млрд параметров, рассчитанная на запуск через Transformers и сценарии с ограниченными ресурсами, включая локальное и периферийное исполнение. Контекстное окно — до 131 072 токенов. Модель дообучена методом QLoRA на медицинских инструкциях, а веса адаптера объединены с базовой моделью, поэтому отдельный адаптер для запуска не нужен. Она предназначена для ответов на медицинские вопросы, поиска клинических сведений и поддержки клинических решений, а также может использоваться как исследовательская основа для медицинских приложений. Карточка указывает английский язык; качество за пределами английского не оценивалось. Модель может ошибаться, особенно в сложных клинических рассуждениях и при неоднозначных медицинских сокращениях. Она не предназначена для автономной диагностики, назначения лечения или замены профессиональной медицинской помощи; ответы следует проверять у квалифицированного специалиста и по авторитетным источникам. Лицензия — Llama 3.2; при использовании необходимо соблюдать её условия.

Llama-medx_v3.2 — медицинская диалоговая модель, разработанная Skumar9 на базе Meta-Llama-3.1-8B. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов, предназначенная для генерации ответов на медицинские вопросы и тесты с вариантами ответа. Модель дообучена методами supervised fine-tuning (SFT) и Odds Ratio Preference Optimization (ORPO); автор также сообщает о дополнительном дообучении для ответов на вопросы с выбором ответа. Модель ориентирована на работу с медицинской терминологией и рассуждениями в диалоговом формате. В карточке упоминаются общедоступные и обогащённые данные для обучения, а также настройка гиперпараметров для снижения катастрофического забывания. Репозиторий содержит веса в формате safetensors и рассчитан на запуск через Transformers версии 4.45.2 или новее. Лицензия и подтверждённые языки в предоставленных данных не указаны.

Это Hugging Face Transformers-совместимое представление медицинской визуально-языковой модели LLaVA-Med v1.5 на базе Mistral 7B, подготовленное Eren Senoglu путём преобразования исходной модели Microsoft. Она принимает биомедицинское изображение и текстовый запрос и формирует текстовый ответ; предназначена для вопросов и ответов по медицинским изображениям. Репозиторий содержит веса Safetensors и заявляет совместимость с vLLM. Модель наследует возможности LLaVA-Med v1.5 Mistral 7B. Лицензия — Apache-2.0. README не приводит оценок качества или подробных ограничений; медицинские ответы следует проверять, а модель не следует считать заменой профессиональной диагностики.

Minbyul/meditron-7b-wo-kqa_golden-sft — дообученная модель генерации текста на базе медицинской языковой модели Meditron-7B. Она создана на основе epfl-llm/meditron-7b с использованием набора HuggingFaceH4/deita-10k-v0-sft; в README приведено значение loss 0,8405 на наборе оценки. Модель построена на плотной архитектуре Llama с классом LlamaForCausalLM, содержит 6,6 млрд параметров и имеет контекст до 2048 токенов. Модель подходит для генерации ответов на медицинские вопросы и других текстовых запросов в медицинском контексте. Базовая Meditron-7B описана как англоязычная модель для экспериментов с ответами на медицинские вопросы, поэтому английский — основной язык модели. Данных о дополнительных языках и конкретных ограничениях этой версии в карточке нет. Лицензия — Llama 2.

Med-LLaMA3-8B — медицинская языковая модель на архитектуре LLaMA 3, созданная путём дополнительного предобучения модели LLaMA3-8B на крупных открытых медицинских данных. Репозиторий содержит плотную causal language model для генерации текста с 7,5 млрд параметров и контекстом до 8192 токенов; для работы используется библиотека Transformers, веса представлены в формате safetensors. Модель предназначена для генерации медицинского текста и языковых сценариев в медицинской области. Карточка не приводит конкретные результаты оценки, перечень поддерживаемых языков или условия лицензии. Поэтому её ответы не следует считать проверенными медицинскими рекомендациями без независимой оценки.

lokeshch19/ModernPubMedBERT — англоязычная модель эмбеддингов для медицинских и биомедицинских текстов, разработанная как дообучение thomas-sounack/BioClinical-ModernBERT-base. Она основана на архитектуре ModernBERT с 149 млн параметров и обучена контрастивным методом InfoNCE на парах заголовков и аннотаций PubMed. Модель предназначена для семантического поиска, сравнения сходства и сопоставления медицинских понятий и документов; её можно применять в поиске клинических материалов и биомедицинской литературы. Модель принимает текст и выдаёт эмбеддинги, пригодные для вычисления сходства и ранжирования по релевантности. Метаданные указывают контекст до 8192 токенов, а README — максимальную длину последовательности 2048 токенов. По заявлению автора, на наборе gamino/wiki_medical_terms модель показала более высокие метрики поиска, чем NeuML/bioclinical-modernbert-base-embeddings; результаты приведены в карточке модели и не являются независимой оценкой. Лицензия — MIT.

ianpan/pneumonia-cxr — модель компьютерного зрения для анализа фронтальных рентгенограмм грудной клетки. Она дообучена на базе EfficientNetV2-S и сочетает U-Net-декодер для сегментации с линейной головой для бинарной классификации. Модель предназначена для выявления признаков пневмонии и помутнений в лёгких; обучалась на наборах RSNA Pneumonia Detection Challenge и SIIM-FISABIO-RSNA COVID-19 Detection, где исходные рамки объектов преобразовали в эллиптические маски. В README приведены результаты на отложенной выборке из 1 651 снимка: AUC 0,900 в целом, 0,885 на RSNA и 0,914 на SIIM-FISABIO-RSNA. Метаданные указывают формат safetensors и библиотеку Transformers. Модель предназначена для анализа медицинских изображений и не заменяет клиническую оценку специалиста. Лицензия в предоставленных данных не описана.

Qwen3-0.6B-Medical-Expert — дообученная авторами репозитория модель Qwen3-0.6B для медицинских рассуждений и понимания клинических запросов. Это плотная авторегрессионная языковая модель с 507,9 млн параметров, предназначенная для генерации текста и диалогов; карточка указывает контекст до 40 960 токенов. Полное дообучение выполнено на наборе FreedomIntelligence/medical-o1-reasoning-SFT с точностью bf16. Модель ориентирована на пошаговые объяснения медицинских вопросов, учебные сценарии и вспомогательные клинические приложения. Базовая модель Qwen3 многоязычная, но в карточке этой производной указан английский язык. Заявления о повышении фактической точности и прозрачности рассуждений приведены авторами; карточка не содержит результатов независимой оценки. Лицензия — Apache-2.0.

RuBioRoBERTa — русскоязычная модель семейства RoBERTa для предсказания замаскированных токенов в тексте. Она подходит для восстановления пропусков и исследования контекстных языковых представлений на русском языке. Модель содержит 454,1 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и доступна в форматах PyTorch и Safetensors. Карточка содержит только краткое имя модели, поэтому её разработчик и специализация на конкретной биомедицинской области не подтверждены. Лицензия в предоставленных данных не указана.

Salus-7B — специализированная медицинская языковая модель от авторов работы «Salus: Strategic Diagnostic Testing for Complex Diagnosis via Multi-Agent Reinforcement Learning». Она основана на Qwen2.5-7B-Instruct и дообучена с помощью SFT и GRPO. Модель использует архитектуру Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов; работает с текстом, а основные языки карточки — китайский и английский. В README указан китайский как основной язык заданий. Модель предназначена для последовательного сбора данных и дифференциальной диагностики сложных клинических случаев. Она поддерживает три заданных сценария: формирование дифференциального диагноза, решение о необходимости дополнительных обследований и предложение таких обследований. Авторы сообщают о точности Top-1 83,64% на CompDiag-Bench по описанному ими протоколу; результат не подтверждает безопасность или эффективность в реальной клинической практике. Модель оптимизирована для конкретных системных инструкций, а перефразирование промптов может снизить качество. Лицензия — Apache 2.0. Модель выпущена для исследований, не валидирована для автономного клинического применения и не заменяет оценку медицинского специалиста; её ответы могут быть ошибочными или небезопасными.

Карточка модели FreedomIntelligence/Apollo-6B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo-1.8B, поэтому описание составлено по ней. Apollo-1.8B — языковая модель семейства Qwen, представленная проектом FreedomIntelligence для работы с медицинскими текстами и вопросами. Она предназначена для генерации ответов в формате диалога и охватывает медицинские знания на нескольких языках. Модель содержит 2,3 млрд параметров, использует плотную архитектуру QWenLMHeadModel и поддерживает контекст до 8192 токенов. В карточке описаны английский и китайский наборы медицинских тестов, а также оценки на испанском, французском, хинди и арабском; для обучения упоминаются данные на английском, китайском, испанском, французском и хинди. Модель можно применять для ответов на медицинские вопросы и учебных задач по медицинским знаниям. В README приведены наборы для обучения и оценки, но нет подробных результатов, поэтому качество на конкретных задачах по этой карточке определить нельзя. Модель распространяется по лицензии Apache-2.0.

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.

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.

Bio_ClinicalBERT — англоязычная модель семейства BERT, разработанная Эмили Олсенцер и соавторами как вариант Bio+Clinical BERT. Она инициализирована весами BioBERT и предварительно обучена на всех заметках MIMIC-III: примерно 880 млн слов из электронных медицинских записей пациентов отделения интенсивной терапии. Модель использует плотную архитектуру BERT с 135,5 млн параметров и контекстом до 512 токенов. Модель предназначена для работы с клиническим текстом; её задача в каталоге и основной сценарий использования — заполнение пропусков в тексте. Представления модели также исследовались для задач распознавания именованных сущностей и вывода по тексту. Доступна по лицензии MIT; файлы представлены в форматах PyTorch, TensorFlow и Flax, включая safetensors.

Англоязычная модель распознавания биомедицинских именованных сущностей, разработанная Deepak John Reji и Shaina Raza в рамках исследовательской темы по применению ИИ в биомедицине. Она дообучена на базе distilbert-base-uncased на наборе данных Maccrobat и распознаёт 107 типов биомедицинских сущностей в текстах, включая истории болезни и клинические описания. Модель использует архитектуру DistilBERT для классификации токенов и принимает текст длиной до 512 токенов. Подходит для извлечения упоминаний биомедицинских сущностей из англоязычных корпусов и клинических текстов. Лицензия — Apache-2.0.

BioMistral-merged-zephyr — языковая модель на архитектуре Mistral, созданная Arcee AI слиянием весов BioMistral-7B и zephyr-7b-beta методом TIES на базе mistralai/Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов, в том числе на медицинские вопросы и вопросы по медицинским экзаменам. В README приведены результаты на PubMedQA, MedMCQA и USMLE, а также на общих тестах ARC Challenge и HellaSwag; эти оценки не гарантируют точность в реальной клинической практике. Условия лицензирования в предоставленных данных не указаны.

CURE-MED-7B — языковая модель Aikyam Lab и соавторов для многоязычных медицинских рассуждений и ответов на открытые медицинские запросы. Она дообучена на Qwen/Qwen2.5-7B-Instruct с помощью куррикулумного обучения с подкреплением: подход включает SFT с учётом переключения языков и GRPO. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и принимает текст, выдавая текст; длина контекста — до 32 768 токенов. Модель предназначена для диалоговых медицинских сценариев на 13 языках, включая амхарский, бенгальский, французский, хауса, хинди, японский, корейский, испанский, суахили, тайский, турецкий, вьетнамский и йоруба. Обучение и оценка проводились на наборе CUREMED-BENCH, ориентированном на открытые медицинские вопросы с проверяемыми ответами. Модель доступна под лицензией Apache 2.0. Карточка не описывает клиническую валидацию; медицинские ответы требуют проверки специалистом.

DeepPavlov_for_Panacea — дообученная модель Sentence Transformer на базе DeepPavlov/rubert-base-cased-sentence, разработанная nanalysenko. Она кодирует русскоязычные предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости по косинусному сходству. Модель построена на BERT и использует усреднение токенных представлений; максимальная длина входа составляет 512 токенов. Модель предназначена для семантического поиска, поиска похожих формулировок и парафразов, кластеризации и классификации текста. Примеры обучающих пар включают медицинские формулировки об обследованиях, поэтому модель может быть полезна для сопоставления близких по смыслу медицинских запросов и описаний. Лицензия в предоставленных данных не указана.

DoctoModernBERT-fr-large — большая франкоязычная модель-энкодер семейства DoctoBERT, разработанная Doctolib Lab для биомедицинской и клинической обработки естественного языка. Она построена на архитектуре ModernBERT и содержит около 395 млн параметров; максимальная длина контекста составляет 8192 токена. Модель обучена с нуля на корпусах FineMed-fr и FineMed-rephrased-fr, используя маскированное языковое моделирование. Модель предназначена для заполнения пропусков в тексте, а также как основа для дообучения на классификацию последовательностей, распознавание именованных сущностей и задачи поиска или извлечения информации из медицинских текстов. Французский SentencePiece BPE-токенизатор содержит 50 368 токенов. Модель не генерирует связные ответы и не является медицинским устройством; её результаты не следует использовать для принятия клинических решений. Данные обучения происходят из открытых веб-источников, PDF и энциклопедических материалов, поэтому в модели могут отражаться пробелы и смещения этих источников. Лицензия — Apache-2.0.