IV.4Клиническая медицина и общественное здоровье

CODER — многоязычная модель представления медицинских терминов, разработанная Zheng Yuan, Zhengyun Zhao, Haixia Sun, Jiao Li, Fei Wang и Sheng Yu. Она предназначена для нормализации медицинских терминов и сопоставления эквивалентных понятий на разных языках. Подход объединяет знания из медицинского графа знаний с контрастивным обучением, чтобы формировать эмбеддинги терминов. Модель построена на архитектуре BERT и содержит около 205,1 млн параметров. Она принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов. В карточке заявлена поддержка английского языка и указана многоязычная версия, но полный перечень языков не приведён. Модель распространяется под лицензией Apache-2.0.

CXR LLaVA v2 — мультимодальная модель ECOFRI для работы с рентгеновскими снимками грудной клетки. Она предназначена для генерации радиологических заключений по снимкам. Версия 2.0 использует визуальный энкодер ViT-L/16 и языковую модель Llama 2 7B Chat; на вход подаются изображения в градациях серого с разрешением 512 × 512. В метаданных задача указана как извлечение признаков. Модель представлена в форматах PyTorch и Safetensors и распространяется по лицензии CC BY-NC 4.0. README не описывает языки генерации, длину контекста или ограничения точности, поэтому их нельзя уточнить по доступным данным.

DoctorAgent-RL-SFT-1k-Thinking — англоязычная диалоговая модель для клинических консультаций, созданная на базе Qwen2.5-7B-Instruct и дообученная для медицинских сценариев. Карточка описывает подход DoctorAgent-RL: агент-врач задаёт пациенту уточняющие вопросы в нескольких ходах, адаптируя стратегию сбора информации, а агент-оценщик оценивает ход консультации. Модель рассчитана на диалоговое диагностическое рассуждение и формирование итоговых диагностических предположений. Модель имеет плотную архитектуру Qwen2, 7,1 млрд параметров и контекст до 32 768 токенов; репозиторий использует safetensors и библиотеку Transformers. Карточка сообщает об английском наборе MTMedDialog и заявляет улучшение многоходового рассуждения и диагностической точности в экспериментах. Лицензия — Apache-2.0. Это вспомогательная модель для симуляции и поддержки клинических консультаций, а не замена профессиональной медицинской оценке. Описание не приводит клинической валидации или ограничений диагностической безопасности; ответы следует проверять специалистом.

HPO-PubMedBERT — дообученная Melland модель эмбеддингов на базе NeuML/pubmedbert-base-embeddings, разработанная для сопоставления понятий Human Phenotype Ontology (HPO) с биомедицинской литературой и клиническими описаниями. Модель использует архитектуру BERT и sentence-transformers, кодирует текст в плотные векторы размерностью 768 и оценивает близость по косинусному сходству. Контекст ограничен 512 токенами по метаданным; в README указана максимальная длина последовательности 256 токенов. Модель предназначена для семантического сравнения фенотипов, поиска релевантных понятий HPO, сопоставления фенотипических профилей пациентов и индексации биомедицинских документов. Обучение на парах предложений из PubMed с оценками сходства, основанными на пересечении связанных заболеваний, нацелено на клиническую связь фенотипов, а не только на таксономическое родство. README сообщает об улучшении результатов на тестах сходства HPO, связывания упоминаний с HPO и поиска пациентов по сравнению с базовой моделью. Модель рассчитана на англоязычные тексты в биомедицинской области; на общих текстах и редких фенотипах качество может снижаться. Последовательности длиннее 256 токенов обрезаются согласно README. Лицензия — MIT.

Intent Detection V2.0 — дообученная компанией-разработчиком модели ningpy на базе Qwen2.5-7B-Instruct система классификации намерений и маршрутизации запросов для медицинских приложений. Она определяет тип обращения, отмечает потенциально опасные ситуации, применяет правила блокировки или перенаправления и извлекает из сообщения упоминания лекарств, заболеваний и симптомов. Результат выдаётся в виде структурированного JSON с фиксированными полями и поддержкой нескольких меток одновременно. Модель предназначена для маршрутизации вопросов о здоровье: например, для направления экстренных обращений на отдельный сценарий и отказа в небезопасных советах о дозировках. В README приведены результаты на валидационной выборке из 2518 примеров: Safety F1 92,3%, точное совпадение всех меток 87,4%, совместная точность намерения и типов 81,5%. Обучение проводилось на 54 404 примерах на английском, китайском и брунейском малайском языках. Архитектура — плотная Qwen2, 7,1 млрд параметров; контекст — 32 768 токенов. Лицензия — Apache-2.0.

Cas-Warehouse/Llama-3-SOVL-aaditya-OpenBioLLM-8B — объединённая модель на архитектуре Llama 3, созданная с помощью mergekit методом Model Stock. В качестве основы использована grimjim/llama-3-aaditya-OpenBioLLM-8B; при объединении также задействованы модели Aura, BlueMoon, Luna, RP_Format_QuoteAsterisk и Smarts от ResplendentAI. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста с контекстом до 8192 токенов. Базовая OpenBioLLM-8B предназначена для генерации текста и ответов на вопросы в биомедицинской и медицинской областях. Объединение добавляет компоненты нескольких других моделей Llama 3, однако карточка не описывает отдельно проверенные возможности этой итоговой модели или её качество. Условия лицензии в предоставленных данных не указаны.

Карточка модели GerMedBERT/medbert-512-no-duplicates на Hugging Face совпадает с карточкой GerMedBERT/medbert-512, поэтому описание составлено по ней. medBERT.de — немецкоязычная медицинская модель на архитектуре BERT, предназначенная для обработки специализированных текстов здравоохранения. В карточке заявлены 12 слоёв, размер скрытого состояния 768, 8 голов внимания и обработка последовательностей до 512 токенов. Модель использует WordPiece-токенизатор, настроенный на медицинскую лексику немецкого языка, и обучалась на медицинских текстах, клинических записях, научных публикациях и документах о здравоохранении. В репозитории указана задача заполнения пропусков в тексте. README также описывает применение для извлечения медицинской информации и прогнозирования диагнозов, но это не подтверждено тегом задачи в метаданных. Карточка отмечает возможные смещения в сторону данных одной берлинской больницы и радиологических отчётов, трудности с редкими или новыми понятиями и ухудшение качества на других языках. Модель не предназначена для принятия медицинских решений. Лицензия — Apache-2.0.

MedGemma 27B IT — мультимодальная инструкционная модель Google для медицинских текстов и изображений, дообученная на базе google/gemma-3-27b-pt. Она построена на архитектуре Gemma 3 с декодерным трансформером и визуальным энкодером SigLIP; версия 27B multimodal обучалась на медицинских текстах, изображениях, вопросах и ответах, а также данных медицинских записей. Модель предназначена для разработчиков в здравоохранении и биомедицинских науках как отправная точка для создания и адаптации прикладных систем. Модель принимает текст и медицинские изображения и генерирует текст. Подходящие сценарии включают ответы на вопросы по изображениям, таким как рентгеновские снимки, и ответы на текстовые медицинские вопросы. Среди областей изображений, представленных в обучении, — рентгенография грудной клетки, патология, дерматология и офтальмология. Карточка указывает английский язык. Модель оптимизирована для медицинских задач с генерацией текста; для классификации и поиска изображений без генерации текста README рекомендует MedSigLIP. Результаты требуют независимой проверки и клинической корреляции: модель не предназначена для самостоятельной постановки диагноза, выбора лечения или других прямых клинических решений. Мультимодальность оценивалась преимущественно на задачах с одним изображением; работа с несколькими изображениями и многоходовые сценарии не оценивались. Лицензия указана как other, поэтому конкретные условия следует сверить с лицензией репозитория перед использованием.

MedicalLlama3.2-vision-11B-IT — мультимодальная модель Cannae-AI, дообученная на базе meta-llama/Llama-3.2-11B-Vision-Instruct. Она предназначена для диалога о медицинских изображениях, в особенности для анализа радиологических снимков и работы с медицинскими понятиями и подписями к изображениям. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; её архитектура — Mllama для условной генерации текста с использованием зрения. В дообучении использован набор радиологических изображений и связанных с ними медицинских понятий и подписей из PMC Open Access Subset, включая датасет ROCO-radiology. Карточка указывает английский и французский языки. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не приводит отдельной оценки клинической точности, поэтому ответы не следует считать медицинским диагнозом.

Это модель SentenceTransformer, разработанная автором репозитория на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и дообученная на наборе медицинских вопросов и ответов на вьетнамском языке. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для семантического поиска, оценки сходства, поиска перефразировок, кластеризации и классификации текста. Архитектура включает BERT с усреднением токенных представлений; размер модели — 124,3 млн параметров. В метаданных указан контекст до 512 токенов, тогда как README сообщает максимальную длину последовательности 128 токенов. Модель рассчитана на вьетнамский медицинский текст; лицензия в предоставленных данных не указана.

MediPhi-Guidelines — языковая модель Microsoft Healthcare & Life Sciences для медицинских и клинических текстов. Это вариант Phi3 с 3,7 млрд параметров, созданный слиянием на 25% дообученного эксперта по медицинским рекомендациям с базовой моделью microsoft/Phi-3.5-mini-instruct. Модель работает через библиотеку Transformers, поддерживает диалоговый режим и принимает текстовые инструкции. Контекст — до 4096 токенов. Модель предназначена для англоязычных исследовательских задач клинической обработки естественного языка, включая анализ медицинских рекомендаций и генерацию ответов на клинические запросы. Компактный размер подходит для сценариев с ограничениями по памяти, вычислениям и задержке. Выходы требуют проверки специалистом: модель может выдавать неточную или выдуманную информацию, а её качество и безопасность на других языках могут быть ниже. Лицензия — MIT.

MedLLaMA_13B — языковая модель на архитектуре LLaMA с 12,9 млрд параметров, дообученная на медицинском корпусе. Она предназначена для генерации текста по запросам на медицинские темы и может использоваться для подготовки ответов или черновиков медицинских материалов на английском языке. Модель принимает текст и генерирует текст; в обучении использовалась длина последовательности до 2048 токенов. Веса опубликованы в формате PyTorch. Лицензия — Apache 2.0. Карточка не приводит оценок качества и не описывает клиническую проверку, поэтому ответы не следует считать подтверждёнными медицинскими рекомендациями.

Medmerge-tulu-70b — объединённая языковая модель, опубликованная Technoculture. Она создана методом dare_ties на основе NousResearch/Llama-2-70b-hf, ClinicalCamel-70B, meditron-70b и tulu-2-dpo-70b. Модель содержит 68,7 млрд параметров, использует архитектуру Llama для генерации текста и поддерживает контекст до 4096 токенов. Модель предназначена для диалоговой генерации и ответов на вопросы, в том числе по медицинским темам. В карточке приведены результаты на медицинских тестах и общих бенчмарках; они показывают, что слияние сохраняет медицинские возможности исходных моделей, но сами по себе не подтверждают пригодность ответов для клинических решений. Для использования указана лицензия Apache-2.0. README не описывает систематическую оценку безопасности или медицинскую валидацию, поэтому ответы следует проверять, особенно перед применением в здравоохранении.

sri1208/mental_health_classifier — англоязычная модель классификации текстов для анализа тем психического здоровья. Она создана на основе mental/mental-bert-base-uncased, предварительно обученной на публикациях Reddit о психическом здоровье, и дообучена для классификации последовательностей. Модель использует архитектуру BERT и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для анализа тональности, выявления признаков стресса и возможных факторов риска в публикациях, ответах на опросы и других текстах, связанных с психическим здоровьем. На вход подаётся текст, на выходе — оценки классов или вероятности. Карточка сообщает о сравнении с базовыми моделями и метриках accuracy, precision, recall, F1 и ROC-AUC, но не приводит численных результатов. К ограничениям относятся возможная предвзятость из-за состава обучающих данных и снижение качества на текстах, отличающихся от обучающей выборки. Модель не предназначена для постановки диагноза или замены терапии и должна применяться как вспомогательный инструмент под профессиональным контролем. Лицензия в предоставленных данных не указана.

Mistral-7B-v0.2-meditron-turkish — дообученная Мохамадом Альхаджаром языковая модель на основе Mistral-7B-Instruct-v0.2. Она использует архитектуру Mistral с 7,1 млрд параметров и рассчитана на генерацию ответов на вопросы по медицине на турецком и английском языках. Модель обучена методом SFT на турецком медицинском наборе данных с применением техники Freeze и поддерживает диалоговый сценарий; контекст — до 32 768 токенов. Модель предназначена для получения информационных ответов на медицинские вопросы и идей на турецком и английском. Она распространяется по лицензии Apache-2.0. Карточка не приводит оценки медицинской точности или клинической пригодности, поэтому ответы требуют проверки специалистом и не должны заменять профессиональную медицинскую консультацию.

MultiClinicalBERT — мультиязычная модель семейства ModernBERT от YLab-Open, инициализированная из mmBERT и дополнительно предобученная на клинических, биомедицинских и общих текстах. Она обучалась предсказывать замаскированные токены и предназначена для извлечения контекстных представлений и адаптации к клиническим NLP-задачам, включая распознавание сущностей, классификацию и деидентификацию медицинских записей. Модель содержит около 306,9 млн параметров, поддерживает контекст до 8192 токенов и распространяется в формате safetensors. В обучающий корпус вошли клинические заметки и наборы данных, PubMed и многоязычные тексты Wikipedia. Модель рассчитана на английский, китайский, испанский, японский и русский языки; авторы сообщают об оценке на клинических задачах на всех пяти языках и особенно заметных улучшениях для языков с меньшим количеством ресурсов. Лицензия — MIT. Основной интерфейс модели — masked language modeling: она принимает текст с замаскированными токенами и предсказывает подходящие заполнения. Для прикладной классификации, распознавания сущностей и других задач потребуется соответствующая голова или дополнительная настройка. README приводит результаты на конкретных наборах данных, но они не гарантируют такую же точность в других клинических условиях; модель не следует считать самостоятельной системой клинических решений.

OpenSafety-1.5B — специализированная языковая модель команды OpenSafety (thesumith) для фармаконадзора. Это дообученный причинно-следственный трансформер Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов; модель предназначена для работы с клиническими текстами на английском языке. Модель извлекает подозреваемые препараты, схемы дозирования и описания нежелательных явлений, сопоставляет симптомы с терминами MedDRA v28.0 и оценивает, указано ли событие в справочной информации о безопасности препарата. В оценке может приводить обоснование для аудита; заявлена поддержка стандартов MedDRA v28.0 и ICH E2B(R3). Модель доступна в формате Safetensors с 4-битной квантизацией bitsandbytes и работает через Transformers; README также указывает на библиотеку Python opensafety. Лицензия — Apache-2.0.

RigoBERTa Clinical — испаноязычная клиническая encoder-модель IIC, полученная дополнительным предобучением RigoBERTa 2 на клиническом корпусе ClinText-SP методом masked language modeling. В метаданных связь с FacebookAI/xlm-roberta-large и IIC/RigoBERTa-2.0 обозначена как merge; архитектура — XLM-RoBERTa для masked language modeling, размер — 658,7 млн параметров, контекст — 514 токенов. Модель предназначена для заполнения пропусков в испанском клиническом тексте и как основа для прикладных задач медицинского NLP: классификации клинических записей, распознавания сущностей и адаптации к специализированным сценариям. В README сообщается о результатах на испанских клинических бенчмарках, включая CANTEMIST, MEDDOCAN и LivingNER1. Модель специализирована на испанских клинических текстах; её переносимость на другие языки и области может быть ограничена, а обучающие данные могут содержать смещения. Ресурсоёмкость следует оценивать для целевой среды. README указывает лицензию rigoclinical-nc с некоммерческими условиями; метаданные Hugging Face обозначают лицензию как other.

rjac/setfit-ST-ICD10-L3 — модель Sentence-Transformers на архитектуре MPNet, которая преобразует предложения и абзацы в плотные векторы размерности 768. Она предназначена для сравнения смысловой близости текстов и может применяться для семантического поиска и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги. В карточке приведено обучение с CosineSimilarityLoss; название репозитория указывает на настройку для ICD-10, однако README не уточняет обучающие данные и медицинские сценарии. Контекстное окно составляет 514 токенов. Доступен формат PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Yida-Model-14B — языковая модель, разработанная rwang220 на базе Qwen/Qwen3-14B и дообученная на внутреннем наборе китайских медицинских инструкций. Это плотная причинная модель Qwen3ForCausalLM с 14,77 млрд параметров; LoRA-обучение с учителем было объединено с базовыми весами, а репозиторий содержит веса bfloat16. Модель принимает текст и предназначена для генерации диалогов и ответов по медицинским темам, а также для подготовки черновиков медицинских записей и отчётов. Контекст модели — до 40 960 токенов; обучение с учителем проводилось на последовательностях до 8 192 токенов. Основной язык обучающих медицинских данных — китайский; также заявлена поддержка английского. Шаблон чата Qwen3 включает режим рассуждений и интерфейс вызова инструментов. Лицензия — Apache 2.0, унаследованная от базовой модели. Модель предназначена для исследований и инженерной оценки медицинских диалогов и NLP-прототипов. Она может придумывать рекомендации, дозировки, диагнозы и ссылки; обучающие данные раскрыты не полностью, а публичные клинические бенчмарки не заявлены. Это не медицинское изделие, и её ответы не следует использовать как единственное основание для клинических решений.

Minbyul/biomistral-7b-wo-live_qa-sft — дообученная модель семейства Mistral, созданная на основе BioMistral/BioMistral-7B с использованием набора HuggingFaceH4/deita-10k-v0-sft. Она предназначена для генерации текста в диалоговом формате; медицинская специализация унаследована от базовой BioMistral-7B. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель можно применять для диалоговых ответов на медицинские и биологические вопросы и других сценариев генерации текста. В README приведено значение loss 1,7868 на оценочном наборе, но не описаны протокол оценки и практическое качество ответов. Лицензия — Apache-2.0.

Kabster/BioMistral-MedicalQA-FT — дообученная разговорная языковая модель семейства Mistral, созданная на основе BioMistral и медицинского набора данных для рассуждений. Она предназначена для генерации ответов и диалоговой работы с медицинскими вопросами. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и принимает контекст длиной до 32 768 токенов. Модель рассчитана на текстовый ввод и выдаёт текст. Репозиторий содержит веса в формате safetensors; для использования указана лицензия Apache-2.0. README не уточняет состав обучающих данных, охват медицинских специальностей и результаты оценки качества, поэтому надёжность ответов в конкретных клинических сценариях по доступным сведениям определить нельзя.

PlanTL-GOB-ES/bsc-bio-es — предобученная модель RoBERTa для испанских биомедицинских текстов, разработанная подразделением Text Mining Unit (TeMU) Барселонского суперкомпьютерного центра. Она предназначена для заполнения пропусков в тексте (fill-mask); её также можно дообучать для распознавания медицинских сущностей и классификации текста. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и поддерживает контекст до 514 токенов. Для предобучения использован испаноязычный биомедицинский корпус объёмом около 963 млн токенов. Специализация на медицинской лексике делает модель подходящей отправной точкой для анализа испанских медицинских материалов. В README отмечено, что встроенные смещения не оценивались; кроме того, для прикладных задач, помимо заполнения пропусков, потребуется дообучение. Модель распространяется по лицензии Apache 2.0.

TingChenChang/cMedQA2-multi-qa-mpnet-zh — модель Sentence-Transformers для представления предложений и абзацев в виде плотных векторов размерности 768. Она предназначена для семантического поиска, сравнения смысловой близости и кластеризации текстов; при обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Архитектура основана на XLM-RoBERTa, содержит около 305,2 млн параметров и принимает контекст длиной до 514 токенов. Название указывает на обучение на китайском наборе вопросов и ответов cMedQA2, поэтому модель подходит для поиска и сопоставления медицинских вопросов на китайском языке. Для работы доступны веса PyTorch и библиотека Sentence-Transformers. Лицензия в предоставленных данных не указана.

Compumacy-Shrink-24B — специализированная языковая модель от Compumacy, дообученная Daemontatox на корпусе Daemontatox/Psy-Data-books. Модель содержит 24 млрд параметров и использует плотную архитектуру Mistral 3; она предназначена для текстовых диалогов и генерации структурированных ответов по клиническим случаям в психологии и психиатрии. Модель помогает суммировать жалобы, рассматривать дифференциальные диагнозы по DSM-5-TR и ICD-11, оценивать риски, предлагать варианты лечения и планировать наблюдение и направления к специалистам. Карточка описывает её как исследовательский инструмент для специалистов и исследователей в области психического здоровья. Лицензия — Apache-2.0. Это экспериментальная исследовательская версия, а не замена клиническому специалисту. Ответы, включая диагнозы, оценку рисков, рекомендации и ссылки на источники, требуют проверки лицензированным клиницистом; возможны галлюцинации и смещения данных. Не следует вводить персональные или защищённые медицинские данные, а модель не предназначена для кризисной помощи.

ConvNeXt-P3 — модель компьютерного зрения на архитектуре ConvNeXt-Tiny для классификации диабетической ретинопатии по пяти уровням ICDR: от отсутствия заболевания до пролиферативной стадии. Она предназначена для анализа изображений сетчатки и интеграции в серверные, веб- и мобильные приложения; входное изображение приводится к размеру 224×224, а модель возвращает вероятности пяти классов. В карточке указаны weighted F1 77,77% и macro ROC-AUC 0,8379 на тестовой выборке без настройки порогов. Репозиторий содержит веса PyTorch и варианты TorchScript и ONNX; метаданные указывают формат ONNX. Модель опубликована под лицензией MIT. Это инструмент классификации изображений, а не самостоятельная клиническая диагностика: результаты требуют медицинской интерпретации.

JMLR-13B For MedQA — языковая модель семейства Llama, разработанная для медицинских вопросов и ответов. В ней совместно обучаются LLM и механизм информационного поиска: модель извлекает клинические рекомендации и использует медицинские знания при рассуждении и формировании ответа. Модель содержит 12,9 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. В README сообщается о результате 70,5% на медицинском наборе вопросов и ответов, но описание не уточняет условия оценки. Модель предназначена для исследовательских и прикладных систем медицинских вопросов и ответов, однако ответы могут содержать фактические ошибки и требуют проверки специалистом. README указывает, что код и часть данных планировалось опубликовать по лицензии CC-BY 4.0 после принятия статьи; лицензию весов репозитория эти сведения не подтверждают.

JSL-MedPhi2-2.7B — языковая модель John Snow Labs для генерации текста в медицинских сценариях. Она создана дообучением microsoft/phi2 и основана на плотной архитектуре PhiForCausalLM; метаданные указывают 3,5 млрд параметров и контекст до 2048 токенов. Модель поддерживает диалоговый режим и предназначена для ответов на медицинские вопросы и помощи в задачах медицинских знаний. В README приведены результаты оценки, в том числе по MedMCQA и группе STEM. Модель распространяется по лицензии CC-BY-NC-ND-4.0 с дополнительной политикой допустимого использования; для коммерческого лицензирования разработчик предлагает связаться с John Snow Labs. Результаты оценки не подтверждают пригодность ответов для клинических решений.

Lingjian-1.5 — мультимодальная модель для клинической лабораторной медицины, разработанная командой LingJian AI Research Team. Это дообученная версия Qwen3-VL-8B-Instruct с архитектурой Qwen3-VL; модель принимает изображения и текстовые запросы и формирует текстовые ответы. Она предназначена для анализа микроскопических изображений, распознавания клеток и их морфологии, выявления аномальных находок, ответов на вопросы по лабораторным изображениям и указания местоположения ключевых объектов. Также модель может помогать составлять краткие отчёты и нормализовать медицинскую терминологию. Модель ориентирована прежде всего на китайский язык; английский также поддерживается, но специализированные ответы на нём могут быть менее зрелыми. Разработчики сообщают о качественных улучшениях распознавания микроскопических изображений, следования инструкциям и диалоговых ответов относительно Lingjian-1.0-Chat; отдельные численные показатели в карточке не приведены. Используется лицензия Apache-2.0. Модель предназначена для вспомогательного анализа: её выводы требуют проверки специалистом, а перед внедрением в клинический процесс необходима локальная валидация.

shanchen/llama3-8B-slerp-biomed-chat-chinese — диалоговая языковая модель на архитектуре Llama, созданная автором репозитория слиянием методом Slerp двух моделей: shanchen/llama3-8B-slerp-med-chinese и shenzhi-wang/Llama3-8B-Chinese-Chat. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста в формате чата; в карточке заявлены китайский и английский языки. Контекстное окно составляет 8192 токена. Модель может использоваться для диалогов и генерации ответов на китайском или английском языках, в том числе по биомедицинской тематике, исходя из названия одной из объединённых моделей. Слияние сочетает медицински ориентированную модель с китайской чат-моделью, однако README не приводит сравнительных оценок качества или подробных гарантий медицинской точности. Для использования действует лицензия Llama 3.