IV.4Клиническая медицина и общественное здоровье

llama3-8B-slerp-med-chinese — это объединённая методом SLERP модель на базе архитектуры Llama 3, созданная с помощью LazyMergekit из WiNGPT2-Llama-3-8B-Base и JSL-MedLlama-3-8B-v1.0. Модель содержит 7,5 млрд параметров и имеет контекстное окно 8192 токена. Она предназначена для генерации текста с медицинской специализацией и поддержкой китайского языка; в метаданных также указаны английский и французский. Возможные сценарии включают генерацию медицинских ответов и текста на поддерживаемых языках, однако README не приводит оценок качества или конкретных рекомендаций по применению. Модель опубликована в формате safetensors и распространяется по лицензии Llama 3. Карточка не описывает специальные ограничения сверх условий лицензии и не содержит результатов оценки качества.

MedGemma-27B-Text-IT-FP8-Dynamic — это текстовая медицинская языковая модель, созданная на основе google/medgemma-27b-text-it и квантованная компанией Turn.io с помощью llm-compressor для эффективного развёртывания через vLLM. Модель предназначена для разработчиков в сфере здравоохранения и биомедицинских наук как основа для прикладных решений, а не как готовый клинический инструмент. Модель использует архитектуру decoder-only Transformer семейства Gemma 3, содержит 27 млрд параметров, работает только с текстом и поддерживает контекст до 128K токенов. Она ориентирована на понимание и рассуждение по медицинским текстам, ответы на вопросы, суммаризацию клинических документов, медицинские RAG-системы и дообучение под специализированные задачи. Квантование FP8 Dynamic применяется ко всем слоям Linear: веса используют статическое поканальное квантование, а активации квантуются динамически для каждого токена; слой lm_head сохранён в BF16. Калибровочные данные не требуются. К сильным сторонам относятся специализация на медицинской и биомедицинской тематике, большой контекст и потенциально более эффективное использование ресурсов при инференсе. К ограничениям относятся возможные численные отличия от исходной версии BF16 и унаследованные ограничения базовой модели: ответы могут быть неточными и требуют независимой проверки. Модель не предназначена для непосредственной постановки диагнозов, выбора лечения или ведения пациентов без надлежащей клинической валидации. Распространение и использование регулируются условиями Health AI Developer Foundations Terms of Use и Prohibited Use Policy.

med-gpt-oss-20b-GGUF — это квантизированная в формате GGUF версия модели Tonic/med-gpt-oss-20b, подготовленная mradermacher. Модель дообучена на наборе FreedomIntelligence/medical-o1-reasoning-SFT и предназначена для генерации и анализа медицинского текста, включая сценарии, требующие рассуждений по медицинской тематике. Это причинная языковая модель для text generation с заявленной поддержкой английского и французского языков; размер исходной модели составляет около 20 миллиардов параметров. Сведения о точной архитектуре и размере контекстного окна отсутствуют. Репозиторий содержит варианты с разной степенью квантизации — от Q2_K и Q3_K до Q8_0, а также IQ4_XS, с размером файлов примерно от 12,2 до 22,4 ГБ. Квантизация позволяет запускать модель с меньшими требованиями к ресурсам, однако может снижать качество по сравнению с исходной версией; конкретный компромисс зависит от выбранного варианта. Данные о результатах оценки, мультимодальности и ограничениях медицинского применения не приведены, поэтому модель не следует рассматривать как замену профессиональной медицинской консультации. Лицензия — Apache-2.0.

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.

MedraQ-8b-abliterated-i1-GGUF — квантизированная GGUF-версия модели MedraQ-8b-abliterated, разработанная drwlf и подготовленная mradermacher. Модель дообучалась на наборе данных nicoboss/medra-medical и предназначена для генерации текста в медицинском домене. Заявленные сценарии использования включают медицинское резюмирование и диагностическое рассуждение. Модель имеет около 8 миллиардов параметров, ориентирована на текстовые задачи и заявляет поддержку английского и румынского языков. В метаданных она также помечена как fine-tuned и gemma-3, однако сведения о точной архитектуре и размере контекстного окна отсутствуют. Поставка включает множество вариантов квантизации с разным размером, скоростью и качеством. Версии с низкой битностью позволяют сократить требования к памяти, но могут заметно ухудшать качество; для баланса размера, скорости и качества рекомендованы варианты i1-Q4_K_S и i1-Q4_K_M. Модель следует использовать как вспомогательный инструмент, поскольку README не содержит результатов оценки, гарантий точности или сведений о клинической безопасности. Лицензия — Apache-2.0. Модель распространяется в формате GGUF и предназначена для запуска средствами, поддерживающими этот формат.

genshiai-daichi разработала медицинскую модель для получения векторных представлений японских предложений. Она основана на ModernBERT-Ja и продолжает дообучение модели genshiai-daichi/med-ruri-v3-310m; содержит около 314,6 млн параметров, работает с контекстом до 8192 токенов и распространяется в формате safetensors через Sentence Transformers. Модель предназначена для семантического поиска по медицинским текстам и сопоставления запросов с фрагментами документов. В README приведён результат nDCG@10 0,5348 на отложенных запросах из того же распределения медицинских рекомендаций; он не показывает качество на других распределениях или временную обобщаемость. Для работы требуется добавлять префикс «検索クエリ: » к запросу и «検索文書: » к документу, а также применять NFKC-нормализацию и удаление года из заголовков как при обучении. README описывает загружаемый во время обучения промежуточный чекпойнт, поэтому его показатели и содержимое могут измениться; конкретная ревизия фиксирует шаг обучения. Лицензия — Apache-2.0.

MedVLThinker-3B-RL_m23k — медицинская модель «зрение—язык» с 3,1 млрд параметров, разработанная на базе Qwen2.5-VL-3B-Instruct. Модель дообучена с помощью обучения с подкреплением на наборе Med23k и предназначена для диалогового анализа медицинских изображений и ответов на вопросы по ним. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Архитектура — плотная Qwen2.5-VL для условной генерации; заявленная длина контекста — 128 000 токенов. В метаданных указан английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Она может помогать с визуальными вопросами по медицинским изображениям, однако карточка не приводит результатов оценки, перечня поддерживаемых типов изображений или клинических ограничений. Её ответы не следует считать подтверждённым диагнозом или заменой профессиональной медицинской оценки.

Neg-CamemBERT-bio — модель Salim Sadoune, Antoine Richard, François Talbot, Thomas Guyet, Loic Boussel и Hugues Berry для выявления отрицания во франкоязычных биомедицинских текстах. Это дообученная версия CamemBERT-bio-base на базе архитектуры CamemBERT; она размечает токены, выделяя маркеры отрицания и область действия отрицания по схеме BIO. Модель подходит для анализа клинических текстов и биомедицинских публикаций, в том числе для автоматического определения, какие утверждения в тексте отрицаются. Контекст ограничен 512 токенами. Модель обучена на французских корпусах ESSAI и CAS и оценивалась на отложенной части этих данных: F1 составил 96,68 для маркеров отрицания и 87,46 для их области действия. Результаты относятся к указанной в карточке выборке и не гарантируют такую же точность на других типах текстов. Авторы отмечают ограниченное число примеров некоторых редких отрицательных конструкций, что может ухудшать обобщение. Лицензия модели — MIT.

OctoMed-8B — медицинская мультимодальная модель рассуждения, созданная разработчиками OctoMed на основе Qwen3-VL-8B-Instruct с помощью контролируемого дообучения. Для обучения подготовлен набор более чем из 8 млн трасс рассуждений и 6,8 млрд токенов ответов, полученных с помощью крупномасштабного отбора данных и дистилляции. Модель принимает изображения и текст и выдаёт текстовые ответы; её основное назначение — медицинские вопросы с визуальным контекстом, особенно задания с выбором ответа. В README сообщается о сильных результатах на медицинских бенчмарках вне обучающего распределения. Модель формирует внутренние трассы рассуждений перед финальным ответом. Она дообучена для VQA с выбором ответа; другие задачи могут выполняться, но широко не проверялись. Лицензия — Apache-2.0.

Compumacy/Psych_medgemma — экспериментальная языковая модель, разработанная Daemontatox для поддержки специалистов в клинической психологии и психиатрии. Это плотная модель Gemma 3 для генерации текста с 28,3 млрд параметров, дообученная на базе unsloth/medgemma-27b-text-it с помощью Unsloth и LoRA. Метаданные указывают контекст до 131 072 токенов; модель принимает текст и формирует структурированные текстовые ответы. Модель предназначена для анализа клинических случаев: краткого изложения жалоб, рассмотрения дифференциальных диагнозов по критериям DSM-5-TR, оценки рисков, рекомендаций по лечению и последующему наблюдению. В README заявлена опора на классификацию ICD-11, клинические руководства и медицинскую литературу. Модель рассчитана на вспомогательное применение специалистами и исследователями, а не на самостоятельную диагностику или лечение. Лицензия — Apache-2.0. Это исследовательская экспериментальная версия: ответы могут содержать ошибки, вымышленные факты и ссылки, а обучающие данные могут отражать культурные и другие смещения. Все клинические выводы требуют проверки квалифицированным специалистом; модель не предназначена для кризисного вмешательства и не должна получать персональные или защищённые медицинские данные.

dahye58/Qwen3-1.7B-base-MED-ChatVector — генеративная языковая модель объёмом 1,7 млрд параметров, опубликованная пользователем dahye58 на Hugging Face. По идентификатору и тегу qwen3 она относится к семейству Qwen3; модель предназначена для генерации текста и поддерживает библиотеку Transformers. Максимальная длина контекста составляет 40 960 токенов. Модель ориентирована на диалоговые и медицинские сценарии, включая подготовку ответов на вопросы и работу с медицинскими текстами, однако README не содержит описания обучения, состава данных, результатов оценки, разработчика, лицензии или официальных рекомендаций по применению. Подходит для локального прототипирования и последующей адаптации, но требует проверки качества и безопасности перед использованием в клинических, диагностических или иных чувствительных задачах.

Модель medspaner/roberta-es-clinical-trials-neg-spec-ner — испаноязычная модель распознавания именованных сущностей на основе RoBERTa. Она дообучена на bsc-bio-ehr-es для выявления в медицинских текстах о клинических испытаниях маркеров отрицания и предположения, а также понятий, на которые они распространяются. Размер модели — 151,8 млн параметров, контекст — до 514 токенов. Модель предназначена для автоматической семантической разметки испанских медицинских текстов, в том числе объявлений и аннотаций клинических исследований. В тестировании на данных, обучающих и валидационных выборках усреднено по пяти раундам, F1 составил 0,859. Разработчики отмечают, что модель находится в разработке и не должна использоваться для медицинских решений без проверки и надзора специалиста. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но не для коммерческих целей.

Stanford de-identifier — модель Stanford AIMI для автоматического удаления персональных идентификаторов из радиологических и биомедицинских документов. Она предназначена для распознавания чувствительных фрагментов текста и их разметки по токенам, чтобы подготовить медицинские записи к обезличиванию. Модель построена на архитектуре BERT, содержит 136,7 млн параметров и принимает контекст длиной до 512 токенов. Она обучена на радиологических и биомедицинских документах; карточка называет эти веса рекомендуемыми среди доступных вариантов и указывает на целевую пригодность для производственного применения. Поддерживается английский язык. Модель распространяется под лицензией MIT. Карточка не приводит численных оценок качества или подробностей о схеме разметки, поэтому перед использованием в клинических или иных чувствительных процессах следует оценить полноту обнаружения идентификаторов на целевых данных.

AiHub4MSRH-Hash дообучил Sunflower-Qwen3.5-9B — плотную мультимодальную модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration. Репозиторий содержит веса в формате safetensors; модель обучали с использованием Unsloth и библиотеки TRL. Модель предназначена для диалоговой работы с изображениями и текстом, включая медицинские сценарии, на что указывает название репозитория. Она принимает текст и изображения и формирует текстовые ответы; карточка также заявляет интерфейс для вызова инструментов. Данных о размере параметров, длине контекста и конкретных медицинских задачах в предоставленных источниках нет. Лицензия — Apache-2.0. Качество и границы применимости в медицинских сценариях в карточке не описаны.

tnayaj — чат-модель Jayant AI Labs для генерации текста в биомедицинской области. Она основана на Meta-Llama-3-8B-Instruct и дообучена на данных предпочтений DPO и медицинских инструкциях. В метаданных указаны плотная архитектура Llama с классом LlamaForCausalLM, около 7,5 млрд параметров, контекст до 8192 токенов и формат Safetensors. Модель предназначена для создания и уточнения текстов по медицине и наукам о жизни, а также для диалоговых сценариев в этих областях. Карточка заявляет специализацию на биомедицинских задачах, но не приводит результатов оценивания или перечня конкретных задач. Лицензия — Apache 2.0.

BioBART-base — биомедицинская генеративная языковая модель на базе BART, связанная с работой «BioBART: Pretraining and Evaluation of A Biomedical Generative Language Model» авторов Hongyi Yuan, Zheng Yuan, Ruyi Gan, Jiaxing Zhang, Yutao Xie и Sheng Yu. Модель содержит 95,2 млн параметров, использует архитектуру BART и принимает текст для генерации текста; максимальная длина контекста — 1024 токена. В метаданных указан английский язык. Модель предназначена для генеративных задач в биомедицинской области, где требуется преобразовывать или создавать текст. Доступны веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. В карточке не приведены конкретные бенчмарки или подробные ограничения по применению.

BioGPT-Large-PubMedQA — англоязычная генеративная языковая модель Microsoft на базе плотного авторегрессионного Transformer BioGPT, дообученная для вопросов и ответов по биомедицинской литературе PubMedQA. Она предназначена для генерации ответов на вопросы по научным публикациям, а также может создавать связные описания биомедицинских терминов и помогать с извлечением отношений в биомедицинском тексте. Модель содержит 2,1 млрд параметров, принимает и генерирует текст, использует веса PyTorch и рассчитана на контекст до 2048 токенов. В карточке описаны результаты на нескольких биомедицинских NLP-задачах, включая точность 78,2% на PubMedQA; эти показатели относятся к заявленной оценке и не гарантируют качество в иных сценариях. Модель специализирована на научной биомедицинской литературе и не заменяет проверку ответов экспертами. Лицензия — MIT.

Это версия BiomedCLIP, подготовленная chuhac для использования с PyTorch и интерфейсами Hugging Face Transformers. Репозиторий содержит реализацию модели CLIP с визуальным энкодером ViT-Base и текстовым энкодером на основе PubMedBERT, перенесённую с microsoft/BiomedCLIP-PubMedBERT_256-vit_base_patch16_224; ключи весов переименованы для совместимости. Модель сопоставляет медицинские изображения и текстовые описания, поэтому подходит для извлечения признаков и классификации изображений по текстовым меткам в режиме zero-shot. Модель принимает изображения и текстовые описания, а её совместное пространство представлений позволяет сравнивать их и выбирать подходящие метки без отдельного обучения классификатора на каждой задаче. Карточка не приводит собственные оценки качества, ограничения применения или длину контекста. Репозиторий распространяется по лицензии MIT.

Minbyul/biomistral-7b-wo-kqa_golden-iter-dpo-step2 — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Это DPO-дообучение модели Minbyul/biomistral-7b-wo-kqa_golden-iter-dpo-step1 на наборе HuggingFaceH4/ultrafeedback_binarized. Модель предназначена для генерации диалоговых ответов; базовая модель включает ответы на медицинские и биологические вопросы. Контекст — до 32 768 токенов, веса доступны в формате safetensors. Модель можно применять для диалоговых ответов и ответов на медицинские и биологические вопросы. В карточке приведены результаты оценки на тестовом наборе, но подробности методики и гарантии качества не описаны. Лицензия — Apache-2.0.

Модель Hemgg/bone-fracture-detection-using-xray — дообученный Vision Transformer на основе google/vit-base-patch16-224-in21k для классификации рентгеновских изображений с целью выявления переломов костей. Она содержит 113,2 млн параметров и распространяется в формате safetensors. В карточке указаны точность 0,9769 и loss 0,0458 на оценочном наборе данных; набор данных не описан. Модель предназначена для автоматизированного анализа рентгенограмм и может служить вспомогательным инструментом при сортировке снимков. Она не заменяет заключение врача. Лицензия — Apache-2.0.

CORe (Clinical Outcome Representations) — модель семейства BERT, разработанная авторами исследования Clinical Outcome Predictions from Admission Notes using Self-Supervised Knowledge Integration. Она основана на BioBERT и дополнительно обучена на клинических записях, описаниях заболеваний и медицинских статьях с помощью специализированной задачи предобучения Clinical Outcome Pre-Training. Модель содержит 135,5 млн параметров и обрабатывает последовательности длиной до 512 токенов. CORe предназначена для переноса знаний о клинических исходах в задачи прогнозирования по медицинским текстам. Её можно дообучать для анализа историй болезни, включая прогноз исходов пациента по записям при поступлении. Обучающие данные включали выписки MIMIC III, медицинские транскрипции MTSamples, клинические записи i2b2, публикации о случаях заболеваний из PMC и другие медицинские тексты. Модель принимает текст и формирует скрытые представления; это базовая модель для дальнейшего дообучения, а не готовый классификатор исходов. Карточка не сообщает условия лицензии.

doctoria/doctoria-rally-ai — медицинская vision-language модель, созданная Jad Tounsi El Azzouzi для проекта SahhaAI. Она предназначена для офлайн-ответов на вопросы по медицинским изображениям и поддержки ухода за ранами в клиниках Марокко с ограниченным подключением; данные могут оставаться на устройстве при запуске в браузере через WebGPU или локально. Модель дообучена методом LoRA на базе HuggingFaceTB/SmolVLM-256M-Instruct с использованием VQA-RAD. Архитектура — Idefics3 для генерации текста по изображению и текстовому запросу. Карточка указывает английский язык. На тесте VQA-RAD заявлены точность 0,439 для вопросов с закрытым ответом и token-F1 0,228 для открытых ответов. Модель предназначена для поддержки медицинского персонала, а не для постановки диагноза. Результаты бенчмарка указывают на ограниченное качество ответов, поэтому их следует проверять специалисту. Лицензия — Apache-2.0.

uaritm/gemmamed_cardio — модель для диалогов и генерации ответов на медицинские вопросы на украинском языке, специализирующаяся на кардиологии и кардиохирургии. В README описан двухэтапный процесс адаптации: обучение на украинских текстах и последующая специализация на клинических данных о сердечно-сосудистой системе. Метаданные связывают репозиторий с google/gemma-3-4b-it и google/medgemma-4b-it; в нём представлены файлы GGUF и Safetensors, а архитектура указана как плотная Gemma 3 с генерацией текста и изображений. Модель предназначена для ответов на вопросы о сердечно-сосудистых заболеваниях и клинической терминологии. README рекомендует запускать GGUF через llama.cpp, Ollama или LM Studio и указывает контекст 4096 токенов в примере конфигурации. Хотя метаданные отмечают архитектуру image-text-to-text, README прямо указывает на отсутствие возможностей работы с изображениями; использовать её следует как текстовую модель. Точность вне кардиологии и кардиохирургии снижена; ответы могут быть неполными или обобщёнными и не заменяют клиническую оценку. Метаданные указывают лицензию Apache-2.0, а README ссылается на условия лицензии базовой Gemma; перед использованием следует проверить условия для конкретных весов и базовой модели.

German Medical BERT — модель на основе bert-base-german-cased, дообученная Манджилом Шрестхой на медицинских статьях на немецком языке о заболеваниях, симптомах и терапии. Это BERT с архитектурой BertForMaskedLM, примерно 136,3 млн параметров и контекстом до 512 токенов; основная задача в карточке — заполнение пропусков в тексте. Модель предназначена для адаптации к последующим медицинским NLP-задачам на немецком языке. В README приведена оценка применения для многометочной классификации медицинских текстов по кодам NTS-ICD-10: F1 82,73 для варианта MedBERT-512. Доступны версии весов PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

HyperCLOVA X SEED Think 14B Success-Consolidation — корейскоязычная плотная языковая модель на 14,1 млрд параметров, созданная разработчиком репозитория на основе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Модель предназначена для диалоговой генерации текста и задач рассуждения, в частности вопросов по медицинским знаниям, числовых задач и причинно-следственного вывода на корейском языке. Архитектура — HyperCLOVAXForCausalLM; контекстное окно — до 131 072 токенов. Репозиторий содержит самостоятельные объединённые BF16-веса в формате safetensors, полученные слиянием одного LoRA-адаптера ранга 4 с базовой моделью. При дообучении использованы 836 примеров корейских задач: медицинские вопросы KMMLU-Pro, числовое чтение с пониманием MuSR(Ko) и причинно-следственное рассуждение Com2-main(Ko). В карточке указано, что публичные тестовые данные бенчмарков не использовались для обучения; также приведены успешные проверки параметров и генерации на тестовых запросах. Модель распространяется по лицензии «other»; README объясняет, что название соответствует условиям лицензии базовой модели, но конкретные условия следует смотреть в лицензии репозитория и базовой модели.

jina-embeddings-v5-omni-small-medical-stage1 — мультимодальная модель эмбеддингов семейства Jina Embeddings v5 Omni, основанная на архитектуре Qwen3 и опубликованная в пространстве ktaware-merkle. Она принимает текст, изображения, видео и аудио и преобразует их в векторы общего пространства, совместимого с jinaai/jina-embeddings-v5-text-small. В README базовой модели указано около 1,74 млрд параметров и размерность эмбеддингов 1024; метаданные указывают PyTorch и лицензию CC BY-NC 4.0. Модель предназначена для извлечения признаков и мультимодального поиска, а базовый вариант содержит адаптеры для поиска, классификации, кластеризации и сопоставления текстов. Совместимое векторное пространство позволяет искать по тексту, используя запросы в виде изображений, видео или аудио, без повторной индексации документов. Название репозитория указывает на медицинскую специализацию и стадию stage1, однако предоставленная карточка не описывает конкретную медицинскую настройку или её результаты. Для использования действуют условия лицензии CC BY-NC 4.0. При поиске для retrieval важно различать представление запроса и документа, используя соответствующие методы или префиксы; некорректный выбор может дать распределение эмбеддингов, не предназначенное для поиска. README также отмечает, что обработка мультимодальных данных в sentence-transformers выполняется по одному примеру за проход.

JSL-MedMNX-7B-v2.0 — медицинская языковая модель John Snow Labs на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации ответов в диалоге, включая ответы на медицинские и биомедицинские экзаменационные вопросы; карточка приводит результаты оценки на биомедицинских бенчмарках, в том числе MedMCQA. Модель поддерживает английский язык и контекст до 8192 токенов. Модель создана слиянием dmis-lab/meerkat-7b-v1.0 и johnsnowlabs/JSL-MedMNX-7B. Доступна по лицензии CC-BY-NC-ND-4.0; для коммерческого использования необходимо согласовать лицензию с John Snow Labs. Приведённые результаты бенчмарков не гарантируют точность ответов в клинической практике.

ssktora/llama2_biomed_meditron — объединённая языковая модель на архитектуре Llama, созданная с помощью mergekit методом DARE TIES. В основе слияния лежит Llama 2 7B; также объединены модели Meditron 7B и BioMedGPT-LM-7B. Модель содержит около 6,6 млрд параметров, использует формат safetensors и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации текста; медицинские компоненты в составе слияния указывают на сценарии работы с биомедицинскими текстами, например подготовку ответов и формулировок по медицинской тематике. README не приводит результаты оценки качества, конкретные инструкции по использованию или подтверждённый перечень поддерживаемых языков. Лицензия в предоставленных данных не указана.

llama-3-meerkat-8b-v1.0-GGUF — это квантованные версии языковой модели llama-3-meerkat-8b-v1.0 в формате GGUF, подготовленные bartowski с использованием llama.cpp и метода imatrix. Исходная модель разработана dmis-lab. Модель относится к классу небольших instruction-tuned моделей, ориентирована на медицинские задачи и обучение на синтетических данных, включая сценарии, связанные с экзаменом USMLE. Модель предназначена для генерации текста и диалогового использования через llama.cpp. Доступны варианты квантования от Q8_0 и Q8_0_L до Q2_K и IQ2_M, с размером файлов примерно от 2,94 до 9,52 ГБ. Более высокие уровни квантования обеспечивают лучшее сохранение качества, но требуют больше оперативной памяти; низкие уровни уменьшают требования к ресурсам ценой снижения качества. Для работы следует использовать указанный шаблон prompt с системным сообщением, запросом пользователя и ответом assistant. В README не указаны точные сведения об архитектуре, размере контекста, поддерживаемых языках, модальностях и результатах оценки. Модель предназначена для исследовательского и прикладного использования в медицинских текстовых сценариях, однако её ответы не следует считать медицинской консультацией без проверки специалистом. Распространение выполняется по лицензии CC BY-NC 4.0, ограничивающей коммерческое использование.

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.