IV.4Клиническая медицина и общественное здоровье

ECG-R1-8B-SFT — мультимодальная модель группы PKUDigitalHealth для интерпретации электрокардиограмм. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct и предназначена для диалогового анализа ЭКГ, в том числе по изображениям. В карточке указаны архитектура Qwen3-VL, 8 млрд параметров у базовой модели, поддержка vision и формат весов safetensors; модель работает через Transformers. Обучение ориентировано на доказательную интерпретацию: корпус размечен с опорой на измеряемые признаки ЭКГ и количественные пороги, а методика проекта включает поощрение выводов, подкреплённых диагностическими данными. Разработчики также описывают устойчивость к отсутствию изображения или сигнала, однако карточка этой версии не уточняет конкретные форматы входных данных и клинические показатели качества. Модель предназначена для помощи в анализе, а не для самостоятельной постановки диагноза: авторы предупреждают о риске клинически ошибочных выводов и галлюцинаций в MLLM. Лицензия — Apache-2.0.

Модель AriesDjaenuri/gemma4-e2b-medical — дообученная медицинская версия мультимодальной Gemma 4 E2B Instruct, созданная AriesDjaenuri на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit. Она принимает текст и изображения и формирует текстовые ответы, поэтому может использоваться для диалога по медицинским изображениям и текстовым запросам. Архитектура — плотная Gemma4ForConditionalGeneration; модель поддерживает чат и обработку изображений. Карточка не уточняет медицинские задачи, наборы данных, размер, длину контекста или основной язык обучения. Распространяется по лицензии Apache-2.0.

HuatuoGPT-3-8B — медицинская языковая модель FreedomIntelligence на архитектуре Qwen3 с 7,6 млрд параметров. Она дообучена на базе Qwen/Qwen3-8B-Base методом SeedRL: медицинская адаптация выполняется в одном этапе обучения с подкреплением. Модель предназначена для диалоговых медицинских запросов и генерации ответов на китайском и английском языках. Модель работает в режиме рассуждения по умолчанию: сначала формирует блок рассуждений, затем итоговый ответ. Для запуска README указывает совместимость со способом использования Qwen3-8B и упоминает vLLM и SGLang. Контекстное окно составляет 40 960 токенов. Модель принимает и генерирует текст; медицинские ответы могут содержать ошибки и требуют проверки специалистом. Лицензия — Apache-2.0.

JiviMed — медицинская языковая модель, разработанная Jivi AI для задач в биомедицине и науках о жизни. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM; в метаданных указано 7,5 млрд параметров и контекст до 8192 токенов. Модель использует формат safetensors и поддерживает диалоговое взаимодействие на английском языке. По README, модель дообучена на основе Meta-Llama-3-8B с медицинскими данными и стратегией ORPO; в описании также приведены параметры LoRA. Она предназначена для генерации медицинских и биомедицинских текстов, а также ответов на вопросы в этой области. README сообщает о результатах на медицинских бенчмарках, но эти заявления не подтверждены независимой оценкой. Модель не заменяет профессиональную медицинскую консультацию, а качество ответов и применимость к клиническим решениям следует проверять. Условия лицензии в предоставленных данных не указаны.

JSL-MedLlama-3-8B-v2.0 — медицинская языковая модель, разработанная John Snow Labs путём дообучения Meta-Llama-3-8B. Она предназначена для генерации текста и ответов на вопросы в медицинских сценариях; карточка приводит результаты оценки на STEM-задачах, включая MedMCQA. Модель содержит 7,5 млрд параметров, использует плотную архитектуру Llama и поддерживает контекст до 8192 токенов. Формат весов — safetensors. Модель принимает и генерирует текст. Базовая Llama 3 рассчитана на английский текст и код; медицинская специализация указана в карточке, однако отдельный перечень поддерживаемых языков не приведён. Лицензия CC-BY-NC-ND 4.0 ограничивает использование и распространение; для коммерческого лицензирования John Snow Labs предлагает обратиться к разработчику. Оценочные результаты не гарантируют точность ответов в клинической практике.

LEMR — модель клинического прогнозирования из семейства Lightweight Efficient Multimodal Robustness, разработанная для анализа данных электронных медицинских карт в условиях ограниченных вычислительных ресурсов. Она объединяет почасовые временные ряды жизненных показателей пациента с текстом клинических записей и предсказывает клинические риски; архитектура включает GRU для показателей, замороженный DistilBERT для текста и адаптивный блок мультимодального слияния. Постобработка с температурным масштабированием предназначена для калибровки уверенности предсказаний. Модель ориентирована на стратификацию риска по данным пациентов интенсивной терапии, включая случаи отсутствующих или зашумлённых клинических заметок. README описывает эксперименты на данных MIMIC-IV и режимы экономии видеопамяти, включая AMP и накопление градиентов. Метаданные указывают формат safetensors, архитектуру LEMR и лицензию MIT. Описание не задаёт конкретные целевые диагнозы или метрики качества, поэтому применимость к конкретным клиническим решениям по этим сведениям установить нельзя.

JagritiPandey/llama3-medical-triage — дообученная Jagriti Pandey разговорная языковая модель семейства Llama 3 для генерации текста. Она предназначена для диалоговых сценариев медицинской сортировки обращений: может помогать формулировать первичную оценку и ответы на вопросы о симптомах. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов; в карточке указан английский язык. Модель дообучена на unsloth/llama-3-8b-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит сведений о составе обучающих данных и оценке качества медицинских рекомендаций, поэтому ответы следует проверять; модель не следует считать заменой профессиональной медицинской помощи.

Manal0809/medical-term-similarity — модель Sentence Transformers, дообученная автором Manal0809 на базе sentence-transformers/all-MiniLM-L6-v2 для оценки семантического сходства медицинских терминов и фраз. Архитектура — энкодер BERT с усреднением токенных представлений и нормализацией; модель содержит 25,9 млн параметров и формирует плотные векторы размерностью 384. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 256 токенов. Модель предназначена для сравнения пар медицинских выражений, семантического поиска и поиска перефразировок; полученные векторы также можно применять для кластеризации и классификации текста. Обучение описано на наборе из 694 пар с функцией CosineSimilarityLoss; на приведённой оценке Spearman cosine достиг 0,5412. Исходная карточка не приводит название датасета и сведения о лицензии, поэтому условия лицензирования этой производной модели по имеющимся данным определить нельзя.

Medicine LLM — языковая модель для медицинских и биологических задач, разработанная AdaptLLM и представленная в данном репозитории в квантованном формате GGUF компанией TheBloke. Модель основана на архитектуре Llama и предназначена для генерации текста, ответов на запросы и работы с инструкциями в текстовом формате. Модель ориентирована на сценарии, связанные с медициной и биологией. В её обучении или дообучении указаны наборы данных Open-Orca, GAIR/lima, WizardLM/WizardLM_evol_instruct_V2_196k и EleutherAI/pile. Заявленный язык — английский. Доступны варианты GGUF с квантованием от 2 до 8 бит, что позволяет запускать модель на CPU и GPU через llama.cpp и совместимые приложения. Размер модели и максимальная длина контекста в README не указаны. К сильным сторонам относятся специализация на медицинской тематике, поддержка локального запуска и наличие нескольких уровней квантования с различными требованиями к ресурсам. К ограничениям относятся отсутствие подробных данных о качестве, размере, контекстном окне и мультимодальных возможностях; модель следует рассматривать как текстовую и не использовать её ответы как замену профессиональной медицинской консультации. Лицензия обозначена как other, без дополнительных условий в представленном README.

MedNarra-V2.1 — языковая модель для генерации текста, созданная слиянием ProbeMedicalYonseiMAILab/medllama3-v20 и bongbongs/NewMes-v15 с помощью LazyMergekit. Она предназначена для медицинских сценариев и текстового чата. Модель построена на архитектуре Llama, содержит 7,5 млрд параметров и поддерживает контекст длиной до 8192 токенов. Слияние выполнено методом SLERP; веса представлены в формате safetensors. В метаданных указана поддержка чата, а медицинская направленность следует из названия MedNarra и базовой модели medllama3. Язык и конкретные медицинские задачи карточка не уточняет. Лицензия в доступных данных не указана.

MedVision-V0-7B — мультимодальная модель для количественного анализа медицинских изображений, разработанная Yongcheng YAO и дообученная на наборе MedVision на основе Qwen/Qwen2.5-VL-7B-Instruct. Модель с архитектурой Qwen2.5-VL содержит 7,1 млрд параметров и принимает изображения вместе с текстовыми инструкциями; контекст составляет до 128 000 токенов. Модель выполняет обнаружение анатомических структур и патологических изменений с выдачей координат рамок, оценку размеров опухолей и поражений по большой и малой осям, а также измерение углов и расстояний между ориентирами. Для расчётов в физических единицах использует размеры изображения и шаг пикселя, переданные в запросе. Предназначена для количественных измерений на медицинских изображениях; карточка описывает ответы в заданном формате и использование специального шаблона запроса. Модель работает с изображениями и текстом на английском языке. Для измерений важно передавать размеры изображения и шаг пикселя после внутреннего изменения размера изображения; обнаружение использует относительные координаты и не требует шага пикселя. Модель распространяется по лицензии CC BY 4.0.

ThorBaller/Minstral_pubmed_gguf — модель, опубликованная пользователем ThorBaller на Hugging Face. Это GGUF-модель на 7 млрд параметров с архитектурой llama и лицензией Apache-2.0. Модель предназначена для задач question answering; название указывает на ориентацию на вопросы по биомедицинским публикациям PubMed. Доступен вариант F16 размером около 14,5 ГБ. Карточка модели не содержит заполненного README, поэтому сведения о поддерживаемых языках, длине контекста, методе обучения и точности отсутствуют. Сильные стороны модели — специализированная направленность на вопросы по биомедицинской тематике, формат GGUF и возможность локального запуска при наличии подходящего оборудования. Ограничения включают отсутствие подтверждённых сведений о языках и контекстном окне, а также неполную документацию.

MMed-Llama-3-8B — медицинская языковая модель Henrychur на архитектуре Llama 3. Веса репозитория содержат плотную autoregressive-модель примерно с 7,5 млрд параметров, дополнительно предварительно обученную на медицинском мультиязычном корпусе MMedC; длина контекста — 8192 токена. Модель предназначена для генерации текста по медицинским темам на английском, китайском, японском, французском, русском и испанском языках. Модель можно использовать для генерации медицинских ответов и текста, а также как основу для дальнейшей адаптации. Это базовая модель без дообучения на инструкциях, поэтому она не настроена специально для диалога и может не следовать запросам как ассистент. В репозитории указана лицензия Llama 3.

Модель BSC-NLP4BIA/multiclinner-it-disease-bert-it-cased разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в итальянских клинических текстах. Это дообученная регистрозависимая модель BERT для итальянского языка с 137,1 млн параметров и контекстом до 512 токенов; она выполняет классификацию токенов и размечает сущности по схеме BIO: O, B-DISEASE и I-DISEASE. Модель предназначена для извлечения названий заболеваний из клинических записей и электронных медицинских карт. Для воспроизведения опубликованных результатов важно предварительно токенизировать текст так же, как при обучении, и корректно сопоставлять токены с исходными смещениями. На тестовых документах MultiClinNER для итальянского языка строгая F1 составила 0,6718, а символьная F1 — 0,7896. Разработчики отмечают, что смещения модели не оценивались. Лицензия — CC BY 4.0.

Модель распознавания именованных сущностей в испанских клинических текстах онкологической тематики, созданная Jhusef Alfonso López Parra. Она дообучена для токенной классификации на базе BETO — испаноязычной модели BERT — и выделяет сущности по схеме BIO с 30 метками. Модель предназначена для извлечения онкологических понятий и других размеченных клинических сущностей из медицинских записей на испанском языке. Архитектура — BertForTokenClassification, размер — 137,1 млн параметров, максимальный контекст — 512 токенов. В README приведены показатели на валидации: F1 0,9463, точность 0,9381 и полнота 0,9546. Модель выпущена под лицензией Apache-2.0. Это академический инструмент: результаты могут содержать клинические ошибки и отражать смещения обучающего корпуса, поэтому модель не заменяет оценку медицинского специалиста.

NEXUS-Medical — компактная языковая модель FableForge для медицинских вопросов и клинических рассуждений. Она основана на Qwen/Qwen2.5-1.5B-Instruct и использует архитектуру Qwen2 для генерации текста; размер составляет 1,5 млрд параметров, контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors, модель поддерживает диалоговый режим. Модель предназначена для ответов на медицинские вопросы и рассуждений по клиническим сценариям. В README приведены результаты внутренней оценки на 30 запросах, включая медицинские знания, рассуждения и использование инструментов; эти результаты не заменяют независимую клиническую проверку. Заявленная лицензия — Apache-2.0. Модель не следует считать заменой профессиональной медицинской консультации.

nexus-medical-GGUF — это квантованная GGUF-версия модели NEXUS-Medical, разработанной fableforge-ai в экосистеме FableForge и опубликованной пользователем King3Djbl. Модель предназначена для медицинских вопросов и клинического рассуждения, а также может применяться в общих сценариях генерации текста, рассуждения и использования инструментов. Заявлена поддержка английского языка и формат диалогов ChatML. Модель имеет размер 1,5 млрд параметров и относится к лёгким доменным специалистам. Доступны варианты от F16 до низкобитных квантований Q8_0, Q6_K, Q5_K_M, Q4_K_M, IQ4_XS и других форматов, совместимые с llama.cpp, Ollama и LM Studio. Для большинства пользователей в README рекомендуется Q4_K_M как баланс размера и качества, а при достаточном объёме оперативной памяти — Q6_K или Q5_K_M. В заявленном внутреннем тестировании модель получила 140 из 150 баллов, включая 47/50 за медицинские знания и 25/25 за рассуждение, однако методика и независимость оценки ограничены описанием в README. Сильными сторонами являются компактность, возможность локального запуска и специализация на медицинской тематике. Ограничения включают небольшой размер модели, отсутствие заявленных сведений о длине контекста и мультимодальных возможностях, а также отсутствие гарантий клинической точности и безопасности; результаты не следует использовать как замену профессиональной медицинской консультации. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-AnatomyDetect-ModernClinical-149M — модель OpenMed для распознавания анатомических сущностей в биомедицинских текстах. Это дообученная модель семейства ModernBERT с 149 млн параметров, созданная на базе BioClinical-ModernBERT-base для задачи token classification. Она выделяет анатомические структуры и части тела, размечая их тегами B-Anatomy и I-Anatomy. Модель предназначена для извлечения анатомических упоминаний из клинических записей, медицинских документов и научной литературы, а также для построения систем анализа медицинских текстов и биомедицинских знаний. В карточке указаны F1 0,86, precision 0,86, recall 0,85 и accuracy 0,97 на наборе ANATOMY. Поддерживается контекст до 8192 токенов; модель принимает текст и возвращает разметку сущностей. Карточка описывает обучение на англоязычных данных. Расширять её назначение до распознавания лекарств или химических соединений оснований нет: заявленный тип сущностей — анатомические. Модель распространяется в формате safetensors по лицензии Apache-2.0 и интегрируется с Transformers. Качество зависит от соответствия входных текстов данным обучения; показатели из карточки не гарантируют точность на других клинических корпусах.

PULSE-7B — мультимодальная языковая модель семейства LLaVA-Llama, разработанная для интерпретации изображений электрокардиограмм. Модель содержит 6,6 млрд параметров, принимает текст и изображения ЭКГ и формирует текстовые ответы; максимальный контекст составляет 4096 токенов. Она предназначена для анализа как распечатанных, так и цифровых ЭКГ и охватывает широкий спектр задач интерпретации электрокардиограмм. В описании модели заявлено обучение на наборе ECGInstruct с более чем миллионом инструкционных примеров и оценка на ECGBench, включающем четыре задачи и девять наборов данных. Авторы сообщают о превосходстве над общими мультимодальными моделями на бенчмарке, однако результаты не заменяют клиническую проверку: модель следует рассматривать как вспомогательный инструмент, а не как самостоятельное средство диагностики. Репозиторий распространяется по лицензии Apache-2.0.

Модель manudaza/retinal-triage-efficientnetb0 — EfficientNetB0, дообученная на изображениях глазного дна для классификации тяжести диабетической ретинопатии по пяти степеням ICDRSS: от отсутствия признаков заболевания до пролиферативной ретинопатии. Её разработали как компонент системы сортировки очереди на проверку в виртуальной клинике диабетического офтальмологического скрининга. Модель принимает цветные фотографии глазного дна RGB размером 224×224 пикселя и выдаёт класс заболевания; веса сохранены в формате TensorFlow/Keras. Обучение выполнено методом transfer learning на 3 662 размеченных изображениях APTOS 2019: сначала базовую сеть использовали для извлечения признаков, затем дообучили её последние 20 слоёв. На валидационной выборке Quadratic Weighted Kappa составила 0,7987; полнота для тяжёлой ретинопатии — 0,690, для отсутствия ретинопатии — 0,952. Эти показатели не гарантируют аналогичного качества на других популяциях, камерах и протоколах съёмки. Модель предназначена для определения срочности последующей проверки специалистом и не является диагностическим устройством: каждое предсказание требует врачебной оценки. Она не оценивает диабетический макулярный отёк, для которого нужны другие методы визуализации, например OCT. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и без коммерческого применения.

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

SegVol — универсальная интерактивная модель для сегментации объёмных медицинских изображений, представленная командой BAAI. Она принимает трёхмерные КТ-изображения и подсказки в виде точек, рамок или текста, а на выходе формирует объёмную сегментацию. Модель обучалась на 90 тысячах неразмеченных и 6 тысячах размеченных КТ-исследований и поддерживает сегментацию более 200 анатомических категорий. SegVol предназначена для интерактивной разметки и выделения анатомических структур на КТ. Карточка описывает её как 3D-модель для медицинской сегментации; репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

StableGalen-6b — медицинская языковая модель, опубликованная NewstaR и созданная на основе DeciLM-6b-Instruct. Модель дообучена для генерации ответов на медицинские запросы; в карточке приведён шаблон диалога с разделами User и Response. Архитектура — плотная DeciLM на базе семейства Llama, объём — 6,6 млрд параметров, контекст — до 4096 токенов. Модель предназначена для медицинских вопросов и ответов на английском языке. В метаданных указаны медицинские датасеты MedText-DoctorLLaMa-OpenOrca-formatted и shibing624/medical. В README описаны обучаемые проекции и 250 шагов дообучения. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой модели и лицензиями исходной модели и данных.

TREC_Clinical_Trials_finetune_V1 — модель Sentence Transformers, дообученная на базе sentence-transformers/all-mpnet-base-v2 для работы с текстами клинических исследований. MPNet преобразует предложения и абзацы в плотные векторы размерностью 768; в архитектуре используются усреднение токенов и нормализация, а близость текстов можно оценивать косинусным сходством. Модель обучалась на 11 583 примерах с TripletLoss и подходит для семантического поиска, сравнения текстов и кластеризации в корпусах клинических исследований. Максимальная длина последовательности в README — 384 токена; метаданные указывают нативный контекст 514 токенов. Для более длинных входов потребуется усечение или разбиение текста. Модель принимает текст и выдаёт векторы; сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

turkmedstt/whisper-large-v3-turkish-medical — модель распознавания речи TurkMedSTT, созданная дообучением Whisper large-v3 с помощью LoRA на сбалансированной турецкой речи и синтетических медицинских аудиоданных. Это объединённая полная модель на базе WhisperForConditionalGeneration объёмом 905,2 млн параметров; для работы не требуется отдельно загружать адаптер PEFT. Репозиторий содержит веса safetensors и файлы процессора. Модель предназначена для распознавания турецкой клинической диктовки и медицинской терминологии, а также для исследований ASR и сравнения моделей с общей и медицинской адаптацией. Она принимает аудио и выдаёт текст. На небольшом тесте из 120 клипов медицинской речи от трёх добровольцев M2 показала WER 0,0854; результаты на синтетической проверочной выборке не следует считать показателем качества на реальной речи. Модель не является медицинским устройством: её выводы требуют проверки человеком и не должны использоваться для клинических решений или создания записей пациентов без контроля. Акценты, шум, одновременная речь и неясное произношение могут снижать точность; оценка основана на ограниченном числе говорящих. Лицензия модели — Apache-2.0; для базовой Whisper large-v3 указана MIT, а лицензии источников обучающих данных применяются отдельно.

XLM-R Biomedical African QA Dense Retriever — дообученная модель SentenceTransformer на основе FacebookAI/xlm-roberta-base, разработанная для плотного поиска подходящих ответов в многоязычных базах вопросов и ответов по биомедицинской тематике и здравоохранению. Она сопоставляет вопрос с документами в формате «вопрос — ответ» и предназначена для поиска кандидатов в конвейере формирования ответов на вопросы. Модель содержит 305,2 млн параметров, построена на архитектуре XLM-RoBERTa и принимает текст, формируя векторные представления для поиска и оценки сходства предложений. Контекст модели — до 514 токенов. В README указан обучающий подход MultipleNegativesRankingLoss на положительных парах «вопрос — документ»; метаданные отмечают многоязычную поддержку, но конкретные языки не перечислены. Лицензия в предоставленных данных не указана.

xlm-roberta-large-prostata-NER — модель распознавания именованных сущностей, разработанная Мануэлем Уртадо Чунгой и Хоном Андерсоном Морено, магистрантами Univalle. Это дообученная версия XLM-RoBERTa-large для извлечения медицинских сущностей из испаноязычных клинических записей, связанных с раком предстательной железы. Модель находит симптомы, лекарства, возраст и анатомические упоминания; заявленный в карточке F1 равен 98,60%. Архитектура — XLM-RoBERTa для классификации токенов, размер — 658,7 млн параметров, длина контекста — 514 токенов. Подходит для извлечения клинической информации из структурированных и неструктурированных записей, в том числе как компонент поиска по электронным медицинским картам и аналитических систем. Модель создана для испанского языка и медицинской онкологии урологического профиля. Её лицензия — MIT. Карточка предупреждает, что качество может снижаться на текстах из других медицинских областей и на общих текстах; неоднозначные медицинские сокращения могут приводить к ошибкам. Результаты следует проверять специалистом, а модель не предназначена для самостоятельной постановки диагноза или прямых клинических решений.

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

BioClinical-ModernBERT-base — англоязычный encoder-only ModernBERT, дообученный на биомедицинских публикациях и клинических текстах. Модель содержит 149 млн параметров, принимает текст и предназначена прежде всего для заполнения пропусков в тексте (fill-mask), а также как основа для решений в области биомедицинского и клинического NLP. Контекстное окно — до 8192 токенов. Обучение включало данные PubMed и PMC и клинические корпуса из 20 наборов данных, собранных из разных учреждений, областей и географических регионов. Это обеспечивает специализацию на клинической и биомедицинской лексике и позволяет обрабатывать более длинный контекст, чем у многих прежних клинических encoder-моделей. Модель распространяется в форматах PyTorch и safetensors через библиотеку Transformers. Лицензия — MIT.

BioM-ELECTRA-Large-SQuAD2 — биомедицинская модель для ответов на вопросы, созданная авторами BioM-ELECTRA. Это BioM-ELECTRA-Large, предварительно обученная на аннотациях PubMed и дообученная на SQuAD 2.0; архитектура — плотный ELECTRA с 432,2 млн параметров, формат весов — PyTorch, максимальный контекст — 512 токенов. Модель предназначена для поиска ответов в предоставленном тексте, особенно в биомедицинских материалах, и для задач, подобных BioASQ. В README сообщаются результаты на SQuAD 2.0 dev: F1 87,49 и exact match 84,33; авторы также указывают, что TensorFlow-реализация с послойным затуханием скорости обучения показала иные результаты, поэтому цифры разных реализаций напрямую не сравнимы. Модель принимает текст вопроса и контекста и возвращает текст ответа либо указывает на отсутствие ответа. Лицензия в доступных данных не указана.