IV.4Клиническая медицина и общественное здоровье

Модель dannyvas23/electricidad-small-discriminator-finetuned-clasificacion-texto-suicida — дообученная для классификации текста версия mrm8488/electricidad-small-discriminator на испаноязычных данных. Она предназначена для выявления текстов, связанных с суицидом, и выдаёт результат классификации. Модель построена на архитектуре ELECTRA, содержит 20,5 млн параметров и принимает последовательности длиной до 512 токенов. В README указаны accuracy 0,9916 и loss 0,0458 на оценочном наборе; сведения о составе данных и деталях оценки не приведены. Лицензия — AFL-3.0.

QuantFactory/HuatuoGPT-o1-8B-GGUF — квантизированная версия HuatuoGPT-o1-8B, разработанная QuantFactory на основе модели FreedomIntelligence и созданная с использованием llama.cpp. Модель предназначена для медицинских задач, требующих сложного рассуждения: она формирует и уточняет цепочку рассуждений перед выдачей итогового ответа. Возможные сценарии включают генерацию ответов на медицинские вопросы и другие задачи текстовой генерации в медицинском домене. Модель построена на базе Llama-3.1-8B-Instruct и содержит около 8 млрд параметров. Поддерживаемый язык — английский, модальность — текстовая; тип задачи в каталоге — text-generation. Модель использует подход «сначала рассуждает, затем отвечает» и форматирует результат в секции Thinking и Final Response. Квантизация может снизить требования к вычислительным ресурсам, однако конкретный формат квантизации, уровни точности, размер контекста и требования к памяти в README не указаны. Модель распространяется по лицензии Apache-2.0. Она ориентирована на исследовательские и прикладные медицинские сценарии, но README не содержит сведений о клинической валидации, поэтому результаты не следует рассматривать как замену консультации квалифицированного медицинского специалиста.

EIRTHAIMED/Llama-3.1-EIRAI-8B — дообученная Eir AI Thai Medical LLM на базе Meta Llama 3.1 8B Instruct, разработанная для медицинских задач на тайском и английском языках. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, контекстом до 131 072 токенов и форматом весов Safetensors; для диалогов используется шаблон ChatML. Модель предназначена для ответов на медицинские вопросы, работы с тайскими медицинскими текстами и английской медицинской терминологией, а также для клинического извлечения сущностей и временной информации, перефразирования и поддержки медицинского RAG. В карточке приведены оценки на медицинских и тайских языковых бенчмарках, однако они сами по себе не подтверждают клиническую надёжность. Разработчики предупреждают, что модель находится в активной разработке и не прошла достаточную проверку для практического применения в клинике. Её не следует использовать для принятия медицинских решений без дополнительной валидации. Лицензия — Llama 3.1.

LlamaTron RS1 Nemesis — медицинская языковая модель, созданная разработчиком Rumiii дообучением Meta Llama-3.2-1B-Instruct с помощью QLoRA. Модель с архитектурой LlamaForCausalLM содержит 1,2 млрд параметров и предназначена для диалогов и рассуждений по клиническим вопросам: дифференциальной диагностики, планирования лечения, фармакологии и анализа клинических случаев. Для обучения использован набор Medical-Reasoning-SFT-MiniMax-M2.1 с 204 773 диалогами; карточка указывает английский язык. Метаданные сообщают контекст 131 072 токена, тогда как README указывает максимальную длину последовательности обучения 512 токенов, что может ограничивать работу с длинными клиническими текстами. Модель предназначена для исследовательских и образовательных целей и не заменяет консультацию врача, диагностику или лечение. Лицензия репозитория — Apache-2.0.

mlx-community/medgemma-4b-it-bf16 — конверсия модели MedGemma 4B IT от Google в формат MLX со значениями bf16. Модель построена на архитектуре Gemma 3 и предназначена для диалоговой работы с медицинскими текстами и изображениями: например, для ответов на вопросы о медицинских снимках и клинического анализа изображений. Модель принимает текст и изображения и формирует текстовые ответы. В метаданных отмечены медицинские направления, включая радиологию, дерматологию, патологию и офтальмологию; базовая модель — MedGemma 4B PT. Репозиторий указывает лицензию «other»; README ссылается на исходную карточку Google за подробностями.

Medorca-2x7b — языковая модель с архитектурой Mixture of Experts (MoE), объединяющая Meditron-7B от EPFL и Orca-2-7B от Microsoft. Она предназначена для генерации текста и может применяться к медицинским вопросам и общим диалоговым запросам. Репозиторий содержит веса в формате safetensors; объём модели по метаданным — 6,6 млрд параметров, контекст — до 4096 токенов. Модель создана на основе объединения двух моделей, одна из которых ориентирована на медицинские ответы. В README приведены названия медицинских бенчмарков, однако результатов оценки нет, поэтому качество ответов по ним установить нельзя. Модель распространяется по лицензии Apache-2.0.

genshiai-daichi разработала med-ruri-v3-310m — японскую модель sentence embeddings для поиска по медицинским текстам. Это дообученная версия cl-nagoya/ruri-v3-310m на базе ModernBERT-Ja: плотная архитектура с 314,6 млн параметров, размерностью эмбеддингов 768 и контекстом до 8192 токенов. Модель принимает текст и выдаёт векторные представления для семантического поиска, сравнения и группировки текстов. Модель предназначена для поиска по японским медицинским документам, включая поиск релевантных фрагментов для RAG. В тесте на 2000 отложенных синтетических запросах для медицинского поиска nDCG@10 составил 0,4338 против 0,3048 у базовой модели. Для запросов и документов нужно применять префиксы «検索クエリ: » и «検索文書: »; в конфигурации Sentence Transformers они доступны через prompt_name. Качество ориентировано на японский медицинский домен и может быть ниже на общих текстах и других языках. Результаты на синтетических запросах не гарантируют аналогичного качества в реальном приложении, поэтому его следует проверять на собственных данных. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Mistral-7B-DSM5 — дообученная автором chillymiao диалоговая языковая модель для вопросов и ответов по психиатрии и диагностическим критериям DSM-5. В качестве основы использована mistralai/Mistral-7B-Instruct-v0.2; модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров, принимает текст и генерирует текст. Контекст — до 32 768 токенов. Для адаптации использовался подход с RAG по справочнику Desk Reference to the Diagnostic Criteria From DSM-5: на основе извлечённых документов формировался специализированный набор инструкций для дообучения. Модель предназначена для ответов на вопросы о психиатрических диагнозах и критериях DSM-5. Карточка указывает английский язык. Лицензия — Apache-2.0. Автор предупреждает, что точность, полнота и пригодность ответов не гарантируются; результаты не следует считать профессиональной диагностикой. Модель заявлена для исследовательского использования, а применение требует самостоятельной оценки рисков.

ModernCamemBERT-bio-v2-base — франкоязычный биомедицинский энкодер на архитектуре ModernBERT, разработанный Рианом Тушантом и Эриком де ла Клержери из Sorbonne Université и Inria Paris. Модель дообучена продолжением предобучения almanach/ModernCamemBERT-bio-base на клинических текстах и синтетических учебных текстах, построенных на основе онтологий CIM-10, CCAM и ATC. Она предназначена для заполнения масок и извлечения информации из биомедицинских документов на французском языке. Модель содержит 135,5 млн параметров по метаданным (в README округлено до 150 млн) и обрабатывает контекст до 8 192 токенов. В оценке на документном бенчмарке французского биомедицинского NLP она получила средний micro-F1 70,0 по девяти запускам, улучшив результат исходной модели на 1,4 пункта. Доступна под лицензией MIT. Это базовая модель без специализированной головы для конкретной downstream-задачи; результаты бенчмарка не гарантируют качество на других данных.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в клинических текстах на румынском языке. Это дообученная для задачи NER модель FacebookAI/xlm-roberta-base с архитектурой XLM-RoBERTa и 305,2 млн параметров; она присваивает токенам метки BIO: O, B-DISEASE и I-DISEASE. Модель принимает текст и возвращает разметку сущностей с границами упоминаний. Контекст модели составляет 514 токенов. Модель оценивалась на тестовом наборе MultiClinNER для румынского языка: строгий F1 составил 0,6662, символьный F1 — 0,7874. Для результатов, сопоставимых с опубликованными, при использовании нужно повторить предтокенизацию обучающих данных и выравнивание смещений; обычная токенизация Transformers может давать отличия на границах сущностей около пунктуации. Разработчики также предупреждают о возможных смещениях. Лицензия — CC BY 4.0.

Это текстовая модель Sentence Transformer, разработанная vab46 на основе nomic-ai/nomic-embed-text-v1.5 и дообученная на 7 193 парах текстов из набора Clinical_trials_anchor-positive-pairs_EmbeddingModel-data. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска клинических исследований по смыслу, сопоставления текстов и других задач семантического анализа. В архитектуре используется NomicBertModel с усредняющим пулингом; сходство векторов можно оценивать косинусной мерой. Matryoshka-обучение позволяет использовать сокращённые представления размерностью 512, 256, 128 или 64. Метаданные указывают контекст до 2 048 токенов. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Модель специализируется на текстах клинических исследований: её можно применять для семантического поиска, ранжирования похожих описаний, поиска перефразировок, кластеризации и классификации. В README приведены результаты оценки на данных для поиска информации и сравнение с базовой моделью, однако они относятся к конкретному набору данных и не гарантируют качество на других корпусах. README сообщает длину последовательности до 8 192 токенов, тогда как метаданные каталога указывают нативный контекст 2 048 токенов; следует ориентироваться на контекст, поддерживаемый используемой конфигурацией модели.

NutriMinds-3B — специализированная англоязычная чат-модель для клинического анализа питания, разработанная Shrisudarsanah из SRM University. Она принимает медицинский профиль пациента и сведения о продукте или составе на этикетке и формирует структурированный JSON с оценкой совместимости, предупреждениями о рисках и клиническим обоснованием для 52 заболеваний, включая диабет 2-го типа, целиакию и хроническую болезнь почек. Модель основана на Qwen/Qwen2.5-3B-Instruct и дообучена методом SFT с использованием Unsloth; веса описаны как объединённые LoRA-веса в формате Hugging Face с архитектурой Qwen2 и 3,1 млрд параметров. Поддерживается контекст длиной до 32 768 токенов. Указана лицензия Apache 2.0. Модель предназначена для аналитических демонстраций и интеграции в приложения для оценки продуктов и генерации рецептов. Её выводы не заменяют профессиональную медицинскую диагностику или лечение; рекомендации по питанию требуют проверки специалистом.

OpenBioLLM (Llama3-8B) GGUF — англоязычная модель генерации текста Ричарда Янга (DeepNeuro), представленная в формате GGUF для запуска через Ollama и llama.cpp. Это сборка модели aaditya/Llama3-OpenBioLLM-8B, предназначенной для ответов на вопросы и рассуждений в биомедицинской и биологических науках. Модель подходит для подготовки ответов на вопросы по биомедицине и наукам о жизни. Репозиторий содержит GGUF-вариант размером 7,95 ГБ и Modelfile для Ollama. Лицензия указана как other; более подробные условия в предоставленных данных отсутствуют.

OpenBioLLM-Llama3-8B-GGUF — это GGUF-квантизированная версия биомедицинской языковой модели OpenBioLLM-8B, построенной на базе Meta-Llama-3-8B. Исходную модель разработала команда aaditya, а квантизации подготовил bartowski с использованием llama.cpp и метода imatrix. Модель ориентирована на генерацию текста и диалоговые сценарии в медицинской и биомедицинской областях, включая ответы на вопросы о здоровье и объяснение профильной информации. В README указан английский язык. Модель имеет около 8 миллиардов параметров и поддерживает набор вариантов квантизации GGUF от Q8_0 до более компактных Q3 и IQ3/IQ4. Это позволяет выбирать между качеством ответов и требованиями к памяти; варианты Q6_K, Q5_K_M, Q5_K_S и Q4 рекомендованы как сбалансированные. Мультимодальность не заявлена. Размер контекста в предоставленных данных не указан. Формат шаблона чата также не подтверждён: в README отмечено, что используется шаблон по умолчанию и он может быть некорректным. Сильной стороной модели является специализация на медицинской и биомедицинской тематике при возможности локального запуска через llama.cpp и выбора подходящего уровня квантизации. Ограничения включают отсутствие опубликованных результатов оценки в карточке, неопределённость шаблона диалога и необходимость проверять медицинские ответы специалистом; модель не следует использовать как замену профессиональной диагностике или лечению. Указанная лицензия — llama3.

OpenMed разработала OpenMed-NER-AnatomyDetect-TinyMed-65M — дообученную модель DistilBERT для распознавания анатомических сущностей в биомедицинских текстах. Она выделяет названия анатомических структур и частей тела, присваивая токенам метки B-Anatomy и I-Anatomy. Модель предназначена для извлечения анатомических терминов из клинических записей, медицинских документов и научной литературы. Её можно применять для биомедицинского поиска и анализа, построения баз знаний и поддержки систем обработки клинических текстов. В карточке указаны F1 0,87, точность 0,88 и полнота 0,86 на наборе ANATOMY. Это специализированная англоязычная модель с контекстом 512 токенов; архитектура DistilBERT и размер около 65 млн параметров отражены в названии и метаданных. Модель распространяется по лицензии Apache-2.0. Результаты зависят от текста и предметной области; модель распознаёт только анатомические сущности и не заменяет клиническую проверку. Заявленные в карточке сценарии вроде обнаружения лекарственных взаимодействий сами по себе не подтверждают распознавание лекарств: модель обучена выделять анатомические термины.

Qwen2.5-3B ADE Relation Extractor — дообученная модель на базе Qwen/Qwen2.5-3B-Instruct, разработанная для извлечения связей между лекарственными препаратами и нежелательными явлениями (ADE) из клинических предложений. Модель построена на архитектуре Qwen2, содержит 3,1 млрд параметров и принимает текст, выдавая текстовые структурированные результаты. Контекст — до 32 768 токенов. Модель дообучена методом QLoRA на ADE Corpus V2; адаптер LoRA объединён с базовой моделью, поэтому репозиторий можно загружать напрямую через Transformers. В README приведены метрики: Strict Pair F1 — 71,98%, Drug F1 — 92,82%, Effect F1 — 76,44%. Модель предназначена для экспериментов и исследований в области клинического извлечения информации; английский язык следует из используемого корпуса ADE Corpus V2. Лицензия в предоставленных данных не указана.

OpenMed/Qwen3.5-2B-MedVL — медицинская модель для ответов на вопросы по изображениям, разработанная OpenMed на основе Qwen3.5-2B. Она дообучена на примерно 200 тысячах медицинских примеров VQA из SynthVision и предназначена для анализа медицинских изображений по текстовым запросам, например для выявления ключевых признаков на рентгеновском снимке грудной клетки. Модель принимает изображение и текстовый вопрос и формирует текстовый ответ; в карточке приведены результаты на VQA-RAD, PathVQA и SLAKE, где дообученная версия превосходит базовую по средней точности Exact Match. Архитектура — плотная Qwen3.5 с генерацией условного ответа; веса опубликованы в формате safetensors. Для запуска через Transformers требуется версия не ниже 5.3.0. Лицензия — Apache-2.0. Модель не заменяет клиническую оценку специалиста; качество зависит от типа изображения и формулировки вопроса.

Reason_Medical_0.1_20b_16bit — экспериментальная дообученная языковая модель EpistemeAI для медицинских и научных рассуждений. Она основана на unsloth/gpt-oss-20b-unsloth-bnb-4bit и использует архитектуру gpt_oss с MoE и классом GptOssForCausalLM. Модель принимает текст и генерирует текст; заявленная длина контекста — 131072 токена. В метаданных указан размер 1,6 млрд параметров, язык карточки — английский. Модель предназначена для диалоговых сценариев, требующих медицинских или научных рассуждений. README характеризует её как эксперимент и указывает, что существует версия с более высоким результатом. Для биомедицинских, биологических, химических и лабораторных ответов требуется проверка специалистом; README исключает применение для разработки оружия и других опасных целей. Лицензия — Apache-2.0.

ResNet-50, разработанная Microsoft и дообученная автором репозитория Aunsiels для классификации рентгеновских снимков грудной клетки на классы NORMAL и PNEUMONIA. Модель предназначена для автоматического скрининга снимков и экспериментальной оценки наличия пневмонии; при обучении использовались взвешенная функция потерь и аугментации изображений. Модель принимает изображение рентгеновского снимка и возвращает метку класса. На стандартной тестовой выборке автор сообщает точность 0,833 и взвешенную F1-меру 0,835. Модель основана на ResNet-50 v1.5, предварительно обученной на ImageNet-1k, и опубликована в формате safetensors. Лицензия — Apache-2.0.

resultsG2 — модель токенной классификации на архитектуре BERT, разработанная Sushant0809 и дообученная на базе Sushant0809/results_G1. Она предназначена для разметки отдельных токенов; приведённые метрики показывают результаты по категориям Treatment, Chronic, Cancer, Allergy и Other на оценочном наборе данных. Размер модели — 136,7 млн параметров, максимальный контекст — 512 токенов. Модель принимает текст и выдаёт метки для его токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. В README приведены метрики оценки, но не описаны датасет, схема разметки и условия применения, поэтому результаты вне указанной оценки могут отличаться.

lcampillos/roberta-es-clinical-trials-ner — модель распознавания именованных сущностей на основе RoBERTa, разработанная CSIC (Consejo Superior de Investigaciones Científicas). Она дообучена на испанских текстах о клинических исследованиях и выделяет четыре группы медицинских сущностей UMLS: анатомические объекты, химические и фармакологические вещества, патологические состояния, а также диагностические и терапевтические процедуры и лабораторные анализы. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и возвращает метки для токенов. Для оценки на тестовом наборе указаны F1 0,8647, точность 0,8495 и полнота 0,8806. Обучение проводилось на испанском корпусе CT-EBM-SP из 1200 текстов: аннотаций научных публикаций и объявлений о клинических исследованиях. Модель предназначена для извлечения медицинских сущностей из текстов о клинических исследованиях, например для подготовки данных к поиску и анализу. Она находится в разработке и может содержать смещения; её результаты требуют проверки специалистом и не подходят для принятия медицинских решений без человеческого контроля. Лицензия — CC BY-NC 4.0.

WiNGPT2-Llama-3-8B-Base — компания 卫宁健康 (Winning Health) разработала как специализированную медицинскую языковую модель на базе Meta-Llama-3-8B. Модель продолжила предварительное обучение на медицинских данных объёмом около 20 ГБ; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — 8192 токена. Она принимает текст и генерирует текст. Модель предназначена для ответов на медицинские вопросы и поддержки медицинских сценариев на китайском и английском языках. В опубликованной оценке WiNEval для китайских медицинских вопросов с выбором ответа WiNGPT-Llama-3-8B-Base набрала 66,3 балла против 37 у исходной Meta-Llama-3-8B. Это базовая, а не чат-версия модели, поэтому для диалога и прикладных задач может потребоваться дополнительная настройка. Модель может ошибаться и выдаваемые ею сведения не заменяют консультацию, диагноз или лечение, назначенные медицинским специалистом. Лицензия проекта — Apache 2.0; для весов также действуют условия лицензии и использования базовой модели Llama 3.

o2satz/WS_med_QA_Dolphin — слитая языковая модель, созданная с помощью mergekit методом SLERP из cognitivecomputations/dolphin-2.9-llama3-8b и o2satz/L3_med16QA. Модель основана на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на генерацию текста в диалоговом формате; контекстное окно составляет 8192 токена. Сочетание Dolphin и медицинской модели L3_med16QA указывает на применение для диалоговых ответов на вопросы о здоровье и медицине. Модель принимает текст и генерирует текст. В README и метаданных лицензия и отдельные гарантии медицинской точности не указаны; ответы не следует считать заменой профессиональной медицинской консультации.

Asclepius-Mistral-7B-v0.3 — клиническая языковая модель на 7,1 млрд параметров, разработанная авторами проекта Asclepius и дообученная на базе Mistral-7B-v0.3. Она предназначена для выполнения клинических NLP-задач по медицинским записям на английском языке: распознавания сущностей, раскрытия сокращений, извлечения отношений и временной информации, разрешения кореференции, перефразирования, суммаризации и ответов на вопросы. Модель использует плотную архитектуру MistralForCausalLM; длина контекста в метаданных — 32 768 токенов. Модель подходит для исследований и прототипирования анализа клинических заметок. Карточка ограничивает её использование исследовательскими целями; она не подтверждает пригодность для клинических решений. Репозиторий содержит веса safetensors, лицензия — CC-BY-NC-SA 4.0, предусматривающая некоммерческое использование и распространение на тех же условиях.

Это дообученная модель BERT от Akashpaul123 для классификации текстов по двум категориям: «суицидальный риск» и «нет явного суицидального риска». Она предназначена для помощи специалистам по психическому здоровью и службам поддержки при выявлении сообщений, требующих внимания. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метку класса. Поддерживаемый язык — английский. В карточке указаны точность и F1-мера 97,72%, однако эти показатели относятся к данным обучения на сбалансированном наборе Suicide Detection из 232 074 примеров и сами по себе не подтверждают качество на других группах людей или в реальных сценариях. Модель может ошибаться и не предназначена для самостоятельной диагностики или замены профессиональной оценки. Лицензия — MIT.

ls-da3m0ns/bge_large_medical — модель Sentence Transformers на архитектуре BERT, разработчик которой по карточке не установлен. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 433,9 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Название указывает на медицинскую специализацию, однако README не описывает обучающие данные или медицинские сценарии подробнее. В карточке указано обучение с MultipleNegativesRankingLoss и косинусным сходством. Модель распространяется в формате safetensors; сведения о лицензии отсутствуют.

biomed-gemma-3-4b-it — мультимодальная модель для биомедицинских диалогов и ответов на вопросы по изображениям, разработанная командой AdaptLLM на основе Gemma 3 4B IT в рамках работы об адаптации мультимодальных языковых моделей к предметным областям. Модель дообучена на наборе biomed-visual-instructions и использует архитектуру Gemma 3 с 4 млрд параметров; принимает текст и изображения и формирует текстовые ответы. В метаданных указаны поддержка английского языка и библиотека Transformers. Модель подходит для визуальных вопросов и ответов в биомедицине, включая анализ изображений в диалоговом формате. Для корректной работы изображение следует размещать в начале инструкции. Модель распространяется по лицензии Gemma; её ответы не заменяют профессиональную медицинскую оценку.

biomed-Qwen2-VL-2B-Instruct — мультимодальная модель для биомедицины, разработанная командой AdaptLLM на основе Qwen/Qwen2-VL-2B-Instruct с помощью доменного постобучения на наборе AdaptLLM/biomed-visual-instructions. Модель сохраняет архитектуру Qwen2-VL и рассчитана на диалоговые запросы с изображениями: она отвечает на вопросы по медицинским и биологическим изображениям и помогает анализировать визуальную информацию в биомедицинских сценариях. Модель содержит 1,5 млрд параметров, принимает текст и изображения, выдаёт текст и поддерживает контекст до 32 768 токенов. В README отмечено, что изображение нужно размещать в начале инструкции. Модель предназначена для доменно-адаптированных ответов и оценки на биомедицинских VQA-бенчмарках; лицензия — Apache-2.0. Результаты модели не следует считать заменой профессиональной медицинской оценки.

AmberYifan/capsd-medicine-dedup-marin-8b-base-medicine_cap_b2000_s0 — дообученная модель на архитектуре Llama, созданная на основе marin-community/marin-8b-base. Обучение проводилось на наборе capsd_marin-8b-base-n80000-medicine-dedup80k__mix_medicine_cap_b2000_s0, связанном с медицинской тематикой. Модель предназначена для генерации текста и диалогового взаимодействия в медицинских сценариях. Она содержит 7,5 млрд параметров, использует библиотеку Transformers и формат safetensors; длина контекста составляет 4096 токенов. Базовая Marin 8B Base ориентирована на английский язык, однако языки и конкретные возможности дообученной версии в карточке не описаны. Лицензия указана как other; конкретные условия необходимо проверять в репозитории модели. README не содержит сведений об оценке качества и ограничениях применения.

CareBot_Medical_multi-llama3-8b-base — медицинская языковая модель XiaofengAlg на базе Meta Llama 3 8B. Авторы адаптировали базовую модель методом продолженного предварительного обучения на медицинских данных, применив двухэтапную стратегию CPT. В карточке указаны корпус BAAI/IndustryCorpus2 и инструкции BAAI/IndustryInstruction; обучение сочетало медицинские и общие данные, постепенно увеличивая долю китайского текста. Модель предназначена для генерации текста по медицинской тематике на китайском и английском языках. По описанию авторов, оценки на китайских медицинских бенчмарках улучшились, а показатели на английских медицинских бенчмарках немного снизились относительно исходной Llama 3 8B. Это языковая модель, а не подтверждённая система диагностики или замена профессиональной медицинской помощи. Репозиторий распространяется с лицензией Apache-2.0.