IV.4Клиническая медицина и общественное здоровье

Healthcare Brain Laboratory NER — модель распознавания именованных сущностей, разработанная Genzeon Platforms для извлечения результатов лабораторных исследований из неструктурированных клинических текстов. Она построена на Bio_ClinicalBERT и дообучена для классификации токенов с BIO-разметкой; архитектура — BertForTokenClassification, размер — 135,5 млн параметров, максимальный контекст — 512 токенов. Модель размечает 10 категорий сущностей, включая названия анализов, значения, единицы измерения, референсные диапазоны и признаки отклонений; числовое извлечение дополняется правилами. Модель предназначена для разбора лабораторных отчётов, медицинских записей и выписок, выявления критически отклонённых показателей, структурирования результатов для анализа динамики и поддержки сопоставления с LOINC. В карточке указаны синтетические клинические данные, MIMIC-III и i2b2 2010 среди обучающих источников. Модель рассчитана на англоязычные клинические и биомедицинские тексты. Распространяется по лицензии Apache-2.0.

HuatuoGPT-o1-72B — медицинская языковая модель для сложных рассуждений и ответов на медицинские вопросы, разработанная командой FreedomIntelligence. Это плотная авторегрессионная модель семейства Qwen2, дообученная на основе Qwen/Qwen2.5-72B-Instruct на наборах медицинских рассуждений и проверяемых задач. Модель содержит 71,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель генерирует рассуждение перед итоговым ответом и предназначена для диалогов и решения медицинских задач. В метаданных указаны английский и китайский языки; карточка подтверждает их для вариантов семейства, но не уточняет языки именно этой версии. Распространяется в формате Safetensors по лицензии Apache-2.0. Большой размер требует значительных вычислительных ресурсов; ответы модели не заменяют профессиональную медицинскую оценку.

Hulu-Med-7B — медицинская мультимодальная модель с открытыми весами, разработанная авторами проекта Hulu-Med. Она построена на базе Qwen2.5-7B и предназначена для совместного анализа медицинского текста, изображений и видео, включая 2D- и 3D-данные. По метаданным, модель содержит 7,1 млрд параметров, использует архитектуру HulumedQwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель рассчитана на ответы на вопросы по медицинским изображениям, генерацию медицинских отчётов, клинический диалог, медицинские рассуждения, распознавание хирургических этапов и диагностические сценарии. Разработчики сообщают об обучении на публичных данных и оценке на медицинских бенчмарках; корпус охватывает 12 анатомических систем и 14 методов медицинской визуализации. Для запуска предусмотрена интеграция с Transformers. Веса опубликованы под лицензией Apache 2.0. Модель предназначена для медицинских задач, однако README не приводит клинических гарантий или подтверждения пригодности для принятия медицинских решений; выводы следует проверять специалистом.

Med-LLaMA3.1-8B — это медицинская версия языковой модели Llama 3.1-8B Instruct, разработанная Mohamed Ahmed и представленная как часть семейства Med-LLaMA3. Модель дообучена методом QLoRA на медицинских инструкционных данных, после чего веса адаптера объединены с базовой моделью; она загружается как самостоятельный чекпойнт Transformers. Архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — до 131 072 токенов. Модель предназначена для ответов на медицинские вопросы, поиска клинических сведений, поддержки клинических решений, извлечения медицинских сущностей, помощи с документацией и обобщения медицинской литературы. Карточка сообщает о среднем результате 75,71% на восьми медицинских поднаборах MMLU и о сравнительном исследовании с другой моделью на 8 млрд параметров. Основной язык карточки и оценивания — английский; качество для других языков не подтверждено. Модель может уверенно выдавать неверные сведения, чрезмерно разворачивать ответы и ошибаться при неоднозначных медицинских сокращениях; в экспертной проверке 100 генераций критические ошибки обнаружены в 6% случаев. Она не предназначена для автономной диагностики, лечения или назначения препаратов и требует проверки квалифицированным медицинским специалистом. Лицензия — Llama 3.1; при использовании следует соблюдать её условия и требования к защите медицинских данных.

RareSeek-R1 — специализированная языковая модель TaoMedAI для рассуждений о диагностике редких заболеваний и клинических сценариях. Согласно карточке, модель обучена поэтапно: сначала на медицинском корпусе RareMed-Corpus, включающем учебники, руководства, биомедицинскую литературу и записи электронных медицинских карт, затем дообучена на RareMed-CoT для пошагового клинического рассуждения. Это дообученная диалоговая модель на базе deepseek-ai/DeepSeek-R1-Distill-Llama-70B; формат весов — safetensors, библиотека — Transformers. Метаданные указывают поддержку английского и китайского языков. Модель предназначена для поддержки клинического анализа и исследовательской работы, а не для самостоятельного принятия медицинских решений. Указанная лицензия — AFL-3.0.

TenaOS — адаптер LoRA и связанные объединённые артефакты для Gemma 4 E4B Instruct, разработанные для локальной клинической информационной системы TenaOS. Модель генерирует текст в клинических рабочих процессах первичной медицинской помощи; задачи маршрутизируются явными тегами, включая построение форм и рабочих процессов, планирование отчётов, клиническую документацию по тексту и голосу, а также другие клинические сценарии из обучающих данных. Пакет предназначен для работы с локальным рантаймом llama.cpp и OpenMRS. Адаптер обучен методом BF16 LoRA на синтетических многошаговых трассах клинических рабочих процессов; опубликованные артефакты включают LoRA в safetensors и объединённые веса GGUF. Базовая Gemma 4 E4B Instruct мультимодальна, однако область адаптера — текстовый декодер, а README не подтверждает качество адаптера для аудио или изображений. Основной язык карточки — английский. Модель предлагает черновики, которые должны быть обоснованы локальными базами знаний, проверены детерминированным промежуточным ПО и рассмотрены клиницистом до внесения в OpenMRS. Лицензия — Gemma.

Medical-ner-proj/bert-medical-ner-proj — модель распознавания именованных сущностей в медицинских документах, созданная дообучением BERT. Она предназначена для выделения медицинских сущностей из текста, например сведений о заболеваниях, лекарствах, аллергиях, операциях, симптомах и результатах осмотра. Модель использует архитектуру BERT для классификации токенов, содержит 136,7 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель подходит для извлечения клинических сведений из медицинских записей и структурирования текста для последующего поиска или анализа. Карточка демонстрирует примеры на английском языке; поддержка других языков не подтверждена. Репозиторий содержит веса PyTorch, лицензия — OpenRAIL. В карточке не приведены метрики качества и подробная схема классов сущностей.

Clinical-BR-LlaMA-2-7B — языковая модель на 6,6 млрд параметров, разработанная проектом MED-LLM-BR при участии HAILab и Comsentimento. Она дообучена на базе meta-llama/Llama-2-7b для генерации клинических записей на португальском языке, с учётом медицинской терминологии и практики документирования в Бразилии. При дообучении применялась LoRA с 16-битной точностью и адаптацией проекций q_proj и v_proj. Модель принимает текст и генерирует текст; размер контекста — 4096 токенов. Для обучения использовались клинические тексты из бразильских больниц, записи о госпитализации и медицинские публикации на европейском португальском языке. Модель предназначена для поддержки медицинских специалистов при подготовке клинической документации. Сгенерированные записи требуют проверки специалистом и не заменяют медицинское решение. Лицензия — Apache-2.0.

ClinicalDistilBERT-i2b2-2010 — компактная модель на основе DistilBERT, дообученная на наборе данных i2b2-2010 для распознавания именованных сущностей в клинических текстах. Она выделяет три категории: проблемы со здоровьем, методы лечения и медицинские тесты. Модель разработана на базе ClinicalDistilBERT. Архитектура включает 6 слоёв Transformer, скрытое измерение и размер эмбеддингов 768, словарь из 28 996 токенов и около 65 млн параметров. Модель принимает текст и возвращает метки для его токенов; максимальная длина контекста — 512 токенов. Подходит для извлечения клинических сущностей из медицинских записей. README не сообщает результаты оценки качества или дополнительные ограничения. Лицензия — MIT.

GLiNER-BioMed — модель GLiNER, дообученная Mujtaba Hussain на 75 491 клиническом упоминании сущностей из текстов электронных медицинских карт. Она предназначена для извлечения клинических сущностей с открытым набором меток и в режиме zero-shot, в том числе по категориям, связанным с таксономией SNOMED CT. Модель распознаёт заболевания, клинические признаки, процедуры, анатомические структуры, лекарства и диагностические измерения; в карточке также описана интеграция с извлечением отношений между сущностями. В README приведены результаты проверки на размеченных клинических данных: полнота 86,52%, точность 69,26% и Macro-IoU 0,8412. Указана работа на CPU с параллелизмом AVX2 и ориентировочная задержка около 120 мс на клиническую запись. Это специализированная модель для клинического NLP, а не система для постановки диагноза; точность зависит от данных и разметки. Репозиторий распространяется по лицензии Apache 2.0.

MedEmbed-base-v0.1 — англоязычная модель эмбеддингов для медицинских и клинических текстов, созданная дообучением BAAI/bge-base-en-v1.5 на медицинских данных. Это плотная модель на архитектуре BERT с 136,7 млн параметров; она принимает текст и формирует векторные представления для семантического поиска, сравнения предложений и поиска документов для систем ответов на вопросы. Максимальная длина контекста — 512 токенов. Модель предназначена для поиска медицинской литературы, клинической информации и ответов на медицинские вопросы. Для обучения использовались синтетические пары запросов и ответов, подготовленные на основе клинических заметок PubMed Central, а также контрастивное обучение с трудными негативными примерами. В README заявлено превосходство над универсальными эмбеддинг-моделями на медицинских и информационно-поисковых бенчмарках, включая MedicalQARetrieval, NFCorpus, PublicHealthQA и TRECCOVID. Модель специализирована на медицинской тематике и может хуже работать в других областях. Её следует использовать как вспомогательный инструмент, а не для замены медицинских специалистов при принятии решений. Лицензия — Apache 2.0.

unsloth/medgemma-1.5-4b-it-GGUF — это GGUF-версия мультимодальной instruction-tuned модели MedGemma 1.5 4B, разработанной Google на базе Gemma 3. Модель предназначена для медицинских приложений, связанных с пониманием текста и изображений, а также распространяется в формате Unsloth Dynamic 2.0 GGUF. Модель поддерживает анализ медицинских текстов и изображений, включая двумерные и трёхмерные данные CT и MRI, рентгенограммы грудной клетки, гистопатологические whole-slide изображения, дерматологические и офтальмологические изображения. Она также может сравнивать рентгенограммы во времени, локализовать анатомические особенности на снимках с помощью ограничивающих рамок, извлекать структурированные значения и единицы из лабораторных отчётов и интерпретировать текстовые данные EHR. В архитектуре используется предварительно обученный на обезличенных медицинских данных визуальный энкодер SigLIP и языковой компонент размером 4B. Сильными сторонами являются специализация на медицинской предметной области, поддержка широкого спектра модальностей и сценариев, улучшенное медицинское текстовое рассуждение и некоторое повышение качества стандартной интерпретации 2D-изображений по сравнению с MedGemma 1 4B. Модель не оценивалась и не оптимизировалась для многоходовых диалогов, может быть особенно чувствительна к формулировке запроса, а для конкретных задач рекомендуется дообучение. Языки и размер контекстного окна в предоставленных данных не указаны. Использование регулируется условиями Health AI Developer Foundations. Для доступа на Hugging Face требуется ознакомиться и согласиться с этими условиями.

MedPsy-4B-GGUF — текстовая медицинская языковая модель, разработанная Tether AI Research. Это GGUF-версия базовой модели MedPsy-4B, построенной на backbone Qwen3-4B-Thinking-2507. Модель предназначена для генерации текста на английском языке и ориентирована на медицинские, клинические и healthcare-сценарии, включая локальное и периферийное развертывание без передачи данных во внешние облачные сервисы. Модель представляет собой decoder-only transformer с примерно 4 млрд параметров и поддерживает только текстовую модальность. Распространяется в формате GGUF для запуска через llama.cpp и QVAC SDK. Доступны исходный BF16-вариант размером около 8,83 ГБ и семь квантованных вариантов от Q8_0 до IQ3_XXS размером примерно от 4,69 до 1,84 ГБ. Квантование позволяет запускать модель на рабочих станциях, ноутбуках и производительных мобильных устройствах; для вариантов менее 8 бит применялась importance-matrix калибровка, снижающая потерю качества. Сильными сторонами являются медицинская специализация, возможность полностью локального инференса и широкий выбор компромиссов между качеством, размером и требованиями к памяти. Q8_0 обеспечивает качество, близкое к BF16, а Q4_K_M рекомендован как сбалансированный вариант для большинства пользователей. При уменьшении разрядности качество снижается, особенно у IQ3_XXS, который не рекомендуется. Размер контекста и другие эксплуатационные характеристики в представленных данных не указаны. Лицензия — Apache 2.0.

Карточка модели winninghealth/WiNGPT2-7B-Base на Hugging Face совпадает с карточкой winninghealth/WiNGPT2-7B-Chat, поэтому описание составлено по ней. WiNGPT2-7B-Chat 是卫宁健康研发的中文医疗领域对话大语言模型，面向医疗问答、诊疗辅助和医学信息服务。模型基于 Qwen-7B 预训练，并经过医疗语料继续预训练和指令微调；采用 Transformer 架构、RoPE、SwiGLU 和 RMSNorm。仓库元数据显示模型含 11.4 млрд параметров и поддерживает контекст до 8192 токенов; для Chat-варианта в README указан предел обучения 4096 токенов. Модель принимает текст и генерирует текст, поддерживает многоходовый диалог на китайском языке и медицинские сценарии, включая ответы о симптомах, лечении, лекарствах, профилактике и обследованиях, а также извлечение и классификацию сведений из медицинских текстов. README описывает специализацию на медицинских знаниях и сообщает о поддержке 32 задач и восьми медицинских сценариев. Ответы могут содержать ошибки и не заменяют профессиональную диагностику или лечение. Проект распространяется по Apache License 2.0; веса также должны соответствовать условиям лицензии базовой модели Qwen-7B.

AlpaCare-LLaMA-13B — языковая модель семейства LLaMA с 12,9 млрд параметров, дообученная на медицинских инструкциях. Она предназначена для генерации ответов на запросы в медицинских сценариях. Модель принимает текст и генерирует текст; заявленный контекст — 2048 токенов. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование.

Abdulkader/autotrain-medical-reports-summarizer-2484176581 — модель суммаризации, обученная с помощью AutoTrain на наборе Abdulkader/autotrain-data-medical-reports-summarizer. Она предназначена для создания кратких изложений медицинских отчётов. Модель построена на архитектуре T5ForConditionalGeneration, содержит 123,8 млн параметров и имеет контекст длиной 512 токенов. В карточке приведены метрики проверки: ROUGE-1 44,555, ROUGE-2 34,430, ROUGE-L 44,168 и ROUGE-Lsum 43,895. Модель опубликована в формате PyTorch под лицензией, указанной в метаданных Hugging Face. Языки, на которых она обучена, в карточке не определены.

Baichuan-M2-32B — медицинская языковая модель Baichuan AI для рассуждений о здоровье, клинических сценариев и общения с пациентами. Репозиторий AIArchiveInfo является побитовой копией Baichuan AI; модель основана на Qwen2.5-32B и дообучена для медицинской области. Это плотная трансформерная модель Qwen2 с 32 млрд параметров и контекстом до 131 072 токенов, принимающая и генерирующая текст. В README описаны адаптация на медицинских данных, многоэтапное обучение с подкреплением и система проверки ответов с симуляторами пациентов. Модель предназначена для медицинского образования, консультаций по вопросам здоровья и поддержки клинических решений; также сохраняет общие возможности генерации текста и поддерживает интерфейс вызова инструментов. В карточке указаны английский и китайский языки. По заявлению авторов, модель показала высокие результаты в HealthBench и общих тестах, однако эти показатели приведены авторами и не гарантируют качество в реальных клинических случаях. Использовать её следует при участии медицинских специалистов: она не заменяет диагноз или лечение. Лицензия — Apache-2.0.

Baichuan-M3-235B — медицинская языковая модель Baichuan AI, дообученная на базе Qwen/Qwen3-235B-A22B. Она предназначена для медицинских консультаций, обучения и поддержки клинических решений: модель ведёт сбор анамнеза, выстраивает диагностические рассуждения и помогает выбирать лабораторные исследования. В карточке заявлены архитектура Qwen3 MoE, 18,2 млрд параметров и контекст до 40 960 токенов; модель принимает и генерирует текст, поддерживает английский и китайский языки. Для обучения применялись поэтапное подкрепление клинических процессов и проверка медицинских утверждений на фактическую достоверность. Модель доступна в формате safetensors, а для развёртывания README указывает SGLang и vLLM. Baichuan AI сообщает о результатах на HealthBench и SCAN-bench, однако эти заявления приведены в карточке модели и сами по себе не гарантируют качество в конкретной клинической среде. Лицензия — Apache-2.0. Модель предназначена для исследовательского и справочного применения и не заменяет профессиональную диагностику или лечение; README рекомендует использовать её под руководством медицинских специалистов.

BIOMed_NER — модель распознавания и классификации именованных сущностей в биомедицинском и клиническом тексте. Она разработана на основе DeBERTa-v3-base и дообучена для выделения заболеваний, процедур, лекарств, анатомических терминов и других медицинских сущностей. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v2 для классификации токенов и принимает текстовые фрагменты длиной до 512 токенов. Модель подходит для извлечения структурированных медицинских сведений из клинических записей и подготовки данных для последующего анализа или биомедицинских исследований. Она возвращает найденные фрагменты, типы сущностей, оценки уверенности и позиции в исходном тексте. Карточка описывает работу с английским языком; конкретные метрики качества и лицензия не приведены.

Clinical-BR-Mistral-7B-v0.2 — языковая модель, разработанная в рамках совместного проекта HAILab и Comsentimento для генерации клинических записей на португальском языке. Она предназначена для помощи медицинским специалистам при составлении клинической документации. Модель основана на Mistral-7B-v0.3 и дообучена на клинических текстах из бразильских больниц, записей о госпитализации и медицинских публикаций по неврологии. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. При дообучении применялся LoRA в 16-битной точности для проекций q_proj и v_proj; веса опубликованы в формате safetensors. Модель рассчитана на португальский язык, в том числе медицинскую лексику и клинический стиль. Модель может ускорить подготовку клинических записей, однако описание не приводит количественных оценок качества. Сгенерированный текст требует проверки медицинским специалистом. Лицензия — Apache-2.0.

en_core_med7_lg — англоязычная модель для spaCy, разработанная авторами Med7: Andrey Kormilitzin, Nemanja Vaci, Qiang Liu и Alejo Nevado-Holgado. Это крупная pipeline-модель без Transformer-бэкенда, предназначенная для распознавания сущностей, связанных с лекарственными назначениями, в клинических текстах и электронных медицинских записях. Модель извлекает семь типов сущностей: DRUG, STRENGTH, DOSAGE, DURATION, FREQUENCY, FORM и ROUTE. Она поддерживает английский язык, использует большие векторные представления и относится к задачам token classification и medication NER. Версия 1.1.0 переобучена и упакована для Python 3.12.13 и spaCy 3.8.14; для работы не требуются spacy-transformers, transformers, tokenizers или torch. В README не указаны размер модели, максимальная длина контекста и дополнительные модальности. Сильными сторонами являются специализация на клинической информации о лекарствах, выделение основных параметров назначения и отсутствие необходимости в ресурсоёмком Transformer-стеке. На закрытой отложенной выборке Med7 указаны F1 0,889, precision 0,880 и recall 0,898. Ограничения включают поддержку только английского языка, зависимость качества от клинического домена и отсутствие сведений о работе с другими типами текстов или модальностями. Модель распространяется по лицензии MIT.

HUMADEX разработала эту модель для извлечения медицинских сущностей из клинических текстов на немецком языке. Она выделяет заболевания, симптомы и другие состояния (PROBLEM), диагностические процедуры и лабораторные анализы (TEST), а также лекарства, терапию и другие медицинские вмешательства (TREATMENT). Модель подходит для анализа клинических данных и исследований по обработке медицинских текстов. Это дообученная на медицинских данных BERT-модель с архитектурой BertForTokenClassification и 135,5 млн параметров. Она принимает текст, возвращает метки сущностей для токенов и поддерживает контекст до 512 токенов. В README приведены F1 0,787, точность 0,789 и полнота 0,785. Обучение включало размеченные клинические данные и переводы английских медицинских текстов на немецкий; лицензия — Apache-2.0.

Healthcare Brain Diagnosis ICD NER — модель Genzeon Platforms для извлечения диагнозов и связанных с ними сущностей из клинических текстов. Это BERT-модель токен-классификации на основе PubMedBERT с BIO-разметкой; она содержит 136,7 млн параметров и рассчитана на контекст до 512 токенов. Модель распознаёт девять категорий сущностей, включая основные и сопутствующие диагнозы, осложнения и статус диагноза. Модель предназначена для структурирования выписок, клинических записей и других медицинских текстов, а также для поддержки медицинского кодирования и клинических исследований. В описанном двухэтапном процессе SapBERT связывает извлечённые упоминания с кодами ICD-10 и SNOMED; для этого нужен предварительно подготовленный индекс кодов. Модель оптимизирована для английских клинических и биомедицинских текстов. По README, обучение преимущественно использовало синтетические данные, поэтому качество на разнообразной реальной документации может отличаться; неоднозначные записи также могут затруднять категоризацию диагнозов. Для клинических и кодировочных решений рекомендуется проверка специалистом. Лицензия — Apache-2.0.

unsloth/medgemma-27b-text-it-GGUF — GGUF-версия MedGemma 27B, разработанная Google и подготовленная Unsloth. Модель основана на Gemma 3, обучена исключительно на медицинских текстах и доступна только в instruction-tuned варианте. Это текстовая модель без поддержки изображений; сведения о языках и размере контекстного окна в карточке не указаны. Модель предназначена для медицинского понимания и генерации текста, включая клиническое рассуждение, ответы на вопросы и создание приложений для сферы здравоохранения. Она оптимизирована для вычислений во время вывода и может использоваться как основа для специализированных медицинских решений или последующего дообучения. Карточка также указывает на возможность локального запуска и на применение Unsloth Dynamic 2.0 для квантованной версии, однако точный формат квантования и требования к ресурсам не приведены. Сильные стороны модели — специализация на медицинских текстах, instruction tuning и ориентация на клинически значимые задачи. Ограничения включают текстовый режим работы, отсутствие гарантии клинической точности и необходимость дополнительной проверки результатов перед использованием в реальных медицинских сценариях. Модель следует применять с учетом условий Health AI Developer Foundations; доступ на Hugging Face требует принятия соответствующих условий использования.

MedWhisper Large ITA — модель автоматического распознавания речи, разработанная командой ReportAId и дообученная с помощью LoRA на базе openai/whisper-large-v3-turbo. Она предназначена для транскрибации италоязычных медицинских аудиозаписей, особенно амбулаторных консультаций со специализированной терминологией, сокращениями и устойчивыми выражениями. Архитектура — Whisper, около 905,2 млн параметров; модель принимает аудио и выдаёт текст на итальянском языке. По заявленным результатам на отложенном клиническом тестовом наборе модель снизила WER с 7,9% у базовой модели до 4,5%; наиболее заметное улучшение отмечено для медицинской терминологии. README также сообщает о работе на CPU со скоростью около 0,5–0,7 от длительности аудио при использовании Faster-Whisper. Эти оценки относятся к описанным тестам и не гарантируют такую же точность на других данных. Для модели указана лицензия AGPL-3.0; обучающие данные являются проприетарными, а авторы позиционируют выпуск для исследований и экспериментов.

Qwen3-0.6B-Treatment — дообученная модель Qwen3-0.6B, созданная для планирования лечения по клиническим диагнозам. Разработчик выполнил полное дообучение в формате bf16 на наборе инструкций Treatment-Instructions; модель использует плотную архитектуру Qwen3ForCausalLM и поддерживает генерацию текста и диалоговый режим. Контекст модели — до 40 960 токенов. Модель предназначена для интерпретации клинических диагнозов и составления структурированных планов лечения с пояснениями. В описанной оценке сходство планов с ответами DeepSeek V3-0324 составило 59,69%, а связность рассуждений оценили медицинские эксперты. Это результат на отдельной валидационной выборке, поэтому он не гарантирует точность для других случаев. Модель лицензирована по Apache 2.0.

Qwen-UMLS-7B-Instruct — инструктивная языковая модель для медицинских и связанных со здравоохранением задач, созданная дообучением Qwen/Qwen2.5-7B-Instruct на наборе данных UMLS. Это плотная архитектура Qwen2 с 7,1 млрд параметров; модель работает через Transformers, принимает текстовые запросы и генерирует текстовые ответы. Контекст составляет до 32 768 токенов. Карточка заявляет поддержку анализа клинических записей и медицинских публикаций, ответов на вопросы и объяснения терминов для обучения пациентов и специалистов. Модель предназначена для включения в медицинские информационные и исследовательские приложения, например для подготовки черновых объяснений или анализа текста. Ответы могут содержать ошибки и не должны служить самостоятельным основанием для диагностики или выбора лечения. Модель ориентирована на английский язык. Лицензия — CreativeML Open RAIL-M.

RecurvAI разработала Recurv-Medical-Deepseek-R1 — дообученную медицинскую языковую модель на базе DeepSeek-R1 Distill Llama 8B. Это плотная модель архитектуры Llama с 7,5 млрд параметров, контекстом до 131 072 токенов и поддержкой многоходового диалога. Она предназначена для ответов на медицинские вопросы, сбора анамнеза и подготовки подробных объяснений для специалистов здравоохранения и исследователей. В README указано, что обучение охватывало 67 299 пар вопросов и ответов, составленных на основе учебников, научных публикаций, клинических рекомендаций и синтетических данных для сценариев сбора анамнеза. Модель работает с текстом и ориентирована на английский язык. Метаданные указывают задачу генерации текста, библиотеку PyTorch и интерфейсы чата и вызова инструментов. Заявленная лицензия — MIT. Модель может помогать в клинических и исследовательских рабочих процессах, однако ответы требуют проверки квалифицированным специалистом; карточка не приводит результатов клинической валидации.

Redflag Detection V4.1 — медицинская модель на основе Qwen2.5-7B-Instruct, дообученная ningpy для извлечения медицинских тревожных признаков по 65 правилам. Это плотная авторегрессионная модель с 7,1 млрд параметров и контекстом до 32 768 токенов; она принимает текст и формирует текстовый ответ. Модель предназначена для выявления потенциально неотложных состояний, включая хирургические и акушерские экстренные случаи, с обработкой сведений о поле и возрасте пациента. В README приведены результаты проверки на валидационной выборке из 269 примеров: точность полного совпадения 87,0%, precision 0,901 и recall 0,786; для режима clinical-fair указаны precision 0,753, recall 0,853 и F1 0,800. Для работы автор указывает использование вместе с V20e rule engine, содержащим 65 скомпилированных правил. Модель поддерживает английский, китайский и малайский языки. Распространяется по лицензии Apache-2.0.

BioLORD-2023-C — модель FremyCompany для получения семантических векторных представлений клинических предложений и биомедицинских понятий. Она основана на sentence-transformers/all-mpnet-base-v2 и дообучена на BioLORD-Dataset и определениях из Automatic Glossary of Clinical Terminology (AGCT), с контрастивным обучением. Модель содержит 136,7 млн параметров, строит 768-мерные плотные эмбеддинги и принимает фразы и предложения в одном пространстве представлений; максимальная длина контекста — 514 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов, кластеризации и задач связывания упоминаний с биомедицинскими понятиями. Опора на определения и описания из биомедицинских онтологий помогает учитывать смысл и иерархические связи понятий. Она сохраняет пригодность для общих текстов, но наиболее полезна для медицинских документов, например записей EHR и клинических заметок. Карточка указывает лицензию «other», без уточнения её условий.