IV.4Клиническая медицина и общественное здоровье

Aurigene AI размещает зеркальную копию BioMistral-7B — плотной авторегрессионной модели семейства Mistral с 7,1 млрд параметров. Исходная модель BioMistral создана на основе Mistral-7B-Instruct-v0.1 и дополнительно предобучена на открытых статьях PubMed Central; карточка описывает её как чат-модель для биомедицинских задач и суммирования научных данных. Контекст в метаданных составляет 32 768 токенов. Модель предназначена для генерации текста, ответов на вопросы по биологии и медицине, а также краткого изложения научной литературы и данных о доказательствах. В карточке приведены результаты оценки на англоязычных медицинских QA-бенчмарках и их переводах на другие языки, но надёжность в реальной клинической практике не оценивалась. Модель не следует использовать для принятия профессиональных медицинских решений без специального выравнивания и тщательной проверки. Репозиторий использует формат PyTorch и лицензию Apache-2.0.

Minbyul/biomistral-7b-wo-kqa_golden-iter-sft-dpo-step1 — дообученная методом DPO версия модели BioMistral-7B, созданная на основе Minbyul/biomistral-7b-wo-kqa_golden-iter-sft-step1 с использованием датасета HuggingFaceH4/ultrafeedback_binarized. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для диалоговой генерации текста; её можно применять для ответов на вопросы и ведения текстовых диалогов, в том числе в медицинской и биологической тематике. Модель принимает текст и генерирует текст. Контекстное окно составляет 32 768 токенов. В карточке приведены метрики оценки на тестовой выборке, но подробные сведения о тесте и практических ограничениях отсутствуют. Распространяется под лицензией Apache-2.0.

Biomistral-Exp-Slerp — объединённая модель на основе BioMistral/BioMistral-7B и yam-peleg/Experiment26-7B, созданная с помощью mergekit методом slerp. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом формате. Базовая BioMistral-7B дообучена на биомедицинских текстах для ответов на медицинские и биологические вопросы, поэтому модель может применяться для исследовательского поиска информации в этих областях. Контекст составляет до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README описывает способ слияния, но не приводит оценок качества полученной модели.

CareBot_Medical_multi-llama3-8b-instruct — медицинская диалоговая модель XiaofengAlg, дообученная методом supervised fine-tuning на базе CareBot_Medical_multi-llama3-8b-base. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров; базовая модель предназначена для китайского и английского языков. Контекст составляет 8192 токена. Модель предназначена для следования медицинским инструкциям и диалогов о здоровье. В обучающих данных есть вопросы из медицинских экзаменов с вариантами ответа, запросы о диагностике заболеваний и многоходовые консультации; использованы медицинские диалоги и датасет BAAI/IndustryInstruction_Health-Medicine. Модель принимает текстовые запросы и генерирует текстовые ответы на китайском и английском. В README описаны состав данных и подход к дообучению, но не приведены численные результаты оценки, поэтому качество для конкретных медицинских сценариев по этой карточке оценить нельзя. Ответы модели не следует считать подтверждённым медицинским диагнозом или заменой консультации специалиста. Лицензия — Apache-2.0.

DoctoModernBERT-fr-base — французский медицинский языковой энкодер от Doctolib Lab для биомедицинских и клинических задач NLP. Модель построена на архитектуре ModernBERT, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. Она предварительно обучена с нуля на корпусах FineMed-fr и FineMed-rephrased-fr, собранных из разнородных открытых веб-источников, PDF и энциклопедических материалов. Для токенизации используется SentencePiece BPE с 50 368 токенами. Основная задача модели — предсказание замаскированных токенов; после дообучения её можно применять для распознавания медицинских сущностей, классификации текстов, поиска и обработки длинных клинических документов. В описанных оценках модель показала сильные результаты на клиническом NER и вошла в число лидеров DrBenchmark. Это энкодер, а не генеративная модель: для прикладных задач обычно требуется дообучение с подходящей головой. Она не является медицинским устройством, её выходы не должны использоваться для принятия клинических решений; также модель может наследовать смещения и пробелы обучающих источников. Лицензия — Apache-2.0.

Doctor-R1-GGUF — это GGUF-квантизированная версия модели Doctor-R1, базовая модель которой разработана unicornftk, а квантизацию выполнил mradermacher. Модель распространяется для диалоговой генерации текста в медицинском домене и ориентирована на задачи, связанные с диагностикой, медицинскими вопросами и агентными сценариями. Модель обучалась с использованием наборов данных HealthBench, MAQuE, MedQA и MMLU; заявленный язык — английский. В карточке указано применение reinforcement learning, однако сведения о конкретной архитектуре, числе параметров, размере контекста и поддерживаемых модальностях отсутствуют. Репозиторий содержит варианты GGUF с разным уровнем квантизации: от Q2_K до Q8_0, а также версию f16; это позволяет выбирать компромисс между размером файлов, скоростью и качеством, причём Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант высокого качества. Модель подходит для локального запуска в совместимых с GGUF инструментах и экспериментов с медицинскими диалогами, но точность и надёжность ответов зависят от выбранной квантизации. Её ответы не следует рассматривать как замену профессиональной медицинской диагностике или консультации. Лицензия модели — MIT.

Docto-S1 ModernBERT-fr-base-v0.1 — французская медицинская модель для оценки вариантов ответа, разработанная на основе DoctoModernBERT-fr-base. Это энкодер ModernBERT с 149 млн параметров, дообученный на наборе medical-s1-fr-v0.1; он присваивает каждому варианту вероятность за один проход и рассчитан на быстрые решения по сообщениям пациентов, клиническим заметкам и описаниям случаев. Контекст составляет 8 192 токена, формат весов — Safetensors, лицензия — Apache-2.0. Модель подходит для медицинской сортировки обращений, определения срочности и тревожных признаков, маршрутизации к специалисту, классификации намерений и проверки соблюдения правил. Лучше всего работает на задачах, близких к обучающим; для новых задач возможно применение без дообучения. В опубликованной оценке на медицинском бенчмарке показаны средняя точность 81,04% и медианная задержка 8 мс на H100, однако результаты зависят от задачи и условий проверки. Это исследовательская модель, не медицинское изделие и клинически не валидирована. Она может занижать срочность, хуже справляется с задачами, далёкими от обучающих, и с медицинскими вопросами на знания; обучение в значительной мере опирается на метки одной семьи моделей. Использовать её следует с участием человека и проверять калибровку на целевой задаче.

Карточка модели Kenzlejaze/e5-small-v2-medichat-finetuned на Hugging Face совпадает с карточкой JumareKhaled/e5-small-v2-medichat-finetuned, поэтому описание составлено по ней. JumareKhaled/e5-small-v2-medichat-finetuned — текстовая Sentence Transformer-модель, дообученная на базе intfloat/e5-small-v2. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384 и рассчитана на извлечение текстовых признаков, поиск и сопоставление по косинусному сходству. Архитектура основана на BertModel с усредняющим pooling; максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и извлечения медицинских текстов. Название указывает на медицинскую настройку, однако карточка не описывает конкретную специализацию, данные обучения или оценку качества, поэтому результаты для медицинских запросов следует проверять. В метаданных указана лицензия? Нет сведений о лицензии; условия использования следует сверить на странице репозитория.

Модель Yoonyoul/fine-tuned-e5-small-drugproduct — SentenceTransformer на базе intfloat/multilingual-e5-small, дообученный для семантического поиска по корейским данным о лекарственных препаратах. Она преобразует запросы и описания лекарств в текстовые эмбеддинги, чтобы находить соответствия по названию, назначению, типу препарата и регуляторным ограничениям DUR. В README приведён пример поиска лекарства по запросу о снижении температуры. Модель использует архитектуру BERT и содержит 124,3 млн параметров по метаданным Hugging Face. Она принимает текст и выдаёт векторы для сравнения сходства; базовая модель поддерживает несколько языков, однако карточка этой версии указывает корейский как язык данных. Окно контекста — 512 токенов. Модель распространяется по лицензии MIT. В README отмечено, что отдельный эксперимент по объединению названий действующих веществ и типов препаратов не улучшил качество поиска: из-за однотипных положительных примеров сходство между различными группами лекарств оказалось завышенным. Этот эксперимент не входит в описанный основной сценарий модели.

Healix-1.1B-V1-Chat-dDPO — медицинская языковая модель на архитектуре Llama с примерно 1,1 млрд параметров, представленная разработчиком health360. Она предназначена для генерации медицинских текстов и ответов на вопросы, включая запросы о неотложной помощи; карточка описывает применение в медицинских исследованиях и как вспомогательный инструмент для клинической работы. Модель принимает текст и выдаёт текст, использует формат Alpaca и имеет контекстное окно 2048 токенов. В метаданных указан английский язык и лицензия Apache-2.0. Карточка сообщает об обучении на медицинской литературе и наборе вопросов Healix-Medical-Shot, а также приводит результат 64% на оценке медицинских вопросов, но не уточняет протокол этой оценки. Это заявление не подтверждено приведёнными метаданными. Модель может выдавать ошибочные или предвзятые ответы и не заменяет профессиональную медицинскую консультацию; при работе с ней следует учитывать конфиденциальность пациентских данных.

antonkirk/Llama3-Instruct-OpenBioLLM-8B-merged — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES на основе Meta Llama 3. В объединение вошли Meta-Llama-3-8B-Instruct и Llama3-OpenBioLLM-8B; архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов, в том числе на биомедицинские темы. Она принимает текст и выдаёт текст, работает через Transformers и поддерживает контекст до 8192 токенов. Файлы опубликованы в формате safetensors. Лицензия в предоставленных сведениях не указана. Карточка не содержит результатов оценки качества, поэтому точность ответов, особенно в медицинских сценариях, не подтверждена; выводы модели следует проверять.

arcee-ai/Llama-3-MegaMed-8B-Model-Stock — объединённая модель семейства Llama 3, созданная Arcee AI с помощью mergekit и метода Model Stock. В состав слияния вошли OpenBioLLM-Llama3-8B, JSL-Med-Sft-Llama-3-8B и Llama-3-8B-Instruct-DPO-v0.3; базовая модель — Meta Llama 3 8B. Модель содержит около 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста, в том числе ответов на медицинские вопросы и создания медицинского текста, опираясь на объединённые медицинские и инструктивные модели. Интерфейс — текстовый ввод и текстовый вывод; метаданные указывают задачу text-generation. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробных ограничений применения, поэтому надёжность медицинских ответов по ней определить нельзя.

Llama-3-OpenBioMed-8B-dare-ties-4x — объединённая модель на архитектуре Llama 3, созданная с помощью LazyMergekit из четырёх биомедицинских моделей: aaditya/Llama3-OpenBioLLM-8B, johnsnowlabs/JSL-MedLlama-3-8B-v2.0, Jayant9928/orpo_med_v3 и skumar9/Llama-medx_v3. Она предназначена для генерации текста и диалоговых ответов по биомедицинским темам, например для подготовки черновиков ответов и помощи в работе с медицинской информацией. Модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель принимает текст и генерирует текст. Базовые модели специализируются на англоязычной биомедицинской области; подтверждённых сведений о других поддерживаемых языках нет. Объединение нескольких специализированных чекпойнтов ориентировано на медицинские запросы, однако карточка не приводит оценок качества или клинической валидации. Лицензия в предоставленных данных не указана.

abhinand/Llama-3-OpenBioMed-8B-dare-ties-v1.0 — объединённая медицинская языковая модель на архитектуре Llama 3, созданная с помощью LazyMergekit из aaditya/Llama3-OpenBioLLM-8B, johnsnowlabs/JSL-MedLlama-3-8B-v1.0 и winninghealth/WiNGPT2-Llama-3-8B-Base. Модель предназначена для генерации текста в диалоговом формате, в частности для ответов на медицинские вопросы. Объём модели составляет 7,5 млрд параметров, контекст — до 8192 токенов; веса опубликованы в формате safetensors. Базовые модели ориентированы на медицинские ответы на китайском и английском языках, поэтому эти языки можно считать поддерживаемыми для медицинских сценариев. Метаданные указывают лицензию other, но её конкретные условия в доступных сведениях не раскрыты. Модель может помогать с информационными медицинскими вопросами, однако её ответы не следует считать диагнозом или заменой консультации квалифицированного специалиста.

MedGemma 1.5 4B IT BF16 — медицинская мультимодальная модель, преобразованная сообществом mlx-community в формат MLX из модели google/medgemma-1.5-4b-it с использованием mlx-vlm 0.3.9. Она предназначена для взаимодействия с изображениями и текстом в медицинских сценариях, включая радиологию, клиническое рассуждение, дерматологию, патологию, офтальмологию и анализ рентгеновских снимков грудной клетки. Модель поддерживает сценарии image-text-to-text: например, может формировать текстовое описание медицинского изображения по запросу пользователя. Для запуска используется библиотека mlx-vlm и модельный стек Transformers; доступ к модели на Hugging Face требует принятия условий Health AI Developer Foundation. README не содержит подробностей о точной архитектуре, языках, размере контекста и клинической валидации, поэтому модель следует рассматривать как инструмент для исследовательских и вспомогательных задач, а не как замену квалифицированной медицинской экспертизе.

Это 4-битная MLX-версия мультимодальной медицинской модели MedGemma 4B IT, разработанной Google и квантованной командой LM Studio с помощью mlx_lm. Она основана на Gemma 3 и оптимизирована для Apple Silicon. Модель принимает текст и медицинские изображения и формирует текстовые ответы в диалоговом режиме. Модель предназначена для ответов на вопросы по медицинским изображениям и текстам, включая сценарии клинического рассуждения и анализ радиологических, дерматологических, патологических и офтальмологических изображений. Квантование уменьшает размер весов и упрощает локальный запуск, но может повлиять на точность относительно исходной версии. Ответы могут быть неточными или вредными и требуют проверки специалистом. В метаданных указана лицензия other; конкретные условия следует сверять с лицензией исходной модели Google/medgemma-4b-it.

Mungert/medgemma-4b-pt-GGUF — GGUF-версия предварительно обученной мультимодальной модели MedGemma 4B, разработанной Google на базе Gemma 3 4B PT и преобразованной с помощью llama.cpp. Модель предназначена для понимания медицинского текста и изображений и может использоваться как основа для исследовательских и прикладных систем в здравоохранении. Модель сочетает языковой компонент с визуальным энкодером SigLIP, предварительно обученным на обезличенных медицинских данных. Она ориентирована на работу с рентгеновскими снимками грудной клетки, дерматологическими и офтальмологическими изображениями, гистопатологическими срезами и связанными с ними медицинскими текстами. Предварительно обученная версия предназначена для экспериментов и последующей адаптации; для большинства прикладных сценариев разработчик рекомендует instruction-tuned вариант. Точные языковые характеристики и размер контекстного окна в карточке не указаны. Преимущество модели — специализация на медицинских визуально-текстовых задачах и возможность локального запуска в формате GGUF. В то же время она не является готовой заменой клиническому специалисту, а качество и безопасность применения требуют проверки на конкретных данных и сценариях. Модель распространяется по условиям Health AI Developer Foundations; для доступа на Hugging Face необходимо принять соответствующие условия использования.

Omi Med STT v1 MLX q8 — экспорт с 8-битным квантованием модели Omi Med STT v1 от Omi Health для распознавания медицинской речи на Apple Silicon. Модель предназначена для локальной транскрибации клинических диалогов и доступна как артефакт по умолчанию для CLI omi-med-stt. Базовая модель использует архитектуру FastConformer/Conformer и медицинскую адаптацию; экспорт распространяется в формате safetensors и занимает около 0,94 ГБ. В опубликованном тесте на медицинском наборе из 1 513 аудиофрагментов модель показала WER 6,65%, M-WER 2,12% и медицинский recall 97,88%. Эти результаты относятся к конкретному тесту и конфигурации Apple Silicon M4 Max. Модель поддерживает английскую речь; карточка не заявляет поддержку других языков. Лицензия — CC BY 4.0. Это система преобразования речи в текст, а не диагностическая или клиническая система поддержки решений. Модель не проходила клиническую валидацию, и расшифровки необходимо проверять перед клиническим использованием. Для работы на Mac рекомендуется CLI omi-med-stt; чекпойнт несовместим напрямую с parakeet-mlx.

harshitsoni1903/sapbert-finetuned-semra — модель Sentence Transformer, дообученная на базе cambridgeltl/SapBERT-from-PubMedBERT-fulltext. Она преобразует предложения и короткие фрагменты текста в плотные векторы размерности 768 для сравнения по косинусному сходству; архитектура состоит из BERT и усредняющего токены слоя Pooling. Модель ориентирована на семантический поиск и сопоставление биомедицинских названий и сущностей, а также может применяться для поиска похожих текстов, кластеризации и классификации. В README указаны 181 760 обучающих пар и обучение с MultipleNegativesRankingLoss. Метаданные сообщают о 136,7 млн параметров и предельном контексте 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 32 токена. Для эффективной работы следует учитывать именно более короткий предел карточки. Лицензия в предоставленных данных не указана.

gitmodelmujtaba/sapbert-snomed-loinc-rxnorm — медицинская модель представлений текста на базе SapBERT для связывания клинических терминов с понятиями SNOMED CT, RxNorm и LOINC. В README также заявлен этапный supervised cross-encoder reranker; метаданные описывают архитектуру как BERT и задачу feature-extraction. Модель содержит 136,7 млн параметров, принимает текст, формирует векторы размерности 768 и поддерживает контекст до 512 токенов. Модель предназначена для поиска соответствий между клиническими формулировками и понятиями медицинских справочников, а также для ранжирования кандидатов. README приводит отдельные показатели retrieval для SNOMED CT, RxNorm и LOINC и точность pairwise cross-encoder, но эти результаты не подтверждают сами по себе качество на иных данных и клинических сценариях. Поддерживаемый язык карточки — английский; лицензия Apache-2.0. Файлы представлены в форматах PyTorch и safetensors.

sethuiyer-Medichat-Llama3-8B-GGUF — набор GGUF-квантизированных файлов базовой модели sethuiyer/Medichat-Llama3-8B. Модель разработана автором или организацией sethuiyer, а квантизации подготовлены featherless-ai-quants. По назначению и названию это текстовая генеративная модель для диалоговых и медицинских текстовых сценариев, однако подробные сведения о данных обучения и специализации в README не приведены. Модель относится к семейству Llama 3 и имеет размер 8B параметров, поддерживает текстовую генерацию и поставляется в формате GGUF. Доступны варианты Q2_K, Q3_K, Q4_K, Q5_K, Q6_K, Q8_0 и IQ4_XS с размером файлов примерно от 3 до 8 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Сведения о языках, длине контекста, точной архитектуре, производительности и мультимодальности отсутствуют. К преимуществам относятся широкий выбор уровней квантизации и возможность локального запуска в совместимой с GGUF инфраструктуре. Более сильное сжатие уменьшает требования к памяти, но может снижать качество по сравнению с менее сжатыми вариантами. README не содержит условий лицензирования, поэтому лицензионные ограничения необходимо уточнять в исходной модели sethuiyer/Medichat-Llama3-8B и в репозитории квантизаций.

SMB-v1 — модель представления пациентов, разработанная Standard Model Bio для анализа продольных структурированных клинических данных в онкологии. Она объединяет временные физиологические показатели, диагнозы и процедуры, лечение, биомаркеры и геномные профили, стадии опухоли и исходы в единое представление состояния пациента. Модель дообучена на Qwen/Qwen3-1.7B методом SFT и JEPA с несколькими целями обучения; для обработки данных ожидает формат MEDS, сериализованный с помощью пакета smb_utils. Модель предназначена для построения представлений пациентов для прогнозирования риска осложнений и прогрессирования, моделирования ответа на лечение, поиска похожих пациентов и сопоставления с критериями клинических исследований. В метаданных основная задача указана как извлечение признаков; карточка описывает только структурированные сигналы и отмечает, что необработанные биомедицинские данные этих типов не использовались для обучения. Лицензия CC BY-NC 4.0 разрешает использование с ограничениями на коммерческое применение.

Professor/whisper-medium-afrispeech — модель распознавания речи, разработанная на основе openai/whisper-medium и дообученная на AfriSpeech-200 для английской речи с африканскими акцентами. Она предназначена для расшифровки общей и клинической речи; в карточке указано снижение WER с 43,22% до 20,13% на тестовом наборе AfriSpeech-200 после дообучения. Модель использует архитектуру Whisper и принимает аудио длительностью до 30 секунд. На клинической речи WER составляет 27,47%, а результаты заметно различаются между акцентами: для приведённых в карточке примеров — от 7,4% до 44,6%. Ошибки в медицинских терминах требуют проверки, а клинические результаты не подходят для использования без контроля специалиста. Модель выпущена под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

Asclepius-Llama2-13B — клиническая языковая модель на базе Llama 2, разработанная авторами проекта Asclepius и дообученная для работы с клиническими записями. Это плотная авторегрессионная модель с 12,9 млрд параметров и контекстом до 4096 токенов; она принимает текст и генерирует текст на английском языке. Модель предназначена для восьми задач клинического NLP: распознавания именованных сущностей, раскрытия сокращений, извлечения отношений и временной информации, разрешения кореференции, перефразирования, суммаризации и ответов на вопросы по клиническим заметкам. Она может быть полезна исследователям и разработчикам прототипов для анализа медицинской документации. Карточка ограничивает использование исследовательскими целями, а лицензия метаданных — CC-BY-NC 4.0; README указывает CC-BY-NC-SA 4.0, поэтому условия лицензирования следует проверить перед использованием. Модель не предназначена для самостоятельной клинической диагностики или принятия решений о лечении; качество и безопасность ответов требуют отдельной оценки.

IIC/bert-base-spanish-wwm-cased-meddocan — дообученная модель BERT для обработки испанских клинических текстов на наборе данных MEDDOCAN. Она предназначена для извлечения медицинских сущностей и их классификации по токенам; в README приведён результат F1 0,957 на бенчмарке MEDDOCAN. Модель содержит 137,1 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в форматах PyTorch и Safetensors. Лицензия — CC BY 4.0.

ralzate/beto-prostata-ner — модель распознавания именованных сущностей в медицинских текстах на испанском языке о раке предстательной железы. Она разработана как дообученная версия BETO на базе dccuchile/bert-base-spanish-wwm-cased и использует архитектуру BERT для классификации токенов по 21 BIO-метке. Модель выделяет 10 типов клинических сущностей, включая возраст, диагноз, шкалу Глисона, биомаркеры, лечение, лекарства и дозировки. Модель предназначена для извлечения структурированной клинической информации из онкологических заключений и медицинских заметок. В README указана оценка F1 0,976 на тестовом наборе; качество вне узкой области рака простаты на испанском языке может снижаться. Модель содержит 137,1 млн параметров, принимает контекст до 512 токенов и распространяется в формате safetensors. Лицензия — CC BY 4.0.

BiMediX-Ara — арабская версия BiMediX, медицинской разговорной языковой модели на архитектуре Mixtral-8x7B-Instruct-v0.1. Модель разработана исследователями Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI) и дообучена на наборе BiMed1.3M-Arabic с разнообразными медицинскими диалогами. В метаданных указаны архитектура Mixtral с механизмом Mixture of Experts, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для медицинских диалогов на арабском и английском языках, ответов на вопросы с выбором ответа и закрытые вопросы. Она может использоваться для исследовательских прототипов медицинских чат-ботов и ответов на медицинские вопросы. Карточка приводит результаты на медицинских бенчмарках, но не описывает их как гарантию клинической точности. Модель распространяется по лицензии CC BY-NC-SA 4.0; README указывает на исследовательское использование и предупреждает о галлюцинациях, токсичности и стереотипах.

BioBERTpt(clin) — португалоязычная модель семейства BERT, разработанная для клинического и биомедицинского текста. Она основана на BERT-Multilingual-Cased и дообучена на клинических записях из электронных медицинских карт больниц Бразилии. В репозитории указано около 205,1 млн параметров, архитектура BertForMaskedLM и контекст до 512 токенов. Модель предназначена для работы с португалоязычными клиническими текстами, в том числе как языковая основа для распознавания клинических именованных сущностей. Метаданные задают основную задачу fill-mask — предсказание замаскированных слов. Доступны версии весов для PyTorch, TensorFlow и Flax. В предоставленной карточке лицензия не указана.

BioHermes-7B-slerp — слитая модель на основе Mistral, созданная объединением BioMistral-7B-SLERP и NeuralHermes-2.5-Mistral-7B методом SLERP с помощью LazyMergekit. Модель содержит 7,1 млрд параметров и предназначена для диалоговой генерации текста, в том числе для ответов на вопросы по биомедицинским темам. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В карточке не указаны поддерживаемые естественные языки и лицензия, поэтому их нельзя определить по имеющимся данным. Качество ответов, особенно в медицинских сценариях, следует проверять; модель не следует считать заменой профессиональной медицинской консультации.

Модель разработана Danny Vásquez, César Salazar, Alexis Cañar, Yannela Castro и Daniel Patiño на основе mrm8488/electricidad-small-discriminator и дообучена для классификации испаноязычных комментариев. Она анализирует текст и относит комментарий к одному из двух классов: «Suicida» или «No Suicida», чтобы выявлять признаки суицидальных намерений в контексте и поддерживать исследовательские и профилактические проекты. Архитектура — ELECTRA для классификации последовательностей, размер — 20,5 млн параметров, контекст — до 512 токенов. В README приведены результаты оценки, включая точность 0,9916, однако они не гарантируют такую же работу на новых данных. Модель обучалась на наборе комментариев о депрессии на испанском языке, содержащем 192 347 примеров для обучения, 33 944 для тестирования и 22 630 для валидации. Прикладная область — анализ текстов для предварительного выявления возможных признаков суицидального риска; классификация сама по себе не является клинической оценкой. Репозиторий распространяется по лицензии Apache-2.0.