IV.4Клиническая медицина и общественное здоровье

mlx-community/medgemma-27b-it-bf16 — мультимодальная модель для понимания изображений и генерации текста, опубликованная сообществом mlx-community. Репозиторий содержит конверсию в формат MLX модели google/medgemma-27b-it; по метаданным архитектура — плотная Gemma 3 с 27 млрд параметров, поддерживаются чат и зрительное восприятие. Модель принимает изображения и текст и отвечает текстом; среди медицинских сценариев в метаданных отмечены рентген, патология, дерматология, снимки глазного дна и генерация рентгенологических заключений. Указан английский язык. README рекомендует запуск через mlx-vlm версии 0.3.0. Лицензия обозначена как other; конкретные условия следует сверять с карточкой исходной модели Google. Медицинское назначение и указанные сценарии не подтверждают клиническую точность; результаты требуют проверки специалистом.

MediAlbertina PT-PT 900M — медицинская языковая модель семейства энкодеров BERT на архитектуре DeBERTaV2, разработанная PortugueseNLP. Это продолжение предобучения Albertina PT-PT 900M на анонимизированных электронных медицинских картах крупной государственной больницы Португалии с помощью masked language modeling. Модель обучена на более чем 15 млн предложений и 300 млн токенов; число параметров по метаданным — 1,1 млрд, контекст — до 512 токенов. Модель рассчитана на медицинский текст на европейском португальском и доступна для задачи fill-mask: она предсказывает замаскированные слова в контексте. Её также оценивали после дообучения для извлечения медицинских сущностей, включая диагнозы, симптомы, показатели жизненных функций, результаты, процедуры, лекарства, дозировки и записи о ходе лечения, а также для определения статуса утверждения. В этих оценках MediAlbertina превзошла исходную Albertina PT-PT 900M. Модель подходит для экспериментов и создания систем анализа португальских медицинских записей, но сама по себе не является готовым решением для клинических решений: задачи извлечения сущностей и определения статуса утверждения оценивались после отдельного дообучения. Распространяется по лицензии MIT.

samrawal/medical-sentence-tokenizer — модель семейства BERT для разбиения клинического текста на предложения. Её разработчики обучили модель на нескольких наборах данных i2b2, ныне n2c2, для обработки неструктурированных медицинских записей, включая электронные истории болезни. Модель выполняет классификацию токенов, чтобы находить границы предложений. Она рассчитана на английские клинические тексты, где обычные токенизаторы предложений могут ошибаться из-за медицинских сокращений, жаргона и особенностей записей. Размер модели — 432,3 млн параметров, контекст — до 512 токенов. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Для текстов вне медицинской области авторы рекомендуют применять более универсальные токенизаторы предложений, которые могут давать лучшие результаты.

Medicine LLM 13B — языковая модель для медицинских и биологических задач, разработанная AdaptLLM и представленная в GGUF-квантизованном формате командой TheBloke. В основе лежит архитектура Llama с 13 миллиардами параметров; модель ориентирована на генерацию текста и работает на английском языке. В README указаны обучающие данные Open-Orca, GAIR/lima, WizardLM_evol_instruct_V2_196k и EleutherAI/pile, а также метрика оценки accuracy. Модель предназначена для текстовых сценариев в медицине и биологии, включая ответы на вопросы, обработку инструкций и генерацию специализированного текста. Формат GGUF подходит для локального запуска с помощью llama.cpp и совместимых интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Для работы используется шаблон запросов Llama-2-Chat. Контекстное окно, точные требования к ресурсам и поддерживаемые дополнительные модальности в README не указаны. Ключевое преимущество этой версии — доступность нескольких вариантов 2-, 3-, 4-, 5-, 6- и 8-битной квантизации для CPU- и GPU-инференса, что позволяет выбирать баланс между размером, скоростью и качеством. Ограничения включают специализацию на английском языке, возможное снижение качества из-за квантизации и отсутствие в предоставленных данных медицинских гарантий или подтверждения пригодности для клинических решений. Лицензия обозначена как other, без уточнения конкретных условий.

MediPhi-PubMed — языковая модель Microsoft Healthcare & Life Sciences для медицинских и клинических текстовых задач. Она основана на Phi-3.5-mini-instruct и создана слиянием PubMed-эксперта, дообученного на медицинских данных, с базовой моделью методом SLERP на уровне 10%. Архитектура — плотная Phi-3, около 3,7 млрд параметров; модель работает с текстом и поддерживает контекст до 4096 токенов. Модель предназначена для исследований в англоязычной клинической обработке естественного языка, включая генерацию медицинских текстов и ответы на клинические запросы. Компактный размер подходит для сценариев с ограниченными вычислительными ресурсами и требованиями к низкой задержке. Модель распространяется по лицензии MIT. Ответы могут содержать фактические ошибки, быть устаревшими или предвзятыми. Модель не оценена для всех практических задач и не должна использоваться для клинических решений без проверки специалистом; её работу также следует отдельно оценивать для конкретного сценария и языка.

MedSAM — дообученная для медицинской области модель сегментации изображений, основанная на SAM с backbone ViT-Base. Она принимает медицинское изображение и подсказку для сегментации, а затем формирует маску целевой области. Модель обучали на 1 090 486 парах «изображение — маска» из открытых источников, охватывающих 15 модальностей медицинской визуализации и более 30 типов рака. При обучении веса prompt encoder оставались замороженными, а image encoder и mask decoder обновлялись. Модель предназначена для выделения областей интереса на медицинских изображениях и может применяться в задачах анализа медицинских снимков, в том числе при изучении опухолей. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow. Код и чекпойнт распространяются по лицензии Apache 2.0. Результат зависит от корректности подсказки и может требовать проверки специалистом перед клиническим использованием.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в клинических текстах на румынском языке. Это дообученная для токенной классификации модель BERT с 151,6 млн параметров и контекстом до 512 токенов, основанная на dumitrescustefan/bert-base-romanian-cased-v1. Она помечает слова по схеме BIO: O, B-DISEASE и I-DISEASE. Модель предназначена для извлечения названий заболеваний из клинических записей и документов, в том числе для задач распознавания медицинских сущностей. Для соответствия опубликованным результатам при обработке нужно воспроизводить токенизацию, использованную при обучении; в карточке также рекомендуется шаг перекрытия 128 токенов для длинных документов. На румынском тестовом наборе MultiClinNER строгий F1 составил 0,6394, а символьный F1 — 0,7728. Модель выпущена под лицензией CC BY 4.0. Авторы предупреждают о возможных смещениях: оценка систематических предубеждений не проводилась. Результаты тестирования относятся к конкретному набору данных и задаче; модель не заменяет клиническую проверку.

nomic-embed-text-v1.5 Clinical-Trials Matryoshka — текстовая модель Sentence Transformers, дообученная на парах Clinical_trials_anchor-positive-pairs_EmbeddingModel-data_final на основе nomic-ai/nomic-embed-text-v1.5. Она преобразует предложения и абзацы на английском языке в плотные векторы размерности 768; сходство между ними оценивается косинусной мерой. Модель на базе NomicBert предназначена для семантического поиска и сопоставления текстов, включая поиск по материалам клинических исследований, а также для кластеризации, классификации и поиска перефразировок. В карточке указана максимальная длина последовательности 8192 токена, тогда как метаданные каталога указывают нативный контекст 2048 токенов. Лицензия — Apache-2.0. Это специализированное дообучение для клинических исследований; качество на других тематиках карточка не описывает.

OpenMed-PII-SuperClinical-Small (ONNX, per-channel int8) — квантованный экспорт модели OpenMed/OpenMed-PII-SuperClinical-Small-44M-v1, опубликованный создателями Anoni. Это модель токеновой классификации на архитектуре DeBERTa, предназначенная для выявления персональных данных в англоязычных клинических текстах и медицинских документах. ONNX-формат и поканальная квантизация int8 рассчитаны на локальный запуск, чтобы обрабатывать документы на устройстве без отправки данных наружу. В метаданных указаны 155 млн параметров и контекст 512 токенов; README называет исходную модель DeBERTa-v3-small. Лицензия — Apache-2.0. Карточка описывает сценарий медицинской деидентификации, но не приводит перечень распознаваемых типов PII и оценок качества, поэтому пригодность для конкретного набора документов следует проверять отдельно.

Это англоязычная модель автоматического распознавания речи, разработанная автором репозитория dys-asr и полученная дообучением NVIDIA Parakeet CTC 0.6B. Она настроена на распознавание дизартрической и другой нарушенной речи по корпусу Speech Accessibility Project Corpus 2 (SAPC2); подходит для транскрибирования речевых записей людей с различными нарушениями речи. На dev-разбиении SAPC2 модель показала WER 11,51% и CER 6,85% при жадном CTC-декодировании без языковой модели. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт английский текст. Вывод пишется заглавными буквами без пунктуации; числа передаются словами, поскольку токенизатор не содержит цифр. Точность сильно различается между говорящими и связана с причиной и тяжестью нарушения речи; обучение не доведено до сходимости. Модель представлена в формате safetensors для Transformers. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели.

QoQ-Med-VL-32B — мультимодальная клиническая модель с возможностями рассуждения, разработанная авторами проекта QoQ-Med. Она дообучена на базе Qwen2.5-VL-32B-Instruct с использованием доменно-ориентированного обучения GRPO и предназначена для ответов на медицинские вопросы с учетом изображений. Модель содержит 32 млрд параметров, использует архитектуру Qwen2.5-VL и принимает текст и изображения; контекстное окно составляет 128 000 токенов. В карточке приведена средняя точность на валидации 70,7% для версии 32B. Модель подходит для исследовательской поддержки анализа клинических изображений и медицинских вопросов, но эта метрика сама по себе не подтверждает пригодность для клинических решений. Доступна под лицензией MIT.

Карточка модели StanfordAIMI/RadPhi-2 на Hugging Face совпадает с карточкой StanfordAIMI/XraySigLIP__vit-b-16-siglip-512__webli, поэтому описание составлено по ней. Репозиторий StanfordAIMI/XraySigLIP__vit-b-16-siglip-512__webli содержит модель семейства SigLIP на базе ViT-B/16, предназначенную для классификации изображений по текстовым описаниям без дополнительного обучения на заданных классах. README содержит только название CheXagent и ссылки, поэтому назначение и характеристики уточняются по метаданным Hugging Face. Репозиторий создан StanfordAIMI; модель представлена в формате safetensors. Модель подходит для сопоставления рентгеновских изображений с текстовыми метками или описаниями. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией и ограничивает коммерческое применение. Подробности об обучении, языках и клинических ограничениях в доступных данных отсутствуют.

RAIC — это модель классификации табличных клинических данных, разработанная автором репозитория thinkhong на основе архитектуры Feature Tokenizer Transformer (FTT) с энкодером в стиле DistilBERT. Она оценивает риск первого события сердечно-сосудистого заболевания в течение пяти лет по исходным данным обследования UK Biobank: использует 69 непрерывных и 76 категориальных признаков и выдаёт один из двух классов — отсутствие события или событие. В модели восемь слоёв, 16 голов внимания, размер скрытого представления 128 и размер FFN 1024. Числовые и категориальные признаки преобразуются в токены; значения непрерывных признаков масштабируются с учётом сохранённой нормализации. Контекст составляет 256 токенов. В репозитории находятся веса, конфигурация, токенизаторы и агрегированная статистика нормализации, но нет данных отдельных участников. Применение требует надлежащего доступа к данным UK Biobank и соблюдения их правил управления. Это чекпойнт локального эксперимента по подбору гиперпараметров, опубликованный 22 сентября 2026 года. Лицензия в метаданных обозначена как unknown, поэтому условия повторного использования следует уточнить у автора. Модель использует пользовательский код, загружаемый через trust_remote_code.

Испаноязычная предварительно обученная языковая модель RoBERTa для биомедицинских и клинических текстов, разработанная подразделением Text Mining Unit (TeMU) Барселонского суперкомпьютерного центра. Модель содержит 153,2 млн параметров, использует плотную архитектуру RobertaForMaskedLM и принимает последовательности длиной до 514 токенов. Она обучена на испаноязычном корпусе объёмом более миллиарда токенов, включающем медицинские материалы и клинические документы. Основное готовое к использованию назначение — восстановление замаскированных слов в медицинских и клинических текстах на испанском языке. Модель также предназначена для дообучения под последующие задачи, например распознавание именованных сущностей и классификацию текстов; эти сценарии требуют настройки для конкретной задачи. Модель распространяется по лицензии Apache-2.0. В карточке описана оценка на наборах PharmaCoNER, CANTEMIST и ICTUSnet с сопоставлением с mBERT и BETO. Авторы предупреждают, что встроенные смещения не оценивались; обучающие данные собраны из разных источников, в том числе с помощью веб-краулинга.

STM — Phi-4-mini 3.8B — плотная модель эмбеддингов для поиска биомедицинской информации. Она создана на основе microsoft/Phi-4-mini-instruct: четыре специализированных эксперта объединены методом DARE-TIES. Модель предназначена для семантического поиска и оценки сходства между предложениями в биомедицинских коллекциях; в метаданных также указана задача извлечения признаков. Использует архитектуру семейства Phi-3, содержит 3,8 млрд параметров и поддерживает контекст до 4096 токенов. Модель подходит для поиска релевантных научных и медицинских текстов по запросу и сравнения биомедицинских формулировок по смыслу. Она выдаёт эмбеддинги, а не готовые ответы на вопросы. Репозиторий использует формат Safetensors; лицензия — MIT. Конкретные языки и подробные ограничения качества в карточке не описаны.

Карточка модели demdecuong/vihealthbert-base-word на Hugging Face совпадает с карточкой demdecuong/vihealthbert-base-syllable, поэтому описание составлено по ней. ViHealthBERT Base Syllable — вьетнамская языковая модель для анализа медицинских текстов, разработанная Minh Phuc Nguyen, Vu Hoang Tran, Vu Hoang, Ta Duc Huy, Trung H. Bui и Steven Q. H. Truong. Это плотная модель архитектуры RoBERTa, представленная в PyTorch; метаданные указывают 162,4 млн параметров и контекст до 258 токенов. Вариант syllable использует слоговую токенизацию. Модель предназначена для извлечения признаков из вьетнамских медицинских текстов и служит базой для прикладных задач: распознавания именованных сущностей, устранения неоднозначности медицинских аббревиатур и суммаризации FAQ. README сообщает о сильных результатах на наборах COVID-19, ViMQ и acrDrAid. Для обработки текста авторы рекомендуют предварительную сегментацию слов инструментом RDRSegmenter из VnCoreNLP. Карточка не указывает лицензию. Для воспроизведения рекомендуемого препроцессинга требуется VnCoreNLP; результаты модели зависят от корректной сегментации и настройки под конкретную задачу. Модель представлена как исследовательский baseline для вьетнамского здравоохранения.

andorei/BERGAMOT-multilingual-GAT — мультиязычная биомедицинская модель представления сущностей, разработанная авторами BERGAMOT. Она основана на XLM-RoBERTa и использует энкодер Graph Attention Network (GAT); при предварительном обучении применялась база медицинских понятий UMLS версии 2020AB и несколько целевых функций. Модель предназначена для извлечения представлений текста и биомедицинских сущностей, в том числе в задачах связывания сущностей с понятиями медицинских справочников. Модель содержит около 305,2 млн параметров, принимает текст и имеет контекст до 514 токенов. В карточке заявлена поддержка английского, испанского, французского, нидерландского, немецкого, финского, русского, турецкого, корейского, китайского, японского, тайского, португальского, итальянского, шведского, венгерского, польского, эстонского, хорватского, украинского и греческого языков. Выход модели — векторные представления; основной сценарий использования требует последующего поиска или сопоставления по этим векторам. Модель опубликована в формате PyTorch под лицензией, сведения о которой здесь отсутствуют.

Minbyul разработала эту диалоговую модель на основе BioMistral-7B и дообучила её методом SFT на наборе HuggingFaceH4/deita-10k-v0-sft. Это плотная языковая модель архитектуры Mistral с 7,1 млрд параметров, рассчитанная на генерацию ответов на текстовые запросы. Её можно использовать в чат-сценариях, в том числе для вопросов по медицине и биологии. Модель поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors по лицензии Apache-2.0. В README приведено значение loss 1,7672 на оценочном наборе, но подробности оценки, качества и ограничения не раскрыты.

ayoubkirouane/Breast-Cancer_SAM_v1 — модель сегментации опухолей молочной железы на медицинских изображениях, созданная на основе Segment Anything Model (SAM). В карточке указаны маммограммы и ультразвуковые изображения как целевые типы снимков. Модель использует архитектуру vision transformer семейства SAM и библиотеку Transformers; репозиторий содержит веса PyTorch. Модель предназначена для выделения области опухоли с помощью масок на изображении. SAM принимает подсказки, например точки или рамки, чтобы построить маску объекта; README связывает применение этой модели с планированием диагностики и лечения. Базовая модель SAM известна сегментацией по подсказкам и генерацией масок объектов, однако отдельные метрики качества Breast-Cancer_SAM_v1 в карточке не приведены. Лицензия репозитория — Apache-2.0. Модель предназначена для медицинских изображений, но сведения не подтверждают клиническую валидацию; результаты следует оценивать специалистам и не считать самостоятельным диагнозом.

AmberYifan/capsd-medcase-marin-8b-base-medicine_cap_b1000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. В ней 7,5 млрд параметров; модель использует архитектуру LlamaForCausalLM и формат safetensors, работает через библиотеку Transformers и поддерживает контекст до 4096 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Её дообучили на наборе capsd_marin-8b-base-n13092-medicine-medcase__mix_medicine_cap_b1000_s0, связанном с медицинскими клиническими случаями; это указывает на медицинскую направленность адаптации, но карточка не описывает конкретные возможности или результаты обучения. Базовая модель англоязычная, однако поддерживаемые языки этой производной модели отдельно не подтверждены. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели. В README не приведены сведения об оценке качества и ограничениях применения.

AmberYifan/capsd-medicine-dedup-marin-8b-base-medicine_ppl_b10000_s0 — дообученная медицинская версия Marin 8B Base, созданная на наборе capsd_marin-8b-base-n80000-medicine-dedup80k__mix_medicine_ppl_b10000_s0. Это плотная авторегрессионная Llama-модель с 7,5 млрд параметров, предназначенная для генерации и продолжения текста в медицинской тематике; метаданные также указывают поддержку чата. Модель принимает текст и генерирует текст, контекст — до 4096 токенов. Базовая Marin 8B Base описана как англоязычная, но язык самого дообучения в карточке не подтверждён. Лицензия обозначена как other, поэтому условия использования следует сверить с файлами репозитория. README не приводит результатов оценки или конкретных ограничений качества; медицинские ответы требуют проверки специалистом.

ClinicalGPT-R1-Qwen-7B-EN-preview — англоязычная медицинская разговорная модель, разработанная medicalai и дообученная на основе Qwen/Qwen2.5-7B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия; поддерживает контекст до 32 768 токенов и опубликована в формате safetensors. Модель подходит для англоязычных медицинских диалогов и генерации ответов на медицинские запросы. В метаданных также отмечен интерфейс вызова инструментов, однако README не содержит сведений о конкретных медицинских задачах, обучающих данных или оценках качества. Лицензия — AFL-3.0; медицинские ответы требуют проверки специалистом.

DermLIP PanDerm-base-w-PubMed-256 — предварительно обученная модель «зрение—язык» для дерматологии, описанная в карточке как разработанная на наборе Derm1M. Она использует CLIP-подобную архитектуру: визуальный энкодер PanDerm-base и текстовый энкодер PubmedBert-256; заявленное разрешение изображений — 224×224 пикселя. Модель предназначена для классификации изображений кожи без примеров целевых классов и с небольшим числом примеров, поиска между изображениями и текстами, а также аннотирования и объяснения визуальных концепций. В метаданных указаны задача zero-shot image classification и английский язык. Лицензия в метаданных — CC-BY-NC-4.0; README отдельно указывает CC-BY-NC-ND-4.0, поэтому условия распространения производных материалов требуют сверки с лицензией репозитория.

Модель dsuram/distilbert-mentalhealth-classifier разработана Dileep Reddy Suram и представляет собой DistilBERT, дообученный для классификации высказываний о психическом здоровье. Она присваивает тексту категорию, например «тревожность», «депрессия», ПТСР, ОКР, биполярное расстройство, СДВГ, «здоров» или «другое». Модель предназначена для предварительного выявления симптомов в диалогах, исследовательского анализа текстов и поддержки первичной сортировки обращений. В README указано, что обучение проводилось на пользовательских высказываниях из набора более чем из 42 тысяч размеченных примеров; архитектура использует DistilBERT, а максимальная длина контекста составляет 512 токенов. Карточка сообщает об английском языке. Приведённые автором результаты на выборках из 200 и 500 примеров показывают F1 0,8267 и 0,8544 после дообучения, однако подробности протокола оценки не описаны. Это классификатор, а не диагностический инструмент: его метки не заменяют оценку специалиста, а ошибки или смещения в пользовательских данных могут привести к неверным результатам. Модель распространяется по лицензии MIT.

Gemma-2-9b-Medical — медицинская языковая модель с 9 млрд параметров, разработанная автором репозитория YiDuo1999 на базе Gemma-2-9b-base. Модель дообучена на разнообразных медицинских и общих инструкциях; при настройке использованы стратегии из работы об эффективном продолжительном предобучении для снижения разрыва стабильности. Модель предназначена для генерации текста и ответов на медицинские вопросы. В README приведены оценки на MMLU-Medical, PubMedQA, MedMCQA и MedQA-4-Option, однако полные результаты сравнительной таблицы в доступной карточке отсутствуют. Контекст составляет 8192 токена; репозиторий содержит веса в формате Safetensors. Модель может помогать с медицинскими вопросами и учебными задачами, но карточка не подтверждает пригодность ответов для клинических решений. Язык лицензируется по условиям Gemma; перед использованием следует учитывать ограничения этой лицензии.

Unidocs разработала эту разговорную языковую модель для поддержки запросов и задач в сфере здравоохранения. Это полнодоступно дообученная модель на основе meta-llama/Llama-3.1-8B-Instruct с плотной архитектурой LlamaForCausalLM и 7,5 млрд параметров. Модель предназначена для диалогов и генерации текста; её контекст составляет до 131 072 токенов. При дообучении использовались материалы wiki и kowiki, данные AIHub по вопросам и ответам в здравоохранении и улучшению корейского языка, а также медицинские и юридические профессиональные тексты. Модель выпущена в рамках проекта AIDC-HPC и используется в ezMyAIDoctor. В README приведены результаты MMLU по медицинским категориям; они не гарантируют точность ответов в реальном применении. Модель ориентирована на английский и корейский языки и распространяется по лицензии MIT. Она может выдавать неточные, непоследовательные или предвзятые ответы, а её знания ограничены обучающими данными. Её нельзя использовать вместо профессиональной медицинской консультации, диагностики или лечения; медицинские ответы следует проверять у квалифицированного специалиста.

Llama-3-Luminurse-v0.2-OAS-8B — модель генерации текста, созданная автором grimjim с помощью слияния предобученных моделей на основе Llama 3. В слияние вошли диалоговая Lumimaid, биомедицинская OpenBioLLM и TheSpice, добавленная для улучшения форматирования. Модель рассчитана на чат и генерацию ответов по инструкциям, включая ролевые беседы и биомедицинские темы. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов. README отмечает, что повышение температуры может уменьшить повторы и увеличить подробность ответов, но также повышает вероятность ошибок в рассуждениях. Репозиторий содержит веса safetensors и варианты квантования GGUF и EXL2. Применяются условия CC BY-NC 4.0 и лицензии Llama 3; действуют наиболее ограничительные из соответствующих условий.

Meerkat-70B v1.0 — медицинская диалоговая модель семейства Meerkat, разработанная на основе Meta-Llama-3-70B-Instruct и дообученная на синтетических цепочках рассуждений из 18 медицинских учебников и наборах инструкций. Это плотная авторегрессионная модель Llama с 69,5 млрд параметров и контекстом 8192 токена; репозиторий содержит веса в формате Safetensors. Модель предназначена для ответов на медицинские вопросы, решения экзаменационных заданий с выбором ответа, включая USMLE, MedQA, MedMCQA и медицинские разделы MMLU, а также для следования разнообразным пользовательским инструкциям. В README описано формирование пошаговых рассуждений и выдача итогового ответа. Модель рассчитана прежде всего на английский язык. Карточка описывает оценку на медицинских бенчмарках, но это не подтверждает клиническую надёжность ответов. Для воспроизведения результатов авторы рекомендуют использовать системные сообщения из обучения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

M3D-CLIP — модель семейства M3D для медицинских изображений, обученная выравнивать представления 3D-изображений и текста с помощью контрастивного обучения на наборе данных M3D-Cap. Она предназначена для поиска соответствий между медицинскими изображениями и текстовыми описаниями, а также для извлечения признаков, пригодных для последующих визуальных и мультимодальных задач. Зрительный энкодер основан на 3D ViT: размер входного изображения составляет 32×256×256, размер патча — 4×16×16. Текстовый энкодер использует предварительно обученную BERT как инициализацию. Модель содержит 122,5 млн параметров, распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не сообщает языки текстового энкодера и длину контекста.

ianpan/mammoscreen — ансамблевая модель классификации маммографических снимков для скрининговой оценки риска рака молочной железы и плотности ткани. Она разработана на основе трёх свёрточных нейросетей с архитектурой EfficientNetV2-S; базовая модель — timm/tf_efficientnetv2_s.in21k_ft_in1k. Для трёх сетей используются разрешения 2048×1024, 1920×1280 и 1536×1536, а их результаты усредняются вместе с прогнозами по проекциям CC и MLO. Модель также принимает отдельный снимок, но ожидается снижение качества. Модель предварительно обучали на CBIS-DDSM, а затем дообучали на данных конкурса RSNA Screening Mammography Breast Cancer Detection. Она выдаёт оценку для рака и один из четырёх классов плотности ткани; автор сообщает средний AUROC 0,9451 на трёх разбиениях данных. Модель обучалась на обрезанных изображениях, поэтому перед подачей рекомендуется обрезать снимки. Это инструмент для анализа маммографических изображений, а не самостоятельная замена клинической диагностики. Репозиторий распространяется по лицензии Apache-2.0.