IV.4Клиническая медицина и общественное здоровье

pszemraj/medgemma-4b-it-heretic — дообученная мультимодальная модель на базе Google MedGemma 4B PT и архитектуры Gemma 3, опубликованная пользователем pszemraj. Она принимает медицинские изображения и текст и генерирует текстовые ответы; исходное семейство MedGemma предназначено для разработки приложений в здравоохранении и обучено понимать медицинские тексты и изображения, включая рентгенограммы грудной клетки, дерматологические, офтальмологические и гистопатологические изображения. Визуальный компонент использует энкодер изображений SigLIP. Модель подходит как отправная точка для визуальных вопросов по медицинским снимкам и ответов на медицинские вопросы. Метка heretic и теги uncensored/decensored/abliterated указывают на изменённую версию, но README не поясняет характер этих изменений. В карточке указана лицензия other. Модель требует проверки и адаптации под конкретное применение; её ответы могут быть неточными и не предназначены для самостоятельного использования при диагностике, выборе лечения или ведении пациентов. Оценка исходной MedGemma преимущественно охватывала задачи с одним изображением; применение с несколькими изображениями и многоходовые сценарии не оценивались.

MediPhi-Clinical — языковая модель Microsoft Healthcare & Life Sciences для клинических и медицинских задач на английском языке. Это плотная авторегрессионная модель архитектуры Phi-3, дообученная на клинических текстах и объединённая с базовой моделью методом SLERP с коэффициентом 25%. Она содержит 3,7 млрд параметров, поддерживает диалоговый режим и контекст до 4096 токенов; распространяется в формате Safetensors. Модель предназначена для исследований и benchmarking в клинической обработке естественного языка, в том числе в средах с ограничениями по памяти, вычислительным ресурсам и задержке. Она может помогать анализировать клинические записи и отвечать на вопросы по медицинским текстам, но не заменяет проверку специалистом и не подходит для принятия медицинских решений без отдельной оценки и защитных мер. Основной язык модели — английский; качество и безопасность на других языках могут быть ниже. Модель может выдавать недостоверные, устаревшие или предвзятые ответы и терять последовательность в длинных диалогах. Лицензия — MIT.

Minbyul/meditron-7b-dpo-full-sft-wo-kqa_silver_wogold — дообученная модель для генерации текста, созданная на базе Minbyul/meditron-7b-wo-kqa_silver_wogold-sft с помощью датасета HuggingFaceH4/ultrafeedback_binarized. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров и контекстом 2048 токенов. Базовая Meditron-7B предназначена в том числе для ответов на медицинские вопросы на английском языке, однако README этой версии не описывает её назначение и результаты приведены только для оценочного набора без пояснения методики. Модель опубликована в формате Safetensors под лицензией Llama 2; применимость лицензии следует оценивать с учётом её условий.

Cbezz/modernbert-pii — англоязычная модель на базе ModernBERT-base от AnswerDotAI, дообученная для распознавания персональных данных в клинических записях Австралии. Это encoder-only модель с архитектурой ModernBERT и 149 млн параметров; она выполняет токенную классификацию с BIO-разметкой и выделяет имена, даты рождения, адреса, телефоны, медицинские идентификаторы, сведения о персонале и другие типы чувствительных данных. Модель предназначена для обнаружения и последующей защиты персональных данных в клинических текстах; пример использования приведён для библиотеки Transformers. Модель принимает текст и возвращает разметку токенов с обнаруженными сущностями. Контекст модели — до 8192 токенов. Она ориентирована на английские клинические записи австралийского контекста; качество для других языков и областей не подтверждено. Распространяется по лицензии Apache-2.0.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в шведских клинических текстах. Это дообученная для NER модель KB/bert-base-swedish-cased на архитектуре BERT: она классифицирует токены по меткам O, B-DISEASE и I-DISEASE. Модель принимает текст и возвращает метки сущностей; размер составляет 151,9 млн параметров, контекст — до 512 токенов. Лицензия — CC BY 4.0. На тестовом наборе MultiClinNER для шведского языка модель получила strict F1 0,6337 и символьный F1 0,7584. Для воспроизведения оценок рекомендуется использовать токенизацию, соответствующую обучающей, и повторно выравнивать смещения сущностей; на границах рядом с пунктуацией стандартная токенизация может давать отличия. Авторы отмечают, что возможные смещения модели отдельно не оценивались.

ONCA 3.0-12B — текстовая исследовательская модель для шести структурированных задач в онкологии, созданная Joesh1 на основе Google Gemma 4 12B. Модель содержит 11,95 млрд параметров, использует архитектуру Gemma 4 Unified и выдаёт результаты в компактном формате JSON. Чекпойнт прошёл два этапа SFT с QLoRA и финальное дообучение GRPO; опубликованные веса объединяют адаптер с базовой моделью. Модель предназначена для классификации патологических категорий TNM, первичной сортировки клинических испытаний и рассуждений по критериям включения, а также классификации молекулярных доказательств CIViC. Она работает только с текстом; оценка проводилась с лимитом 4096 токенов. Результаты на замороженной выборке разработки и валидации не заменяют проверку на закрытой тестовой выборке. Модель может ошибаться клинически даже при корректном JSON: возможны галлюцинации, неверная классификация, пропуск обоснований и неподдерживаемый формат. Проспективная клиническая проверка и независимая экспертная оценка не завершены; триаж испытаний не определяет право пациента на участие. Не предназначена для обработки изображений или идентифицирующих данных пациентов. Лицензия CC BY-NC 4.0 допускает использование на условиях некоммерческого распространения с указанием авторства.

OpenMed-ZeroShot-NER-BloodCancer-Multi-209M — модель OpenMed для распознавания именованных сущностей в медицинских и биомедицинских текстах. Она основана на архитектуре GLiNER и дообучена на корпусе CLL, посвящённом хроническому лимфолейкозу. Модель принимает текст и возвращает найденные сущности с метками; благодаря подходу zero-shot можно задавать типы сущностей без отдельного дообучения. Модель предназначена для извлечения терминов, связанных с хроническим лимфолейкозом, включая заболевания, биомаркеры, терапию и клинические понятия. Она может применяться для анализа медицинской документации, научной литературы и данных о лечении. В README приведён F1 0,60 на тестовом наборе CLL, исключённом из обучения; для пользовательских типов сущностей рекомендуется подбирать порог обнаружения. Модель распространяется по лицензии Apache-2.0.

SapBERT-DE — модель для связывания немецкоязычных биомедицинских упоминаний с сущностями из базы знаний UMLS-Wikidata. Она создана дообучением многоязычной модели связывания сущностей SapBERT-UMLS на немецкой биомедицинской базе знаний. Модель построена на архитектуре XLM-RoBERTa и содержит около 305,2 млн параметров; максимальный контекст составляет 514 токенов. Модель предназначена для извлечения текстовых представлений, используемых при сопоставлении терминов и упоминаний с биомедицинскими сущностями. Репозиторий содержит веса в формате safetensors и помечен лицензией Apache-2.0. Описание не сообщает об ограничениях точности или оценках качества.

SegVol — универсальная интерактивная модель для сегментации объёмных медицинских изображений, разработанная авторами проекта SegVol. Она принимает томографические данные и текстовые, точечные или рамочные подсказки, чтобы выделять анатомические структуры в трёхмерном объёме. Модель обучали на 90 тысячах неразмеченных и 6 тысячах размеченных КТ-исследований; заявлена поддержка более 200 анатомических категорий. SegVol предназначена для сегментации медицинских КТ-объёмов с интерактивным уточнением области интереса. В карточке Hugging Face указаны архитектура SegVolModel, формат PyTorch и лицензия MIT. Модель ориентирована на медицинские изображения; заявленные возможности и обучение относятся к КТ, поэтому пригодность для других методов визуализации из доступных сведений не следует.

shadow-clown-BioMistral-7B-DARE — слитая методом DARE TIES языковая модель на архитектуре Mistral, созданная с помощью mergekit из BioMistral/BioMistral-7B-DARE и CorticalStack/shadow-clown-7B-dare. Модель содержит 7,1 млрд параметров, использует веса safetensors в формате float16 и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста; её биомедицинская направленность связана с BioMistral и включает ответы на биомедицинские вопросы и исследовательские сценарии. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или дополнительных сведений о поддерживаемых языках.

shanchen-llama3-8B-slerp-biomed-chat-chinese-GGUF — это набор GGUF-квантизаций базовой модели shanchen/llama3-8B-slerp-biomed-chat-chinese, подготовленный Featherless AI Quants. Модель предназначена для генерации текста и диалоговых сценариев, в первую очередь связанных с биомедицинской тематикой и китайским языком. Формат GGUF подходит для локального запуска в совместимых инструментах, однако конкретные поддерживаемые среды в README не указаны. В основе лежит модель семейства Llama 3 с заявленным размером 8B; также указано, что это результат slerp-объединения моделей. Модель текстовая, но сведения о точном контекстном окне, языках помимо китайского, данных обучения и результатах оценки отсутствуют. Доступны варианты квантизации Q2_K, Q3_K, Q4_K, Q5_K, Q6_K, Q8_0 и IQ4_XS размером примерно от 3 до 8 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Основные преимущества — специализированная биомедицинская направленность, диалоговый формат и широкий выбор уровней квантизации. Ограничения включают отсутствие в README подробных сведений о качестве, безопасности медицинских ответов, контексте и рекомендуемых параметрах использования; поэтому результаты не следует считать профессиональной медицинской консультацией без дополнительной проверки. Лицензия в README не указана.

Модель nhuvo/umt5-base-en-vimedner-mt-en2vi разработана на основе google/umt5-base и дообучена для перевода биомедицинских текстов с английского на вьетнамский на датасете En-ViMedNER. Это модель кодировщик-декодер семейства UMT5 с 296 млн параметров, предназначенная для запуска через библиотеку Transformers; веса опубликованы в формате safetensors. Подходит для перевода англоязычных биомедицинских материалов на вьетнамский, включая текст из области распознавания медицинских сущностей. Лицензия — Apache-2.0.

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.

Weblab-MedLLM-gpt-oss-120b — медицинская языковая модель, разработанная в рамках проекта NEDO при участии Weblab. Это чат-модель на архитектуре MoE с 120 млрд параметров, основанная на gpt-oss-120b и дообученная на синтетических данных из медицинских статей, книг, клинических рекомендаций и экзаменационных заданий. Она предназначена для ответов на медицинские вопросы и поддержки исследовательских и информационных сценариев на японском языке; в README приведены результаты экзаменационных бенчмарков и пример использования RAG с клиническими рекомендациями. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. Для запуска в BF16 требуется около 240 ГБ памяти GPU; в README рекомендованы vLLM и конфигурация как минимум из четырёх H100 80 ГБ. Лицензия — Apache-2.0. Разработчики не рекомендуют напрямую использовать модель для диагностики, выбора лечения или медицинских советов: безопасность и эффективность в реальной клинической практике недостаточно проверены, а ответы не гарантируются по точности, полноте и актуальности.

Stanford AIMI әзірлеген XraySigLIP — кеуде қуысының рентген суреттерін мәтіндік сипаттамалармен салыстыратын SigLIP негізіндегі zero-shot классификация моделі. Ол ViT-L/16 SigLIP-384 архитектурасына сүйенеді және сурет пен кандидат белгілер тізімін қабылдап, олардың сәйкестік бағаларын береді. Модель рентген суреттерін еркін берілген мәтіндік санаттар бойынша алдын ала арнайы оқытусыз жіктеуге арналған; ол CheXagent жобасының құрамындағы модельдердің бірі. Hugging Face карточкасында шамамен 0,7 млрд параметр көрсетілген. Лицензиясы CC BY-NC 4.0, сондықтан коммерциялық қолдануға арналмаған.

Модель gulsmyigit/base_Cochrane-slerp_merged_llama3.1-8b — языковая модель для генерации текста и диалогов, полученная слиянием моделей методом SLERP с помощью mergekit. В слияние вошли meta-llama/Llama-3.1-8B-Instruct и модель llama3.1-8b_Cochrane_lead_adapter; базой конфигурации указана Llama-3.1-8B-Instruct. По метаданным, это плотная архитектура LlamaForCausalLM с 7,5 млрд параметров, контекстом до 131 072 токенов и файлами safetensors; модель рассчитана на чат. Модель можно применять для диалоговых ответов и генерации текста в сценариях, связанных с Cochrane, однако README не приводит результатов оценки, конкретных клинических рекомендаций или подтверждения медицинской надёжности. Языки, кроме характеристик унаследованной базовой модели, отдельно не описаны. Лицензия в предоставленных источниках не указана.

Thyme233/bge_based_arg_minibio_matryoshka — англоязычная модель Sentence Transformer, дообученная автором на 4 247 парах вопросов и ответов из датасета json для представления текстов о биомедицинских темах. Архитектура основана на BERT и BAAI/bge-base-en-v1.5; модель кодирует предложения и абзацы в плотные векторы размерностью до 768 и сравнивает их по косинусному сходству. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, сопоставления вопроса с ответом, поиска перефразировок, кластеризации и классификации текстов. Обучение с MatryoshkaLoss позволяет использовать укороченные эмбеддинги размерностью 512, 256, 128 или 64 для компромисса между размером вектора и качеством поиска. В README приведены метрики retrieval-оценки на разных размерностях. Модель принимает текст и выдаёт векторные эмбеддинги; она не генерирует ответы. README описывает англоязычные данные с биомедицинскими вопросами и ответами, поэтому качество в других тематиках и языках может отличаться. Лицензия — Apache-2.0.

Bio_Discharge_Summary_BERT — модель семейства BERT, разработанная Emily Alsentzer и соавторами для клинических текстов. Она инициализирована весами BioBERT и дополнительно предобучена на выписных эпикризах из базы MIMIC-III: использовались заметки таблицы NOTEEVENTS объёмом около 880 млн слов. Перед обучением документы делили на клинические разделы и предложения. Модель предназначена для получения контекстных представлений клинического текста и предсказания замаскированных токенов. Её можно применять как основу для задач обработки медицинских текстов, включая извлечение сущностей и оценку текстовых выводов; в карточке приводятся результаты исходной работы для NER и NLI. Архитектура — BERT dense, около 135,5 млн параметров, контекст — до 512 токенов. Модель рассчитана на английский язык и выпущена в форматах PyTorch и Flax. Модель предобучена на клинических записях пациентов отделений интенсивной терапии одной больницы, поэтому её область знаний и стиль могут не охватывать другие учреждения, популяции и языки. Карточка не описывает её как готовую систему для клинических решений; для специализированных задач может потребоваться дообучение и проверка качества. Лицензия — MIT.

lokeshcodes/clinical-sentence-model — англоязычная Sentence Transformer-модель на архитектуре BERT, дообученная на базе cambridgeltl/BioRedditBERT-uncased. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения медицинских текстов; сходство вычисляется по косинусной мере. Модель принимает текст и поддерживает последовательности длиной до 512 токенов. Модель подходит для извлечения признаковых представлений, поиска по текстам и оценки сходства предложений, в том числе в медицинских обсуждениях. Веса представлены в формате safetensors, для работы используется библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

CODER — англоязычная медицинская модель эмбеддингов терминов, разработанная Zheng Yuan, Zhengyun Zhao, Haixia Sun, Jiao Li, Fei Wang и Sheng Yu. Она предназначена для нормализации медицинских терминов и сопоставления терминов на разных языках. Модель основана на BERT, содержит 136,7 млн параметров и обрабатывает последовательности длиной до 512 токенов. CODER формирует векторные представления медицинских терминов с учётом знаний из медицинских графов знаний и контрастивного обучения. Её можно применять для поиска соответствий между вариантами терминов и их нормализованными формами. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — Apache-2.0. В карточке описана английская версия модели.

unikei/distilbert-base-re-punctuate — модель на базе DistilBERT, разработанная для восстановления пунктуации в текстовых расшифровках медицинской и биотехнологической речи. Она принимает текст транскрипта и размечает токены, чтобы восстановить пунктуацию после распознавания речи. Архитектура — DistilBertForTokenClassification; максимальная длина контекста составляет 512 токенов. В метаданных указаны английский язык и медицинские датасеты DrugProt и NCBI Disease. Модель подходит для постобработки результатов распознавания медицинской речи и биотехнологических диктовок. Она не распознаёт аудио напрямую: на вход подаётся уже готовый текст. Лицензия — BigScience OpenRAIL-M.

Fleming-R1-7B — медицинская модель рассуждений, разработанная командой Fleming и основанная на Qwen2.5-7B. Она предназначена для пошагового анализа медицинских вопросов и подготовки ответов, в том числе по сложным случаям и цепочкам рассуждений. Для обучения использованы медицинские наборы данных и графы знаний; подход включает начальное обучение на трассах рассуждений и двухэтапное обучение с подкреплением. Модель имеет архитектуру Qwen2, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Репозиторий предоставляет веса в формате Safetensors; модель поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Карточка сообщает о высоких результатах 7B-версии на медицинских бенчмарках, но не приводит здесь подробных результатов. Модель предназначена только для исследований и справочного использования вне клинической практики: её ответы и рассуждения не являются медицинской рекомендацией и требуют проверки квалифицированным специалистом. Лицензия — Apache-2.0.

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.

HuBERT-ECG Base — предварительно обученная модель для работы с электрокардиограммами, разработанная авторами исследования HuBERT-ECG. Она обучена в режиме самообучения на 9,1 млн 12-канальных записей ЭКГ из четырёх стран и предназначена для извлечения признаков, которые можно использовать в последующем дообучении для диагностических и прогностических задач. В README описаны оценки на наборах данных для взрослых и детей, в том числе для одноканальных записей; версия Base содержит 113,3 млн параметров. Модель рассчитана на исследовательские и прикладные сценарии анализа ЭКГ, включая классификацию сердечных состояний и прогнозирование рисков после настройки под конкретную задачу. Репозиторий использует Transformers и формат safetensors. Перед подачей данных требуется предварительная обработка согласно статье. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

JapMed-DARE_TIES — диалоговая языковая модель на архитектуре Llama 3, созданная автором tiborousset слиянием моделей методом DARE TIES. В качестве базовой использована lightblue/suzume-llama-3-8B-japanese, в слияние также включена ContactDoctor/Bio-Medical-Llama-3-8B. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста в формате диалога, в том числе ответов на вопросы по биомедицинским темам и на японском языке благодаря характеристикам объединённых моделей. Карточка не приводит отдельной оценки качества или подробного описания языкового покрытия. Репозиторий распространяет веса в формате Safetensors; лицензия в предоставленных данных не указана.

Joycean0301/Llama-3.2-3B-Instruct-Medical-Conversational — диалоговая языковая модель, разработанная Joycean0301 на основе unsloth/llama-3.2-3b-instruct-bnb-4bit с дополнительным обучением. Она предназначена для генерации ответов в медицинских диалогах. Модель использует плотную архитектуру LlamaForCausalLM и содержит 3,2 млрд параметров; заявленный контекст — до 131 072 токенов. Для обучения применялись Unsloth и Hugging Face TRL. Модель принимает текст и генерирует текст; в метаданных указан английский язык. Весы доступны в формате safetensors, лицензия — Apache-2.0. Карточка не приводит деталей обучающего набора, медицинских специализаций или оценок качества, поэтому надежность ответов в клинических сценариях по этим данным оценить нельзя.

meddeid-english-synth — англоязычная модель для выявления персональных идентификаторов в клинических текстах, разработанная для проекта MedDeID. Она предназначена для локального обнаружения сущностей и деидентификации медицинских записей с профилями en-GB и en-US; модель предсказывает символьные смещения фрагментов и относит их к 14 типам, включая имена, адреса, даты, контактные данные, идентификаторы и организации. Архитектура основана на FacebookAI/roberta-base с отдельными головами BIO-разметки и классификации сущностей; размер — 151,8 млн параметров, контекст — 514 токенов. Длинный текст обрабатывается перекрывающимися окнами по 512 токенов с перекрытием 64 токена. Модель дообучена на синтетических англоязычных клинических данных; README сообщает высокие результаты на синтетических тестах, но они не предсказывают качество на реальных записях. Модель может пропускать идентификаторы или удалять клинически значимый текст, поэтому перед применением нужна проверка на данных и условиях конкретной организации. Текст сам по себе анонимным не становится, а обработку чувствительных данных следует выполнять локально в контролируемой среде. Лицензия — AGPL-3.0-only с исключением MedDeID Private Fine-Tuning Exception, версия 1.0.

Medical v5 — это диалоговая медицинская модель на 7,6 млрд параметров, созданная автором pai-pixel на базе Qwen/Qwen3-8B методом supervised fine-tuning. Она предназначена для клинических вопросов по традиционной китайской и западной медицине. Обучение проводилось на 37 353 клинических примерах; часть обучающих данных содержит цепочки рассуждений, созданные с помощью дистилляции Baichuan-M2-32B. Режим явных рассуждений можно включать и отключать через параметр enable_thinking. Модель принимает текст и генерирует текст на китайском языке. Архитектура — плотная причинная языковая модель Qwen3; заявленная длина контекста составляет 40 960 токенов. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Медицинские ответы могут быть неточными и не должны заменять оценку квалифицированного специалиста.

MedVLThinker-7B-RL_PMC — медицинская мультимодальная модель для работы с изображениями и текстом, разработанная UCSC-VLAA на базе Qwen/Qwen2.5-VL-7B-Instruct. Модель содержит 7,1 млрд параметров и дообучена методом обучения с подкреплением на датасете PMC-VQA. Она принимает изображения вместе с текстовыми запросами и формирует текстовые ответы, в том числе в диалоговом режиме. Модель предназначена для визуальных вопросов и ответов по медицинским изображениям и для исследовательских сценариев анализа медицинского визуального материала. Архитектура Qwen2.5-VL поддерживает контекст до 128 000 токенов; в репозитории указаны веса safetensors. Лицензия — Apache-2.0. Карточка не приводит клинической валидации или сведений о пригодности ответов для принятия медицинских решений.

yasserrmd/neurology-gemma-300m-emb — плотная модель Sentence Transformer, дообученная на базе google/embeddinggemma-300m для работы с текстами по неврологии. Она преобразует предложения и абзацы в векторы размерности 768; сходство между ними оценивается косинусной мерой. Модель обучена на 20 000 пар текстов с использованием MultipleNegativesRankingLoss и рассчитана на последовательности длиной до 2048 токенов. Модель подходит для семантического поиска по неврологическим материалам, сопоставления медицинских вопросов и ответов, поиска перефразировок, кластеризации и классификации текстов. Это модель для получения эмбеддингов, а не для генерации ответов. В карточке и метаданных не указаны лицензия и перечень поддерживаемых языков, поэтому их нельзя достоверно описать.