IV.4Клиническая медицина и общественное здоровье

OpenMed-NER-BloodCancerDetect-MultiMed-568M — модель OpenMed для распознавания и классификации упоминаний, связанных с хроническим лимфолейкозом, в биомедицинских и клинических текстах. Это дообученная модель архитектуры XLM-RoBERTa с примерно 658,7 млн параметров; она принимает токенизированный текст и выдаёт BIO-разметку. В карточке указаны метки B-CL и I-CL, а контекстное окно составляет 8194 токена. Модель предназначена для извлечения терминов о хроническом лимфолейкозе из медицинских записей, научных публикаций и документов здравоохранения. Возможные сценарии — поиск упоминаний заболевания и связанных с ним клинических понятий, анализ литературы и подготовка данных для медицинских NLP-систем. README приводит F1 0,82, точность 0,90 и полноту 0,76 на CLL corpus; эти показатели относятся к описанной в карточке оценке и не гарантируют качество на других данных. В метаданных указан английский язык. Лицензия — Apache-2.0.

phi-2-meditron — дообученная методом SFT языковая модель, созданная Мохамадом Альхаджаром на базе microsoft/phi-2 с использованием набора данных Meditron. Она предназначена для генерации ответов на вопросы и предоставления сведений по медицинским темам на английском языке. Модель использует архитектуру PhiForCausalLM семейства Phi; её контекст ограничен 2048 токенами. Модель может служить вспомогательным инструментом для поиска ответов на медицинские вопросы и подготовки справочной информации. Она не заменяет профессиональную медицинскую оценку; README не приводит результаты клинической проверки. Распространяется по лицензии MS-PL.

Polyglot-Ko-Medical-5.8b — корейская медицинская языковая модель, созданная дообучением EleutherAI/polyglot-ko-5.8b командой squarelike. Модель основана на архитектуре GPT-NeoX и предназначена для генерации текста по медицинским темам на корейском языке. Для обучения использован примерно 420 МБ корейских медицинских и специализированных текстов, включая материалы AIHub и Национального портала медицинской информации Корейского агентства по контролю и профилактике заболеваний. Дообучение выполнено методом QLoRA; в README указаны ранг 8, alpha 32 и три эпохи обучения. Модель содержит 7,6 млрд параметров, принимает текст, генерирует текст и имеет контекстное окно 2048 токенов. Модель можно применять для генерации корейских медицинских текстов и создания прототипов медицинских языковых приложений. Специализация и обучающие данные не гарантируют клиническую точность, поэтому ответы не следует считать медицинской рекомендацией. Лицензия — Apache-2.0.

Qwen2.5-14B-Instruct-epi — дообученная модель автора anjelinejeline на базе Qwen2.5-14B-Instruct для классификации эпидемиологических текстов и извлечения структурированных сведений о вирусе Западного Нила (WNV). Модель принимает новостные статьи и эпидемиологические сводки и формирует ответ в JSON: определяет тип сообщения и наличие вспышки, извлекает страны и коды ISO2, затронутые виды и дату события, а также краткое обоснование классификации. Это плотная причинная языковая модель семейства Qwen2 с 14 млрд параметров и контекстом 32 768 токенов. В карточке указаны дообучение с использованием Unsloth, TRL и QLoRA, а также публикация слитых весов в формате 16-битного float; репозиторий содержит safetensors. Модель рассчитана на англоязычные эпидемиологические материалы, выдаёт текст в структурированном формате JSON и поддерживает чатовый интерфейс. Лицензия — Apache-2.0. Модель специализирована на сообщениях о WNV; карточка не подтверждает её точность для других заболеваний или свободного диалога. Строгий формат JSON и качество извлечения зависят от следования описанному шаблону запроса.

HYU-NLP-EVAL создала плотный чекпойнт Qwen3-4B, полученный дообучением Qwen/Qwen3-4B-Instruct-2507 на этапе RaR-Medicine OnlineRubrics. Репозиторий содержит модель в BF16 для инференса и исходные файлы чекпойнта veRL с параметрами модели. Модель предназначена для генерации текста в диалоговом формате и задач, связанных с медицинскими онлайн-рубриками. Архитектура — Qwen3 dense с 3,7 млрд параметров; длина контекста — до 262 144 токенов. Лицензия — Apache-2.0.

RaR-Medicine static R0 matched dense checkpoint — экспериментальный чекпойнт на базе Qwen3-4B-Instruct-2507, созданный командой HYU-NLP-EVAL. Модель предназначена для генерации текста в медицинском контексте; карточка называет её шагом 3 запуска и указывает, что в корне репозитория находится BF16-модель для инференса, а в original_checkpoint/ — исходные файлы чекпойнта veRL с параметрами модели. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 262 144 токенов. Она работает через Transformers и предоставляет диалоговый интерфейс. Лицензия — Apache-2.0. Карточка помечает применение как исследовательское.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная на основе Qwen/Qwen3-4B-Instruct-2507. Репозиторий содержит BF16-чекпойнт для инференса; карточка указывает на исследовательское использование и на шаг обучения 18 экспериментального чекпойнта RaR-Medicine static R0 matched dense. Модель предназначена для генерации текста и диалогового взаимодействия в медицинском контексте. Она принимает текст и выдаёт текст; архитектура — Qwen3ForCausalLM, библиотека — Transformers, формат файлов — safetensors. Указанный родной размер контекста — 262 144 токена. Лицензия — Apache-2.0.

SapBERT-UMLS-2020AB-all-lang-from-XLMR-large — многоязычная биомедицинская модель Cambridgeltl для получения векторных представлений названий сущностей и медицинских терминов. Она основана на XLM-RoBERTa large и обучена на UMLS 2020AB с использованием SapBERT; для представления входной строки рекомендуется брать вектор токена [CLS]. Модель содержит 658,7 млн параметров, принимает текст и имеет контекстное окно 514 токенов. Модель предназначена для извлечения признаков и сравнения биомедицинских терминов между языками, например для поиска соответствий между названиями медицинских сущностей и семантического поиска. В карточке указаны многоязычность и связь с UMLS; конкретные поддерживаемые языки не перечислены. Репозиторий содержит веса PyTorch. Лицензия и ограничения на использование в README и предоставленных метаданных не описаны.

TinySapBERT — компактная модель представлений биомедицинских сущностей от dmis-lab. Её обучили по схеме SapBERT на основе TinyPubMedBERT, используя официальный код и инструкции SapBERT. TinyPubMedBERT, в свою очередь, является дистиллированной версией PubMedBERT. Модель предназначена для получения векторных представлений биомедицинских текстов и сущностей, например для сопоставления упоминаний с терминами и поиска близких понятий. Это модель семейства BERT с 15,6 млн параметров и контекстом до 512 токенов; репозиторий содержит веса PyTorch. Карточка связывает её с биомедицинским распознаванием сущностей и системой KAZU, но не сообщает отдельных метрик качества или условий лицензии.

1-bit Medical Embedding Model — медицинская и биомедицинская модель для построения текстовых эмбеддингов. Она создана на основе Microsoft BitNet b1.58 2B4T и адаптирована в двунаправленный энкодер предложений по рецепту LLM2Vec: базовые веса оставались замороженными, а для обучения использовались LoRA-адаптеры, затем объединённые с моделью. Модель содержит 2,4 млрд параметров; доступны ternary GGUF с квантизацией TQ1_0 размером около 1,1 ГБ и bf16-веса. Эмбеддинги имеют размерность 2560, а первые 768, 512, 256 или 128 измерений можно использовать как укороченные векторы. Поддерживается запуск на CPU через llama.cpp. Модель предназначена для поиска и сопоставления медицинских текстов: семантического поиска, извлечения релевантных публикаций, кластеризации и оценки сходства. Обучение проводилось на англоязычных данных PubMed, учебниках и парах вопросов с контекстами PubMedQA; для запросов рекомендуется инструкционный префикс, а для документов — без префикса. Внутренняя оценка на парах PubMed показала Recall@10 0,98 для GGUF, но модель обучалась лишь несколько тысяч шагов, не проверялась на внешних бенчмарках и слабее подходит для клинических записей. Ternary-экспорт уступает bf16-версии примерно пятью пунктами Recall@1. Модель не предназначена для принятия клинических решений. Лицензия — MIT.

youngseok12 выпустил A.X-3.1-Light Specialist LoRA Merge — самостоятельную языковую модель на 6,8 млрд параметров на базе SK Telecom A.X-3.1-Light. Три LoRA-адаптера, обученные для отдельных направлений, объединены методом DARE-TIES с равными весами и плотностью 0,5; итоговые веса сохранены в BF16 Safetensors, поэтому отдельный адаптер для запуска не нужен. Модель использует исходный шаблон чата базовой модели и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации кратких ответов в формате «ответ сначала» на корейские вопросы с выбором одного из четырёх вариантов. Специализации охватывают медицинские знания, числовое рассуждение и причинно-следственный анализ; карточка сообщает о проверке формата ответов на отложенной выборке публичных бенчмарков. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Bone-Fracture-Detection — модель бинарной классификации рентгеновских снимков костей, разработанная prithivMLmods на основе SigLIP 2 Base Patch16-224 и дообученная на наборе Hemg/bone-fracture-detection. Она относит снимок к одному из двух классов: перелом или отсутствие перелома. Модель предназначена для поддержки анализа медицинских изображений, сортировки случаев и помощи при первичном просмотре рентгенограмм. В отчёте на 8 863 примерах указана точность 83,03%; полнота для класса «перелом» — 78,93%, а для класса «без перелома» — 87,22%. Модель принимает изображение и выдаёт оценки классов. Эти показатели описывают приведённую оценку на конкретном наборе данных и не подтверждают клиническую пригодность. Модель выпущена под лицензией Apache-2.0.

AmberYifan/capsd-medmcqa-marin-8b-base-medicine_ppl_b2000_s0 — дообученная модель семейства Llama на базе marin-community/marin-8b-base. Веса содержат около 7,5 млрд параметров; модель использует архитектуру LlamaForCausalLM и библиотеку Transformers. Контекстное окно — 4096 токенов. Модель дообучена на наборе capsd_marin-8b-base-n80000-medicine-medmcqa__mix_medicine_ppl_b2000_s0, связанном с медицинскими вопросами и датасетом MedMCQA. Она предназначена для генерации и продолжения текста, в частности ответов на медицинские вопросы. Базовая модель описана как англоязычная, поэтому основным языком модели считается английский. В карточке не приведены результаты оценки качества и подробные ограничения медицинского применения. Модель распространяется с лицензией «other»; конкретные условия следует сверить с лицензией репозитория.

ClinicalBERT — медицинская языковая модель, разработанная MedicalAI и дообученная на крупном корпусе электронных медицинских записей. В карточке указаны данные более чем о 3 миллионах пациентов и предобучающий корпус объёмом 1,2 млрд слов по различным заболеваниям. Модель основана на DistilBERT и предназначена для работы с медицинским текстом. Метаданные Hugging Face указывают задачу заполнения пропусков в тексте (fill-mask) и контекст длиной до 512 токенов. Это позволяет, например, подбирать скрытые слова в клинических формулировках. Репозиторий содержит веса PyTorch. Медицинская специализация и обучение на электронных медицинских записях подходят для анализа клинических текстов, однако карточка не приводит результатов оценки качества или сведений о поддерживаемых языках. Лицензия в предоставленных данных не указана.

ClinicalDistilBERT — языковая модель для клинических текстов, созданная дообучением BioDistilBERT-cased в режиме continual learning на клинических заметках MIMIC-III в течение трёх эпох. Она предназначена для предсказания замаскированных токенов и подстановки пропусков в медицинских текстах. Модель основана на DistilBERT: 6 слоёв трансформера, размер скрытого представления и эмбеддингов 768, словарь из 28 996 токенов и около 65 млн параметров; контекст — до 512 токенов. Доступна в формате PyTorch по лицензии MIT. Обучение на заметках MIMIC-III может ограничивать переносимость на другие клинические источники и стили документации.

Cognitapp-Med-Nano-v1 — компактная медицинская языковая модель Cognitapp Labs, дообученная на базе Qwen/Qwen2.5-0.5B-Instruct. Она предназначена для извлечения клинических сведений и подбора кодов ICD-10-CM для медицинского биллинга. Модель содержит 494 млн параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов; формат весов — safetensors. Модель рассчитана на обработку клинических сценариев, включая педиатрию, гериатрию и инфекционные заболевания. По карточке, обучение нацелено на точность буквенно-цифровых кодов и использование в автономном режиме на мобильных и настольных устройствах через MLX или llama.cpp. Поддерживаемые языки по метаданным — английский и урду. Модель предназначена как вспомогательный инструмент для медицинских специалистов и сотрудников биллинга, а не для постановки диагноза. Результаты следует проверять квалифицированному медицинскому специалисту; ошибки в клинических выводах или кодировании остаются возможны. Лицензия — Apache-2.0.

aisuko/distilroberta-pubmed-embeddings — англоязычная модель Sentence Transformers, дообученная разработчиком aisuko на базе sentence-transformers/all-distilroberta-v1 для преобразования предложений и абзацев в плотные векторы размерности 768. В основе — DistilRoBERTa с архитектурой RoBERTa; эмбеддинги формируются усреднением токенов, нормализуются и сравниваются по косинусному сходству. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстовых данных. В README приведена оценка cosine_accuracy 1.0 на TripletEvaluator для набора ai-pubmbed-validation, однако размер и состав выборки подробно не описаны, поэтому результат не гарантирует аналогичного качества на других данных. Обучение проводилось на 1 000 примерах с инструкциями, контекстом и негативным контекстом. Модель выдаёт текстовые эмбеддинги, а не готовые ответы. Она ориентирована на английский язык и медицинские тексты PubMed; характеристики качества на других языках и областях не приведены. Лицензия в предоставленных источниках не указана.

yujuyeon/internvl3_5-1b-medical-347k — это медицинская мультимодальная модель на базе InternVL3.5-1B от OpenGVLab, дообученная автором репозитория на корейских данных для специализированных диалогов с изображениями и текстом. Модель использует плотную архитектуру InternVLForConditionalGeneration; веса опубликованы в формате safetensors, для работы предлагается библиотека Transformers. Она предназначена для ответов на вопросы о медицинских изображениях и для корейских мультимодальных медицинских сценариев. README указывает один обучающий поднабор medical_347k для supervised fine-tuning; сведения о конкретных типах изображений, оценке качества и результатах обучения не приводятся. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория и базовой модели.

Llama-Ko-Medical-7b — медицинская языковая модель на основе Llama 2, дообученная разработчиком на корейском медицинском корпусе объёмом около 526 МБ. В обучающие данные входят корейские медицинские материалы, новости о здоровье и специализированный корейско-английский корпус; в таблице README также упомянуты профессиональные книги по праву и медицине. Модель содержит 6,7 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текста. Она предназначена для генерации корейского текста по медицинской тематике и может служить основой для медицинских языковых приложений на корейском языке. Дообучение выполнено методом QLoRA с рангом 64 в течение трёх эпох; родительская модель — llama-2-ko. Контекст модели составляет 2048 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Llama 2. Специализированное дообучение не гарантирует точность медицинских ответов, поэтому модель не следует рассматривать как замену профессиональной медицинской консультации.

dumbequation/Llama3.2-medical-visualqa-11B — дообученная мультимодальная модель на базе unsloth/Llama-3.2-11B-Vision-Instruct. Она предназначена для ответов на вопросы по медицинским изображениям, в частности снимкам радиологии и изображениям кожи, связанным с раком кожи. Модель принимает изображения и текстовые вопросы и формирует текстовые ответы; в карточке также указан диалоговый интерфейс. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. В README автор рекомендует параметры min_p=0.1 и temperature=1.5. Модель ориентирована на медицинские сценарии визуального вопросно-ответного поиска, включая вопросы о КТ грудной клетки и изображениях кожи. Карточка не описывает клиническую валидацию и не приводит ограничений по точности, поэтому ответы не следует считать подтверждённым медицинским диагнозом.

unsloth/medgemma-27b-it — вариант MedGemma 27B IT, опубликованный Unsloth и основанный на дообученной Google модели google/medgemma-27b-it. Это мультимодальная инструкция Gemma 3 с плотной архитектурой и генерацией текста по текстовым запросам и медицинским изображениям. Семейство MedGemma обучалось на медицинских текстах и изображениях, включая рентгенограммы грудной клетки, дерматологические, офтальмологические и гистопатологические изображения; для мультимодальной версии 27B также указаны данные медицинских записей и FHIR. Модель предназначена для разработчиков медицинских и научных приложений: она может отвечать на вопросы по медицинским изображениям, обрабатывать медицинские записи и отвечать на текстовые медицинские вопросы. Это исходная точка для дальнейшей адаптации под конкретные сценарии, а не готовая система клинической поддержки. В README отдельно указано, что для оценки изображений без генерации текста рекомендуется MedSigLIP. Модель принимает текст и изображения и генерирует текст; в карточке указана поддержка английского языка. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия обозначена как other. Результаты могут быть неточными и требуют независимой проверки и клинической валидации; модель не предназначена для самостоятельной постановки диагнозов, выбора лечения или принятия решений о ведении пациента. Мультимодальные возможности оценивались преимущественно на задачах с одним изображением, а работа с несколькими изображениями и многоходовые сценарии не оценивались.

MedGemma 4B IT 4bit — мультимодальная медицинская модель на архитектуре Gemma 3, представленная в репозитории mlx-community в 4-битном формате MLX. README указывает, что модель преобразована из google/medgemma-4b-it; метаданные каталога связывают её с google/medgemma-4b-pt как с базовой моделью и описывают её как дообученную. Модель принимает текст и медицинские изображения и генерирует текстовые ответы в диалоговом формате. Модель предназначена для вопросов по медицинским изображениям и тексту, в том числе в радиологии, дерматологии, патологии и офтальмологии. Версия 4bit предназначена для запуска в экосистеме MLX. Качество ответов и применимость к клиническим решениям по имеющимся данным не подтверждены; лицензионные условия обозначены как other, поэтому перед использованием следует проверить исходную карточку модели.

unsloth/medgemma-4b-pt — вариант MedGemma 4B PT от Google, опубликованный Unsloth. Это дообученная мультимодальная модель на архитектуре Gemma 3 с плотным decoder-only Transformer и кодировщиком изображений SigLIP; репозиторий содержит веса Safetensors. Модель принимает медицинские изображения и текст и предназначена для разработки и адаптации приложений в здравоохранении: например, для ответов на вопросы по снимкам и текстовым медицинским вопросам. В предобучение вошли данные по рентгенограммам грудной клетки, дерматологии, офтальмологии и гистопатологии; версия PT рассчитана на эксперименты с дальнейшей адаптацией, а README рекомендует instruction-tuned вариант как отправную точку для большинства приложений. Модель может выдавать ошибочные ответы и требует независимой проверки, клинической корреляции и валидации на данных, представительных для целевого применения. Она не предназначена для непосредственного принятия клинических решений; многократные диалоги и сценарии с несколькими изображениями не оценивались. Использование регулируется условиями Health AI Developer Foundations; в метаданных лицензия обозначена как other.

MediLlama-3.2 — медицинская диалоговая модель, разработанная InferenceLab на основе Meta Llama 3.2 3B Instruct и дообученная методом supervised fine-tuning на медицинских наборах данных. Она предназначена для ответов на вопросы о здоровье, первичной оценки симптомов и просветительских бесед на английском языке; модель также можно встроить в прототипы телемедицинских помощников, систем клинической документации и диагностических ассистентов после дополнительной настройки. Это плотный decoder-only Transformer семейства Llama с 3,2 млрд параметров и контекстом до 131 072 токенов. Модель принимает текст и генерирует текст в формате диалога. Лицензия — Apache 2.0. Модель может выдавать неверные или устаревшие советы и отражать смещения обучающих данных; она не обучалась для педиатрии и узких медицинских специальностей. Её не следует использовать для постановки диагноза, выбора лечения или экстренных решений без проверки квалифицированным специалистом; карточка рекомендует применять её для исследований и прототипирования, а не для клинического внедрения без соблюдения регуляторных требований.

meditron-70b-chat — медицинская языковая модель, дообученная Мохамадом Альхаджаром на основе epfl-llm/meditron-70b методом supervised fine-tuning на наборе Alpaca. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 68,7 млрд параметров; она генерирует текст по инструкциям и предназначена для ответов на вопросы о медицине. Модель ориентирована на английский язык, а её родной контекст составляет 4096 токенов. Модель подходит для прототипирования медицинских чат-ботов, подготовки ответов на общие медицинские вопросы и исследовательской оценки медицинских рассуждений. Она не заменяет клиническую экспертизу, а качество и безопасность ответов README не характеризует. Распространяется по лицензии Llama 2; перед использованием следует соблюдать её условия.

DmitryPogrebnoy/MedRuBertTiny2 — русскоязычная модель семейства BERT, разработанная Дмитрием Погребным как дообученная версия cointegrated/rubert-tiny2. Модель содержит около 29 млн параметров, использует архитектуру BertForMaskedLM и распространяется в формате PyTorch по лицензии Apache-2.0. Модель дообучена на специально собранном наборе из более чем 30 тысяч русскоязычных медицинских анамнезов. Она предназначена для заполнения пропусков в тексте и ранжирования кандидатов при исправлении опечаток в медицинских историях болезни. Её можно подключить через Transformers как masked language model. Специализация на медицинских анамнезах может ограничивать качество на текстах других областей и на задачах, отличных от заполнения маски или ранжирования кандидатов. В карточке заявлено исследовательское происхождение проекта, но лицензия модели — Apache-2.0.

OpenMed-NER-BloodCancerDetect-SnowMed-568M — специализированная модель OpenMed для распознавания и классификации сущностей в биомедицинских текстах, связанных с хроническим лимфолейкозом (CLL). Она предназначена для извлечения упоминаний CLL из клинических документов и научной литературы, например, для анализа медицинских записей и исследований в гематологии и онкологии. Модель использует архитектуру XLM-RoBERTa с головой token classification; в README базовая архитектура названа snowflake-arctic-embed-l-v2.0. Размер — около 658,7 млн параметров, максимальный контекст — 8194 токена. На вход подаётся токенизированный биомедицинский текст, на выходе — метки BIO; в карточке указаны сущности B-CL и I-CL. README сообщает F1 0,84, точность 0,98 и полноту 0,74 на CLL corpus, поэтому пропуски сущностей возможны. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-BloodCancerDetect-SuperMedical-125M — специализированная модель OpenMed для распознавания сущностей в клинических текстах о хроническом лимфолейкозе. Она дообучена для token classification на корпусе CLL и выделяет сущности, помечаемые метками B-CL и I-CL, возвращая BIO-разметку токенов. Архитектура — RoBERTa; в метаданных указано около 151,8 млн параметров и контекст до 514 токенов. Модель предназначена для извлечения терминов, связанных с хроническим лимфолейкозом, из медицинских записей и научной литературы, а также для поиска упоминаний заболевания в задачах биомедицинского анализа. README сообщает F1 0,85, точность 1,00 и полноту 0,74 на CLL-датасете; результаты следует считать привязанными к описанному набору данных. Модель принимает токенизированный текст и выдаёт метки сущностей. Указана лицензия Apache-2.0.

pai-dkplm-medical-base-zh — китайская медицинская языковая модель семейства DKPLM, разработанная командой Alibaba PAI и представленная в работе DKPLM: Decomposable Knowledge-enhanced Pre-trained Language Model for Natural Language Understanding. Это плотная архитектура BERT с головой masked language modeling, примерно 129,5 млн параметров и контекстом до 512 токенов. Модель предназначена для задач понимания китайского медицинского текста и предобучена с использованием знаний, разложимых на компоненты. Её основной сценарий — заполнение маскированных фрагментов текста; веса доступны в формате PyTorch для использования с Transformers. Лицензия — Apache-2.0.

Qwen2.5-Aloe-Beta-7B — медицинская языковая модель HPAI на архитектуре Qwen2.5, созданная дообучением базовой Qwen2.5-7B. Это декодерный трансформер с 7,1 млрд параметров и контекстом до 131 072 токенов; модель предназначена для ответов на вопросы о здоровье и других медицинских задач, включая суммаризацию, объяснение, классификацию, диагностику и рекомендации по лечению. Она обучена преимущественно на медицинских данных и поддерживает диалог и интерфейс вызова инструментов; заявленный язык — английский, другие языки формально не оценивались. Авторы сообщают о конкурентных результатах на медицинских наборах вопросов и ответов, особенно при использовании Medprompt и RAG. Модель может ошибаться, выдавать токсичный контент и содержать нежелательные смещения. Её нельзя применять в клинической практике, для постановки диагнозов или оказания медицинских рекомендаций. Модификации Aloe распространяются по лицензии CC-BY-NC-4.0 для некоммерческого использования и исследований.