IV.4Клиническая медицина и общественное здоровье

med-gpt-oss-20b-i1-GGUF — это квантизированная версия медицинской языковой модели Tonic/med-gpt-oss-20b, подготовленная mradermacher в формате GGUF. Модель основана на causal language model и дообучалась на датасете FreedomIntelligence/medical-o1-reasoning-SFT. Она предназначена для генерации и обработки медицинского текста, включая сценарии, требующие рассуждений и ответов на медицинскую тематику. Заявлены английский и французский языки. Размер исходной модели составляет около 20 миллиардов параметров; доступно множество вариантов квантизации с разным соотношением качества, скорости и размера — примерно от 12,1 до 22,3 ГБ. В README не указаны архитектурные детали, размер контекстного окна, мультимодальные возможности или результаты бенчмарков, поэтому эти характеристики нельзя подтвердить. Квантизация позволяет запускать модель с меньшими требованиями к памяти, но варианты с низкой точностью могут заметно терять качество. Модель распространяется по лицензии Apache-2.0. README не содержит подтверждений клинической безопасности или пригодности для постановки диагнозов, поэтому результаты следует проверять специалистом и не использовать как единственное основание для медицинских решений.

Модель sindri101/medical_chat-en-zh — переводческая модель на архитектуре MarianMT с 58,4 млн параметров, обученная с помощью AutoTrain. Она предназначена для перевода медицинских диалогов с английского на китайский и связана с датасетом zhaozh/autotrain-data-chatdoctor-reft-en-zh. В README приведены метрики проверки: SacreBLEU 29,513 и loss 1,636. Модель принимает текст и выдаёт текст; заявленная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch. Лицензия в доступных данных не указана.

genshiai-ai разработал японскую медицинскую модель эмбеддингов предложений на базе cl-nagoya/ruri-v3-70m и ModernBERT. Она предназначена для семантического поиска по медицинским документам и сравнения поисковых запросов с текстами. Модель содержит 70 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Для запросов и документов обязательны префиксы «検索クエリ: » и «検索文書: ». Перед кодированием требуется применить NFKC-нормализацию и удалить год публикации из заголовков, иначе обработка при обслуживании будет отличаться от обучения. В карточке приведён результат nDCG@10 0,4885 на проверочных запросах из той же предметной области; он не характеризует обобщение на другие распределения и периоды. Это промежуточный чекпойнт, загружаемый в ходе обучения; лицензия Apache-2.0.

MedVLThinker-7B-RL_m23k — медицинская мультимодальная модель с 7,1 млрд параметров, разработанная на основе Qwen2.5-VL-7B-Instruct. Она принимает изображения и текст и формирует текстовые ответы в диалоге, в том числе для визуальных вопросов по медицинским материалам. Модель дообучена методом обучения с подкреплением на наборе Med23k. Архитектура — плотная Qwen2.5-VL; заявленная длина контекста — 128 000 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель предназначена для экспериментального анализа медицинских изображений и ответов на вопросы по ним. README не приводит количественных оценок качества или клинической валидации; ответы не следует считать медицинским диагнозом.

Mental Health Diagnosis BERT Model — модель на основе Bio_ClinicalBERT, дообученная для классификации высказываний пациентов по пяти категориям: тревожность, депрессия, суицидальные высказывания, стресс и норма. Она предназначена для анализа текстовых сообщений и может использоваться для предварительной сортировки обращений или исследовательского анализа текстов о психическом здоровье. Модель использует архитектуру BERT для классификации последовательностей, содержит 135,5 млн параметров и принимает текст длиной до 512 токенов. В метаданных указан английский язык и лицензия MIT. Результат классификации не следует трактовать как клинический диагноз; качество модели и пригодность для принятия медицинских решений в предоставленных материалах не описаны.

miraiminds/mergeMathBio-7B — объединённая языковая модель на архитектуре Mistral, созданная автором репозитория с помощью mergekit и метода SLERP из BioMistral-7B и Arithmo-Mistral-7B. Модель содержит 7,1 млрд параметров, предназначена для генерации текста и имеет контекст до 32 768 токенов. В состав объединения входит BioMistral-7B, дообученная на биомедицинских текстах модель для медицинских и биологических вопросов, и Arithmo-Mistral-7B. Это сочетание ориентирует модель на генерацию ответов и рассуждения с математической и биомедицинской тематикой, хотя README не приводит результатов оценки качества или конкретных сценариев применения. Репозиторий содержит веса в форматах Safetensors и GGUF. Лицензия в предоставленных данных не указана.

OpenMed-ZeroShot-NER-BloodCancer-Medium-209M — модель OpenMed для распознавания именованных сущностей в медицинских текстах, специализированная на хроническом лимфолейкозе (CLL). Она основана на архитектуре GLiNER и дообучена на корпусе CLL; заявленный размер в названии — 209 млн параметров. Модель принимает текст и возвращает найденные сущности с метками, заданными пользователем, поддерживая zero-shot извлечение без отдельного дообучения под каждый тип сущностей. Модель предназначена для извлечения упоминаний заболеваний, биомаркеров, методов лечения и других клинических понятий из медицинских записей и научной литературы. В README заявлен F1 0,913 на тестовом наборе CLL, исключённом из обучения. Основной язык карточки — английский. Репозиторий распространяется по лицензии Apache-2.0. Результаты извлечения следует проверять перед использованием в клинических решениях; заявленная оценка относится к специализированному набору CLL и не гарантирует качество на иных текстах или типах сущностей.

QoQ-Med-VL-7B — мультимодальная клиническая модель на базе Qwen2.5-VL-7B-Instruct, разработанная авторами проекта QoQ-Med. Она принимает медицинские изображения и текстовые запросы и предназначена для рассуждений по клиническим случаям, включая анализ снимков и подготовку ответов по медицинским данным. В карточке заявлена поддержка 2D- и 3D-изображений, сигналов временных рядов, в том числе ЭКГ, и текстовых заключений; модель содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. Модель обучена с использованием Domain-aware Relative Policy Optimization и инструкционных данных из девяти клинических областей. Среди заявленных возможностей — формирование рассуждений и выделение значимых областей изображения. Она ориентирована на кардиологию, радиологию, дерматологию, офтальмологию, патологию и маммографию. Лицензия — MIT. Авторы указывают, что это исследовательская версия, не предназначенная для клинического применения или принятия медицинских решений без надлежащей проверки.

Qwen2.5-7B-Medical-O1-Reasoning — чат-модель на архитектуре Qwen2, дообученная пользователем thepoliticalscientist на базе unsloth/qwen2.5-7b-instruct-unsloth-bnb-4bit. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В карточке указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель предназначена для текстовой генерации в медицинской тематике, в том числе для диалоговых ответов с рассуждениями. Английский указан среди поддерживаемых языков. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Карточка не приводит подробностей о медицинских данных обучения, проверке качества или клинической валидации.

Dayeon-Pia/Qwen3-1.7B-base-MED-ChatVector — языковая модель генерации текста из семейства Qwen3, представленная пользователем Dayeon-Pia на Hugging Face. Модель содержит 1,7 млрд параметров, работает через библиотеку Transformers и рассчитана на диалоговые сценарии; в названии также заявлена медицинская специализация ChatVector. Поддерживаемая длина контекста составляет до 40 960 токенов.

Модель medspaner/roberta-es-clinical-trials-umls-7sgs-ner — испаноязычная модель распознавания медицинских именованных сущностей, разработанная на основе bsc-bio-ehr-es и дообученная на корпусе CT-EBM-ES. Она размечает токены в текстах клинических исследований семью семантическими группами UMLS: анатомические объекты, химические и фармакологические вещества, медицинские устройства, заболевания и патологические состояния, живые организмы, физиологические процессы и медицинские процедуры. Модель построена на архитектуре RoBERTa, содержит 151,8 млн параметров и принимает текст с контекстным окном 514 токенов. На тестовом наборе авторы сообщают F1 0,886 и точность 0,961. Модель предназначена для извлечения медицинских сущностей из испанских аннотаций и объявлений клинических исследований. Распространяется по лицензии CC BY-NC 4.0. Авторы предупреждают, что модель находится в разработке, может иметь смещения и не должна использоваться для медицинских решений без участия и контроля специалиста.

SapBERT-KO-EN — медицинская модель представлений на основе BERT, созданная разработчиком snumin44 путём дообучения klue/bert-base. Она выравнивает корейские и английские медицинские термины с помощью словаря KOSTOM и предназначена для сопоставления терминов и поиска синонимов в смешанных корейско-английских медицинских записях. Модель содержит 137,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Для английских терминов автор отмечает преимущественную обработку на уровне букв; термины, обозначающие одно заболевание, получают более высокую оценку сходства. Модель можно дообучить для конкретной задачи. Опубликована под лицензией MIT. В README приведены параметры обучения: одна эпоха, максимальная длина 64 токена и CLS-пулинг.

sft-qwen-25-7b-instruct — дообученная модель на базе Qwen/Qwen2.5-7B-Instruct, созданная автором репозитория с помощью Axolotl 0.6.0. Модель предназначена для генерации текста в диалоговом формате и дообучена на наборе medical_meadow_medqa, связанном с медицинскими вопросами и ответами. Модель использует плотную архитектуру Qwen2ForCausalLM и содержит 7,1 млрд параметров. Она принимает текст, поддерживает контекст до 32 768 токенов и распространяется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка сообщает значение loss 0,1055 на оценочном наборе, но не приводит подробностей методики оценки или подтверждения качества в клинических сценариях.

xlreator/snomed-biobert — модель на основе BERT, опубликованная xlreator в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 135,5 млн параметров, использует архитектуру BertModel и принимает текст с контекстом до 512 токенов. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Название указывает на связь с SNOMED и биомедицинским доменом, но README не описывает обучающие данные и не сообщает, для каких языков модель предназначена. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не обозначена.

Ben0ni/xlmroberta-ner-prostata-bs8 — дообученная модель XLM-RoBERTa-base для распознавания именованных сущностей в текстах о простате. Она выполняет пок токенную классификацию и предназначена для извлечения и разметки упоминаний, связанных с простатой. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и принимает текст с контекстом до 514 токенов. В README приведены результаты оценки: precision 0,9673, recall 0,9726 и F1 0,9699; датасет обучения и конкретные классы сущностей не раскрыты. Базовая модель — FacebookAI/xlm-roberta-base. Лицензия — MIT.

agentrag-embed-v1 — дообученная dung6903 модель на базе intfloat/multilingual-e5-base для извлечения медицинских документов во вьетнамоязычном RAG-проекте AgentRag. Она основана на XLM-RoBERTa и выдаёт плотные эмбеддинги размерностью 768; применяется mean pooling с L2-нормализацией. Контекст — до 514 токенов по метаданным; README указывает максимальную длину последовательности 512 токенов. Модель обучена на 5,3 тыс. троек «запрос, релевантный пример, нерелевантный пример» с MultipleNegativesRankingLoss в течение двух эпох. В оценке на бенчмарке поиска проекта показатель recall@10 вырос на 0,20 относительно базовой multilingual-e5-base. Для запросов и документов используются префиксы `query:` и `passage:`; модель предназначена для создания векторного представления текста и семантического поиска, а не для генерации ответов. Лицензия — MIT.

BiMediX2-8B-Bi — мультимодальная медицинская модель семейства LLaVA-LLaMA, разработанная MBZUAI на основе дообучения meta-llama/Llama-3.1-8B-Instruct. Модель принимает изображения и текст и генерирует текстовые ответы; её назначение — диалоговые сценарии в биомедицине и здравоохранении. В метаданных указаны 7,5 млрд параметров, контекст до 131 072 токенов и поддержка английского и арабского языков. Модель подходит для вопросов по медицинским изображениям и текстовым описаниям, а также для диалоговой помощи в медицинских и биологических задачах. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC-SA 4.0 допускает использование с указанием авторства и на условиях распространения производных материалов по той же лицензии, но запрещает коммерческое использование. Ответы модели не следует считать медицинским диагнозом или заменой оценки специалиста: метаданные не подтверждают клиническую валидацию. README в предоставленных данных содержит только заголовок, поэтому подробности обучения и результаты оценки установить нельзя.

BioBERT for Adverse Drug Effect Classification — англоязычная модель классификации предложений, разработанная на основе dmis-lab/biobert-base-cased-v1.2 и дообученная для определения, описывает ли предложение нежелательный эффект лекарственного препарата. Она предназначена для разметки биомедицинских текстов, например предложений из медицинских публикаций и сообщений о нежелательных реакциях. Модель использует архитектуру BERT для классификации последовательностей, содержит 135,5 млн параметров и принимает контекст длиной до 512 токенов. Обучение проводилось на ADE Corpus V2; на тестовой выборке из 3 528 примеров карточка сообщает weighted F1 0,96 и F1 класса ADE 0,93. Модель не извлекает названия препарата или конкретного эффекта, а качество на текстах вне MEDLINE case reports может отличаться. Распространяется по лицензии Apache-2.0.

Модель biomedtra-small-es-squad2-es разработана SOMOS NLP в рамках хакатона 2022 года по извлечению ответов на вопросы в биомедицине. Это модель ElectraForQuestionAnswering с 20,5 млн параметров, дообученная на испанском mrm8488/biomedtra-small-es для датасета squad_es версии 2; она принимает вопрос и контекст и извлекает ответ непосредственно из текста. Модель предназначена для ответов на вопросы по испанским биомедицинским текстам, включая случаи, когда в контексте нет ответа. Максимальная длина контекста — 512 токенов. В README приведены результаты оценки на dev-выборке hackathon-pln-es/biomed_squad_es_v2 и сравнение с другими моделями хакатона. Это ориентир для указанного набора данных, а не гарантия качества на других текстах. Лицензия в предоставленных данных не указана.

maimd/BioMistral-CPT-Yoruba-Clinical-POC — текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. По названию модель ориентирована на клинические сценарии на языке йоруба; разработчик и базовая модель в доступной карточке не указаны. Модель распространяется для использования через библиотеку Transformers и поддерживает задачу генерации текста. Потенциальные применения включают создание и продолжение клинических текстов, ответы на вопросы и помощь в работе с медицинской информацией на йоруба. В README отсутствуют сведения о датасетах, обучении, оценивании, результатах, лицензии и рекомендациях по безопасному использованию, поэтому модель требует проверки перед применением в медицинских процессах.

AmberYifan/capsd-medcase-marin-8b-base-medicine_cap_b2000_s0 — дообученная модель на основе marin-community/marin-8b-base, разработанная AmberYifan. Она предназначена для генерации и продолжения текста; название обучающего набора указывает на адаптацию к медицинским клиническим случаям. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров, принимает текст и генерирует текст. Контекстное окно составляет 4096 токенов. В карточке нет сведений об оценке качества и конкретных сценариях применения. Модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и исходной базовой модели перед применением.

Модель dima806/chest_xray_pneumonia_detection — классификатор рентгеновских снимков грудной клетки на классы NORMAL и PNEUMONIA. Она разработана на основе Vision Transformer ViT-Base с патчами 16×16, предварительно обученного Google на ImageNet-21k, и дообучена для выявления пневмонии. Модель содержит 113,2 млн параметров и принимает изображение, выдавая метку класса. В README приведён отчёт на тестовой выборке из 1710 снимков: точность составляет около 96,1%, а precision, recall и F1 для обоих классов — около 96%. Эти показатели относятся к указанной выборке и сами по себе не подтверждают клиническую пригодность модели. Модель опубликована в форматах PyTorch и Safetensors под лицензией Apache-2.0.

CheXOne — медицинская визуально-языковая модель, разработанная Stanford AIMI и дообученная на основе Qwen2.5-VL-3B-Instruct. Она предназначена для анализа рентгенограмм грудной клетки и поддерживает ответы на визуальные вопросы, подготовку черновиков рентгенологических заключений и визуальную локализацию находок. Модель предлагает режим с явными рассуждениями и более быстрый режим инструкций без цепочек рассуждений. Модель построена на архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и принимает изображения и текст, выдавая текстовые ответы. Заявленная длина контекста — 128 000 токенов; в карточке указан английский язык. По README, в 55% случаев её черновики заключений соответствуют или превосходят заключения, составленные врачами-резидентами. Модель может служить вспомогательным инструментом и не заменяет клиническую оценку специалиста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

DISC-MedLLM — медицинская языковая модель для диалоговых сценариев в здравоохранении, разработанная лабораторией Fudan-DISC. Она создана на базе Baichuan-13B-Base и дообучена на наборе DISC-Med-SFT, содержащем более 470 тысяч примеров из медицинских датасетов и диалогов пациентов с врачами. В метаданных указано 12,9 млрд параметров; модель использует архитектуру BaichuanForCausalLM и распространяется в формате PyTorch. Модель предназначена для многоходовых медицинских консультаций, ответов на вопросы о здоровье и лечении, а также для изучения медицинских диалогов. Авторы отмечают ориентацию на предметные знания, диалоговое взаимодействие и согласование с предпочтениями людей. Карточка указывает китайский язык. Лицензия — Apache-2.0. Авторы предупреждают, что ответы могут быть неточными или ненадёжными и требуют критической проверки; модель заявлена для исследований и тестирования. Квантизированный запуск Baichuan может снизить качество. Веса в репозитории могут отличаться от версии демонстрационного сервиса.

DrMedra4B-abliterated-i1-GGUF — это квантизированная в формате GGUF версия модели DrMedra4B-abliterated, подготовленная пользователем mradermacher на основе модели drwlf. Модель дообучалась на наборе данных nicoboss/medra-medical и ориентирована на медицинские сценарии, включая клиническое рассуждение, суммаризацию и диагностику. Указана поддержка английского и румынского языков. Модель заявлена как vision model, однако в данном описании не приведены сведения о точной архитектуре, количестве параметров базовой модели, размере контекстного окна и поддерживаемых типах изображений. Доступны многочисленные варианты квантизации с размером файлов примерно от 1,5 до 3,8 ГБ; более компактные варианты экономят память, но могут заметно уступать по качеству. README рекомендует i1-Q4_K_M как быстрый вариант и компромисс между размером, скоростью и качеством. Модель предназначена для локального запуска средствами, совместимыми с GGUF, однако медицинские ответы требуют обязательной проверки специалистом и не должны использоваться как самостоятельное основание для диагностики или лечения. Лицензия указана как Apache-2.0. Информация о результатах бенчмарков, ограничениях безопасности и качестве на реальных клинических данных отсутствует.

thivy/embeddinggemma-300m-norwegian-health-cachedmnrl-v1 — модель Sentence Transformer, дообученная на базе google/embeddinggemma-300m на наборе норвежских триплетов по медицинским темам. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантического сходства с помощью косинусной близости. Модель предназначена для семантического поиска и извлечения релевантных фрагментов из норвежских медицинских текстов, а также для поиска перефразировок, классификации и кластеризации. Архитектура — Gemma3TextModel с примерно 302,8 млн параметров; максимальная длина входа — 2048 токенов. Репозиторий использует Sentence Transformers и формат safetensors. В карточке приведены результаты оценки на тестовых наборах для триплетов и информационного поиска; они относятся к указанным наборам и не гарантируют качество на других данных. Модель формирует текстовые эмбеддинги, а не медицинские заключения. Лицензия в предоставленных данных не указана.

EriBERTa-base — двуязычная доменно-специализированная языковая модель для клинической обработки текста, разработанная Икером де ла Иглесиа, Айцибер Атутчей, Кольдо Гохенолой и Андером Барреной. Модель построена на архитектуре RoBERTa и содержит 162,4 млн параметров; она обучена на медицинских и клинических корпусах на английском и испанском языках. Репозиторий предоставляет веса PyTorch и safetensors, лицензия — Apache-2.0. Модель предназначена прежде всего для задачи заполнения маскированных фрагментов текста. Её можно адаптировать для клинического NER и классификации текста; авторы также отмечают потенциал переноса знаний между языками, что может быть полезно при нехватке клинических данных на испанском. Длина контекста составляет 514 токенов. Модель показала преимущества над предшествующими испанскими языковыми моделями в клинической области, однако её следует проверять и валидировать для конкретного применения. Данные из разных источников, в том числе собранные веб-сканированием, могут недостаточно охватывать отдельные клинические поддомены, редкие заболевания и языковые варианты, а также содержать демографические и лингвистические смещения. EriBERTa не предназначена для медицинской диагностики или критически важных решений; результаты требуют проверки специалистом.

teckedd разработала DONDO w2v-BERT CTC — дообученную модель распознавания речи для Twi (Akan), в частности Asante Twi. Она предназначена для транскрибации аудио в текст и использования в голосовых сценариях Ghana Health AI, включая разговоры о здоровье на Twi и английском. Архитектура — Wav2Vec2BertForCTC; модель содержит 402,7 млн параметров и распространяется в формате safetensors через Transformers. Для Asante Twi перед декодированием к акустическим признакам нужно добавлять языковой идентификатор 2. Обучение использовало данные Google WaxalNLP, Common Voice 22.0 и локальные записи Ghana Health AI. Валидационная ошибка слов WER составила 0,274, а ошибка символов CER — 0,090 при жадном CTC-декодировании без языковой модели. Это кандидат для применения в продукте, но показатели относятся к конкретной валидации и не гарантируют качество на других записях. Модель не предназначена для клинической диагностики или автономных медицинских решений. Лицензия — Apache-2.0.

Карточка модели lintw/HealthGPT-L14 на Hugging Face совпадает с карточкой lintw/HealthGPT-M3, поэтому описание составлено по ней. HealthGPT-M3 — модель lintw для унифицированных мультимодальных медицинских задач, дообученная на базе microsoft/Phi-3-mini-4k-instruct. Карточка описывает её как модель для работы с медицинскими данными в разных модальностях, но не уточняет архитектуру, конкретные поддерживаемые модальности или отдельные сценарии применения. В метаданных указаны английский и китайский языки, лицензия MIT и задача any-to-any. Базовая Phi-3-mini-4k-instruct — компактная диалоговая языковая модель с контекстом до 4096 токенов; этот предел относится к базовой модели, а контекст HealthGPT-M3 отдельно не подтверждён. Подробности о качестве и ограничениях в карточке отсутствуют.

Echelon-AI/hindi-medbot-llama3 — объединённая языковая модель на архитектуре Llama 3, созданная методом task arithmetic с помощью mergekit на основе HPAI-BSC/Llama3-Aloe-8B-Alpha и Cognitive-Lab/LLama3-Gaja-Hindi-8B-v0.1. Модель содержит около 7,5 млрд параметров, использует формат safetensors и рассчитана на контекст до 8192 токенов. По названию и базовым моделям она предназначена для генерации ответов на медицинские вопросы на хинди и английском языке. Её можно применять как чат-бота для справочной работы с медицинскими темами и как основу для исследовательских экспериментов; ответы не следует считать заменой консультации врача. Метаданные указывают на чат-возможности, а основная задача в каталоге — text-generation. Лицензия в предоставленных данных не указана.