IV.4Клиническая медицина и общественное здоровье

ClipMD — модель сопоставления медицинских изображений с текстом, созданная на основе CLIP от OpenAI и дообученная на наборе данных ROCO. Она предназначена для классификации медицинских изображений по текстовым описаниям без отдельного обучения на каждом наборе классов: модель сравнивает изображение с кандидатными формулировками и оценивает их сходство. Визуальный энкодер использует Transformer ViT-B/32, а текстовый — Transformer с маскированным вниманием в скользящем окне. Обучение основано на контрастивной функции потерь, повышающей сходство пар «изображение — текст». Модель принимает изображения и текстовые варианты, выдаёт оценки соответствия; карточка указывает поддержку английского языка. Репозиторий содержит веса PyTorch.

Модель csNoHug/electra-base-discriminator-finetuned-ner-cadec — дообученный для распознавания сущностей медицинского назначения энкодер ELECTRA, созданный на основе google/electra-base-discriminator. Она размечает токены в тексте, выделяя побочные реакции, заболевания, лекарства, находки и симптомы. Модель насчитывает 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. В карточке указаны метрики оценки: общий F1 — 0,7097, а F1 для лекарств — 0,9538; для заболеваний — 0,1633. Это указывает на заметно неоднородное качество распознавания разных классов, особенно слабые результаты для заболеваний. Модель выпущена под лицензией Apache-2.0; язык и состав обучающего набора в карточке не раскрыты.

GEM — мультимодальная модель семейства LLaVA-LLaMA, предназначенная для интерпретации электрокардиограмм с опорой на данные ЭКГ и клинически согласованное рассуждение. Разработчик описывает её как языковую модель, объединяющую временные ряды ЭКГ, изображения 12-канальной ЭКГ и текст. Модель предназначена для анализа ЭКГ и формулирования обоснованных интерпретаций с привязкой к признакам сигнала. Она принимает изображения и текст; заявлена работа с временными рядами ЭКГ, однако способ их подачи в карточке не уточнён. Архитектура — плотная LlavaLlamaForCausalLM на 6,6 млрд параметров; базовая длина контекста составляет 4096 токенов. Для работы используются Transformers и веса Safetensors. Модель может помогать специалистам разбирать ЭКГ и получать клинически ориентированное объяснение диагностических признаков. Карточка не приводит метрик качества или подробностей валидации, поэтому надёжность интерпретаций по этим данным оценить нельзя. Лицензия — Apache-2.0.

Gemma-4-E2B-IT-SFT-RLVR-Medical-GGUF — квантованная версия модели Gemma-4-E2B-it, дообученной Lukas Drews на наборе PubMedQA с применением supervised fine-tuning (SFT) и reinforcement learning with verifiable rewards (RLVR). Это текстовая causal language model примерно на 2 млрд параметров, предназначенная для генерации ответов на вопросы по медицине и биомедицине, включая сценарии клинического NLP, анализ научной литературы и ответы на вопросы в стиле PubMedQA. Указан английский язык; другие языки и поддержка мультимодальных входов не заявлены. Модель распространяется в формате GGUF и рассчитана на запуск через llama.cpp. Для доступного варианта Q4_K_M указаны результаты 71,80% на PubMedQA и 38,88% на MedQA-USMLE в режиме zero-shot transfer; более высокие варианты квантования показывают до 72,40% и 43,00% соответственно, а исходная не­квантованная модель — 73,10% и 43,05%. Квантование снижает требования к ресурсам, но может немного ухудшать качество, особенно при более агрессивных настройках. Размер контекста, точные требования к памяти и дополнительные ограничения медицинского применения в README не указаны. Лицензия — Apache-2.0.

Hulu-Med-235A22-i1-GGUF — это квантизированная версия мультимодальной медицинской модели Hulu-Med-235A22, разработанной ZJU-AI4H и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для работы с медицинскими задачами, в которых требуется анализ изображений, преобразование изображения в текст, понимание видео и интерпретация 3D-данных. Модель относится к vision-language моделям, построена на базе Qwen и поддерживает английский язык. README не содержит сведений о точном числе параметров, размере контекста, конкретных поддерживаемых форматах изображений и видео, а также о результатах тестирования качества. Доступны варианты квантования i1-IQ и i1-Q с размерами примерно от 48 до 193 ГБ; варианты различаются компромиссом между размером, скоростью и качеством, при этом i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Для работы с vision-возможностями могут потребоваться отдельные файлы mmproj из статического репозитория. Низкобитные варианты квантования экономят место, но могут заметно снижать качество; некоторые варианты в README прямо обозначены как низкокачественные. Модель распространяется под лицензией Apache-2.0.

Hulu-Med-30A3-i1-GGUF — квантизированная версия мультимодальной медицинской модели Hulu-Med-30A3, разработанной ZJU-AI4H и подготовленной в формате GGUF пользователем mradermacher. Модель относится к классу vision-language и предназначена для работы с медицинскими изображениями, преобразования изображений в текст, анализа видео и задач, связанных с трёхмерными данными. Модель поддерживает английский язык. В метаданных упоминается семейство Qwen и библиотека Transformers, однако точная архитектура, число параметров, размер контекстного окна и перечень поддерживаемых форматов входных данных не указаны. Для обработки визуальных данных могут потребоваться дополнительные файлы mmproj из статического репозитория модели. Основное преимущество этой версии — наличие большого набора вариантов квантизации GGUF с различным компромиссом между размером, скоростью и качеством, включая i1-Q4_K_M как рекомендуемый быстрый вариант и i1-Q4_K_S как вариант с оптимальным балансом. Более агрессивные варианты занимают меньше места, но могут заметно терять в качестве; README отдельно отмечает низкое качество некоторых конфигураций. Модель следует применять с учётом медицинской специфики и не рассматривать её ответы как замену профессиональной диагностике. Распространение указано под лицензией Apache 2.0.

tiborousset/JapMed-Linear — слитая методом Linear модель генерации текста на основе Llama 3. В неё объединены ContactDoctor/Bio-Medical-Llama-3-8B и lightblue/suzume-llama-3-8B-japanese с равными весами; README указывает mergekit и формат float16. Модель рассчитана на диалоговую генерацию ответов, сочетая биомедицинскую направленность первой модели с японской языковой специализацией второй. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов. Репозиторий распространяет веса в формате safetensors. Лицензия не указана в предоставленных данных.

aialt/LLaMA3-MI — плотная авторегрессионная языковая модель семейства Llama 3, предназначенная для генерации текста в диалоговом формате. В README репозиторий связан со статьёй MedINST: Meta Dataset of Biomedical Instructions, что указывает на применение модели к выполнению биомедицинских инструкций. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Репозиторий использует формат safetensors; в метаданных указаны поддержка чата и лицензия Llama 3. Карточка не раскрывает подробности обучения и результаты оценки качества, поэтому точный охват биомедицинских задач и надёжность ответов по ней определить нельзя.

GoodBaiBai88/M3D-LaMed-Llama-2-7B — мультимодальная модель для анализа трёхмерных медицинских изображений из проекта M3D. Семейство M3D-LaMed использует предварительно обученный визуальный энкодер M3D-CLIP и языковую модель Llama 2; этот вариант содержит 6,6 млрд параметров, поддерживает контекст до 4096 токенов и опубликован в формате safetensors. Модель предназначена для медицинского анализа 3D-изображений: генерации отчётов, ответов на визуальные вопросы, поиска по парам изображение–текст, позиционирования и сегментации. README сообщает, что в прежней версии были проблемы с сегментацией, которые разработчики планировали исправить в следующем выпуске, поэтому результаты этой задачи могут быть ненадёжны. В метаданных указан pipeline text-generation, тогда как описание проекта подтверждает мультимодальный медицинский сценарий. Модель распространяется по лицензии Apache-2.0.

M3D-LaMed-Phi-3-4B — мультимодальная медицинская модель, разработанная командой проекта M3D для анализа трёхмерных медицинских изображений. Она объединяет предварительно обученный на медицинских данных 3D-визуальный энкодер M3D-CLIP с языковой моделью Phi-3 и предназначена для генерации текстовых ответов по объёмным снимкам. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру LamedPhi3ForCausalLM, поддерживает контекст до 4096 токенов и распространяется под лицензией Apache-2.0. Модель подходит для составления описаний и отчётов по 3D-снимкам, визуальных вопросов и ответов, поиска и описания объектов, а также сегментации с текстовыми подсказками. Для стандартного входа объёмы изображений требуется предварительно привести к формату и размеру, описанным в руководстве проекта; команда отмечает, что обучение проводилось на 3D, а не на 2D изображениях. Репозиторий проекта указывает, что версия Phi-3-4B была выпущена после предварительного тестирования, а подробные эксперименты ещё проводились.

Medalpaca 13B — медицинская языковая модель, разработанная командой medalpaca на базе архитектуры LLaMA. В данном репозитории представлены её квантизированные файлы в формате GGUF, подготовленные TheBloke. Модель предназначена для генерации текста и обработки инструкций, прежде всего в медицинских сценариях: подготовки ответов на запросы, справочной работы и экспериментов с медицинскими текстами. Указан английский язык; поддерживается текстовый ввод и вывод. Модель содержит 13 млрд параметров и рассчитана на запуск через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, LM Studio, KoboldCpp и llama-cpp-python. Доступны варианты квантизации с разной разрядностью, что позволяет выбирать между требованиями к памяти, скоростью и сохранением качества. В README не указаны размер контекста, результаты оценивания, подробные данные обучения или подтверждённые клинические характеристики, поэтому ответы нельзя считать медицинской консультацией без дополнительной проверки. Лицензия обозначена как other, но её конкретные условия в предоставленных данных не раскрыты.

handy-computer/medasr-gguf — это GGUF-конверсия модели MedASR, разработанной Google, для офлайн-распознавания английской медицинской речи. Модель предназначена прежде всего для диктовки в радиологии, внутренней и семейной медицине, а также для преобразования медицинской речи в текст на локальном устройстве через transcribe.cpp. В основе лежит 17-слойный Conformer-энкодер с RoPE attention, macaron FFN и CTC-головой SentencePiece на 512 токенов. Используется жадное CTC-декодирование без языковой модели и beam search. Поддерживается английский язык; потоковое распознавание, перевод и автоматическое определение языка не поддерживаются, доступны токеновые временные метки. Модель поставляется в вариантах F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 83 до 421 МБ. Сильная сторона модели — специализация на медицинской диктовке и возможность офлайн-работы; на внутренних наборах RAD-DICT, GENERAL-DICT и FM-DICT заявлен WER 6,6–9,3%, однако эти данные нельзя независимо воспроизвести. На LibriSpeech test-clean WER составляет около 17,86–18,14%, поэтому модель не оптимальна для общей речи. Q8_0 рекомендуется как основной вариант, а Q5_K_M — как более компактная альтернатива; Q4_K_M демонстрирует заметное ухудшение качества. Использование регулируется лицензией Health AI Developer Foundations; условия опубликованы Google.

MedDr — мультимодальная медицинская vision-language модель, разработанная Sunan He и соавторами из SMART Lab Гонконгского университета науки и технологий. Она основана на дообученной OpenGVLab/InternVL-Chat-V1-2 и использует стратегию diagnosis-guided bootstrapping для построения обучающих данных с изображениями и диагностическими метками. Модель принимает медицинские изображения и текстовые вопросы, а отвечает текстом: поддерживает визуальные вопросы и ответы, генерацию медицинских заключений и диагностику изображений. MedDr предназначена для работы с рентгеновскими снимками, КТ и МРТ, гистологическими, дерматологическими и ретинографическими изображениями, а также эндоскопией. При выводе применяется поиск по медицинским данным для улучшения обобщения. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель может помогать в анализе медицинских изображений, однако README не приводит количественной оценки качества или подробных условий клинического применения.

nwachuks/MedEmbed-base-v0.1-finetuned — текстовая модель Sentence Transformer, дообученная на наборе примеров критериев соответствия медицинским исследованиям. Она преобразует предложения и абзацы в плотные векторы размерностью 384, нормализованные для сравнения по косинусному сходству. Основа — BERT; модель содержит около 40 млн параметров и обрабатывает до 512 токенов за последовательность. Модель предназначена для поиска семантически близких формулировок, сопоставления критериев включения и исключения с описаниями участников, поиска перефразировок, кластеризации и классификации текста. README приводит результаты TripletEvaluator на наборах ai-job-validation и ai-job-test, но эти метрики сами по себе не подтверждают качество на медицинских данных. Доступен формат safetensors; лицензия в предоставленных данных не указана.

Medical mT5 — многоязычная медицинская text-to-text-модель, разработанная Икером Гарсией-Ферреро и соавторами. Это дообученная на медицинских данных версия google/mt5-large с архитектурой encoder-decoder и 608,4 млн параметров. Модель предназначена для преобразования текста в медицинском контексте на английском, испанском, французском и итальянском языках. Её можно применять для генерации и преобразования медицинских текстов, а также как основу для задач обработки медицинского языка. В карточке также упомянуты отдельные варианты Medical mT5 для последовательной разметки, но данный репозиторий классифицирован как text-generation. Модель распространяется под лицензией Apache-2.0. Модель обучалась на медицинских данных и может наследовать ограничения и смещения этих данных. Она не заменяет проверку медицинских сведений специалистом; карточка отдельно отмечает важность защиты персональных данных.

Medical mT5-xl — многоязычная модель преобразования текста в текст для медицинской тематики, разработанная исследовательской группой авторов Medical mT5. Это модель кодировщик-декодировщик семейства mT5 на 1,9 млрд параметров, полученная продолжением обучения базовой модели google/mt5-xl на медицинских данных. Она предназначена для генерации и преобразования медицинских текстов на английском, испанском, французском и итальянском языках. Модель подходит для исследовательских и прикладных NLP-сценариев в медицине, включая генерацию и переформулирование текста, а также поддержку межъязыковой коммуникации. В репозитории указаны Transformers и формат PyTorch; длина контекста в доступных данных не приводится. Лицензия Apache-2.0. Модель не следует считать заменой профессиональной медицинской оценки; возможны ошибки и языковые или предметные смещения.

Карточка модели MBZUAI/MedMO-4B-Next на Hugging Face совпадает с карточкой MBZUAI/MedMO-8B-Next, поэтому описание составлено по ней. MedMO-8B-Next — мультимодальная медицинская модель семейства MedMO, разработанная MBZUAI для анализа изображений и ответов на вопросы о медицинских данных. Это плотная модель на 8 млрд параметров с архитектурой Qwen3-VL, доступная в формате Safetensors и рассчитанная на диалоговую работу с изображениями и текстом. Модель предназначена для медицинского визуального вопросно-ответного поиска, клинического обоснования, локализации объектов и подготовки описаний и отчётов по снимкам. В README заявлено обучение на более чем 26 млн медицинских примеров из 45 наборов данных и поддержка рентгеновских снимков, КТ, МРТ, ультразвуковых изображений, гистопатологии, микроскопии, снимков глазного дна и OCT. Карточка приводит результаты на наборах медицинских VQA и Text QA, однако предоставленная таблица неполна, поэтому обобщённые заявления о превосходстве следует воспринимать с учётом этой оговорки. Модель принимает изображение и текстовый запрос и формирует текстовый ответ; поддерживаемый языковой охват в доступных материалах не указан. Лицензия — Apache-2.0. Медицинские ответы модели не следует считать заменой профессиональной интерпретации снимков или клинического решения.

Карточка модели MBZUAI/MedMO-8B на Hugging Face совпадает с карточкой MBZUAI/MedMO-8B-Next, поэтому описание составлено по ней. MedMO-8B-Next — мультимодальная медицинская модель семейства MedMO, разработанная MBZUAI для анализа изображений и ответов на вопросы о медицинских данных. Это плотная модель на 8 млрд параметров с архитектурой Qwen3-VL, доступная в формате Safetensors и рассчитанная на диалоговую работу с изображениями и текстом. Модель предназначена для медицинского визуального вопросно-ответного поиска, клинического обоснования, локализации объектов и подготовки описаний и отчётов по снимкам. В README заявлено обучение на более чем 26 млн медицинских примеров из 45 наборов данных и поддержка рентгеновских снимков, КТ, МРТ, ультразвуковых изображений, гистопатологии, микроскопии, снимков глазного дна и OCT. Карточка приводит результаты на наборах медицинских VQA и Text QA, однако предоставленная таблица неполна, поэтому обобщённые заявления о превосходстве следует воспринимать с учётом этой оговорки. Модель принимает изображение и текстовый запрос и формирует текстовый ответ; поддерживаемый языковой охват в доступных материалах не указан. Лицензия — Apache-2.0. Медицинские ответы модели не следует считать заменой профессиональной интерпретации снимков или клинического решения.

UMCU/MedRoBERTa.nl_NegationDetection — модель на основе RoBERTa, дообученная Bram van Es и Sebastiaan Arends для выявления отрицания в нидерландских клинических текстах. Базовую MedRoBERTa.nl разработали Stella Verkijk и Piek Vossen; её предварительно обучали с нуля на почти 10 миллионах обезличенных больничных записей из электронных медицинских карт Amsterdam University Medical Centres. Модель предназначена для медицинской обработки текста на нидерландском языке, в частности для определения, отрицается ли медицинское понятие в клинической записи. При дообучении использовался корпус Erasmus Dutch Clinical Corpus. Модель имеет архитектуру RoBERTa для классификации токенов, содержит 153,2 млн параметров и поддерживает контекст до 514 токенов. Для определения отрицания применялись окна до 512 токенов вокруг понятия. Модель ориентирована на узкую задачу и медицинские тексты на нидерландском языке; качество на других языках и вне клинического домена не подтверждено. Распространяется по лицензии GPL-3.0.

EkaCare Parrotlet-a-en-5b — модель автоматического распознавания речи, разработанная EkaCare для транскрибации англоязычной речи в медицинской среде Индии. Она объединяет энкодер Whisper large-v3 и декодер MedGemma 4B через проектор и преобразует аудио в текст медицинских высказываний. Модель предназначена для транскрибации коротких аудиозаписей, например медицинских разговоров и диктовок. Для оптимальной работы README рекомендует аудио WAV или MP3 с частотой 16 кГц; размер чанка должен быть меньше 30 секунд. Репозиторий распространяется по лицензии MIT. Карточка описывает настройку для английской речи в медицинском контексте; результаты для других языков и длительных записей не заявлены.

Sepsistral-7B-v1.0 — медицинская языковая модель, созданная дообучением Mistral-7B-v0.1 авторами репозитория nicocolas. Модель обучали на наборах вопросов, ответов и контекста, сгенерированных GPT-3.5-turbo по более чем 10 000 аннотаций статей PubMed о сепсисе. Модель предназначена для ответов на медицинские экзаменационные вопросы, запросы о симптомах, причинах и лечении сепсиса, а также для поддержки дифференциальной диагностики и клинических исследований. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; она принимает текст и генерирует текст. В карточке сообщается о превосходстве над Mistral-7B-v0.1 на медицинских тестах авторов, но подробности оценки не приведены. Авторы предостерегают от применения модели в клинической практике без тщательной адаптации под сценарий и дополнительной проверки, включая рандомизированные контролируемые исследования в реальных условиях. Модель не предназначена для самостоятельного принятия решений, влияющих на пациентов. Лицензия — Apache-2.0.

Apollo-MoE-0.5B — медицинская языковая модель, разработанная FreedomIntelligence на основе Qwen2-0.5B. Это дообученная разреженная архитектура Mixture-of-Experts (MoE) с 494 млн параметров; модель предназначена для диалоговых ответов на медицинские вопросы и оценки знаний по медицинским дисциплинам. Модель охватывает английский, китайский, французский, хинди, испанский, арабский, русский, японский, корейский, немецкий, итальянский и португальский, а также ряд менее распространённых языков. В метаданных указан контекст до 131 072 токенов. Карточка описывает проверку на медицинских бенчмарках, включая MedQA, MedMCQA, MMLU-Medical и RuMedBench. Модель подходит для исследовательских и вспомогательных сценариев: ответы на медицинские вопросы и поддержка учебных задач. Результаты не следует считать медицинской рекомендацией или заменой специалиста; качество может различаться между языками и областями медицины. Распространяется по лицензии Apache-2.0.

BioBERTpt(all) — португалоязычная модель на архитектуре BERT, разработанная для клинических и биомедицинских текстов. Она инициализирована из BERT multilingual cased и обучена на клинических заметках и биомедицинской литературе на португальском языке. В репозитории указана версия с примерно 205,1 млн параметров и контекстом до 512 токенов. Модель предназначена для языкового моделирования в медицинском домене; метаданные Hugging Face указывают задачу заполнения пропусков в тексте. Её можно использовать как основу для анализа португальских клинических записей и биомедицинских публикаций, в том числе как компонент систем распознавания клинических сущностей. Доступны веса в форматах PyTorch, TensorFlow и Flax. Карточка ссылается на статью о BioBERTpt и оценке для распознавания клинических именованных сущностей. Лицензия в предоставленных данных не указана.

Shushant/biobert-v1.1-biomedicalQuestionAnswering — модель на архитектуре BERT, дообученная на базе dmis-lab/biobert-v1.1 для ответов на вопросы в биомедицинской области. Она содержит 135,5 млн параметров, принимает текстовый контекст и вопрос и извлекает ответ из контекста. Заявленная длина контекста — 512 токенов; модель доступна в формате PyTorch. Карточка сообщает о результате на оценочной выборке: loss 2,9009, но не приводит датасет, метрики качества или подробности обучения. Модель подходит для поиска ответов в биомедицинских текстах, однако её точность и переносимость на конкретные источники по имеющимся данным оценить нельзя. Лицензия в предоставленных сведениях не указана.

AdaptLLM/biomed-Qwen2.5-VL-3B-Instruct — мультимодальная модель для биомедицины, разработанная AdaptLLM на основе Qwen2.5-VL-3B-Instruct. Это плотная модель с архитектурой Qwen2.5-VL, примерно 3,1 млрд параметров и контекстом до 128 000 токенов; она принимает изображения и текст и формирует ответы на естественном языке в диалоге. Модель предназначена для вопросов и ответов по биомедицинским изображениям и другим визуальным материалам, а также для адаптации мультимодальных моделей к предметной области биомедицины. В README описано дообучение базовой модели на наборе AdaptLLM/biomed-visual-instructions в течение одной эпохи. Для корректного использования изображения следует помещать в начало инструкции; README также указывает на поддержку обработки видео в инструментарии базовой модели, но заявленная задача репозитория — image-text-to-text. Модель распространяется в формате safetensors и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют. Она предназначена для исследовательских и вспомогательных сценариев в биомедицине; ответы не следует считать клиническими рекомендациями без независимой проверки.

BioMistral-7B-GGUF — это набор файлов модели в формате GGUF, подготовленный MaziyarPanahi на основе BioMistral/BioMistral-7B, разработанной командой BioMistral. Модель предназначена для генерации текста и диалоговых сценариев в биомедицинском и биологическом контексте, включая работу с научными и медицинскими текстами. В качестве исходных данных упоминается набор PubMed, однако подробности обучения и результаты оценки в карточке не приведены. Модель содержит около 7 млрд параметров и распространяется в вариантах квантования от 2 до 8 бит, включая форматы Q2_K, Q3_K, Q4_K, Q5_K и Q6_K. GGUF ориентирован на локальный запуск через llama.cpp и совместимые приложения и библиотеки, в том числе text-generation-webui, LM Studio, GPT4All и llama-cpp-python, с возможностью использования GPU-ускорения. В метаданных указана поддержка английского, французского, немецкого, нидерландского, испанского, португальского, польского, румынского и итальянского языков; модальность — текстовая. Размер контекста и точная архитектура в README не указаны. К преимуществам относятся различные уровни квантования, позволяющие выбирать между качеством и требованиями к памяти, а также удобство локального развёртывания. Ограничения включают возможное снижение качества при сильном квантовании и отсутствие в карточке сведений о точности, надёжности медицинских ответов и специализированных ограничениях применения. Для модели указана лицензия Apache-2.0.

Модель ShadNygren/BioTechFineTuneTest-DrugAdverseEffects-SIDERv1 разработана ShadNygren и представляет собой дообученную плотную Llama-модель на 7,5 млрд параметров для генерации текста. Она предназначена для англоязычных ответов на медицинские вопросы, с заявленным в названии фокусом на побочных эффектах лекарств. Модель принимает текст и генерирует текст; контекст составляет до 8192 токенов. В карточке указано, что модель дообучена на ShadNygren/BioTechFineTuneTest-DrugAdverseEffects с использованием Unsloth и библиотеки TRL. Весы опубликованы в формате safetensors. Лицензия — Apache-2.0. README не сообщает результаты оценки качества и конкретные ограничения медицинского применения; ответы не следует считать подтверждённой медицинской рекомендацией.

PlanTL-GOB-ES разработала испаноязычную биомедицинскую языковую модель на архитектуре RoBERTa для клинических и медицинских текстов. Это предобученная модель заполнения масок: она предсказывает скрытые фрагменты текста и предназначена для дальнейшей настройки под прикладные задачи, например распознавание именованных сущностей и классификацию текстов. Модель содержит 151,8 млн параметров, использует токенизацию BPE с словарём из 52 000 токенов и принимает последовательности длиной до 514 токенов. Для предобучения использован испанский корпус объёмом более миллиарда токенов, включающий биомедицинские материалы и клинические документы. В README описана оценка на задачах распознавания лекарств и химических веществ, опухолевой морфологии и клинических переменных. Модель ориентирована на испанский язык и медицинскую область. Карточка указывает, что готовый сценарий использования — заполнение масок, а для других задач требуется дообучение. Авторы не оценивали систематически смещения; обучающие данные собраны из нескольких веб-источников и клинических текстов. Лицензия — Apache-2.0.

AmberYifan/capsd-medicine-dedup-marin-8b-base-medicine_ppl_b2000_s0 — дообученная модель семейства Llama на основе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат весов safetensors. Модель предназначена для генерации текста и поддерживает чатовый сценарий; контекстное окно — 4096 токенов. Модель дообучена на наборе capsd_marin-8b-base-n80000-medicine-dedup80k__mix_medicine_ppl_b2000_s0, связанном с медицинскими данными. Это указывает на медицинскую специализацию обучения, но README не описывает конкретные клинические задачи или результаты оценки. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория.

DT4H/CardioBERTa.es_GP_translations_only — испаноязычный биомедицинский энкодер терминологии, разработанный командой DT4H на базе CardioBERTa.es. Модель семейства RoBERTa преобразует клинические термины и текст в векторные представления для нормализации понятий и связывания упоминаний с концептами UMLS. Она содержит 153,2 млн параметров, принимает текстовые последовательности длиной до 514 токенов и распространяется в формате safetensors. Модель дообучена на 4 701 649 триплетах терминов, охватывающих 476 968 CUI и 530 009 уникальных нормализованных терминов. В обучении использованы связи с родительскими и родительскими на уровень выше понятиями; сбор терминов относится к варианту translations_only. Модель предназначена для поиска кандидатов, построения терминологических эмбеддингов и клинических NLP-конвейеров, особенно в кардиологии. Обучающие терминологические данные не включены в репозиторий из-за условий лицензирования UMLS. Лицензия самой модели в доступных данных не приведена.