IV.4Клиническая медицина и общественное здоровье

Qwen3_Medical_GRPO — дообученная lastmass плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, созданная на базе unsloth/Qwen3-4B-Base. После многоэтапного SFT модель дополнительно оптимизировали алгоритмом GRPO с несколькими вариантами награды за точность ответов. Модель предназначена для медицинских вопросов: она может разбирать сложные запросы, давать логический анализ и формировать структурированные ответы. Для подробного пошагового клинического рассуждения в README предлагается специальный токен в конце запроса. Модель принимает текст и генерирует текст; контекст — до 32 768 токенов. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0. Модель может допускать ошибки и пропуски в медицинских ответах. Разработчик предназначает её для академических исследований и технической коммуникации и предупреждает, что результаты не заменяют консультацию специалиста и не должны служить основанием для клинических решений.

SapBERT-PubMedBERT — англоязычная биомедицинская модель семейства BERT, разработанная Liu и соавторами и дообученная на названиях сущностей из UMLS 2020AA. В качестве основы использована microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для получения векторных представлений названий биомедицинских сущностей. Для каждого входного названия используется эмбеддинг токена [CLS] последнего слоя. Такие векторы подходят для поиска семантически близких терминов и связывания упоминаний с сущностями медицинских словарей. Модель работает с текстом на английском языке и распространяется по лицензии Apache-2.0.

keremberke/yolov8s-blood-cell-detection — модель компьютерного зрения на базе YOLOv8s, опубликованная пользователем keremberke. Она предназначена для обнаружения клеток крови на изображениях и распознаёт три класса: тромбоциты, эритроциты и лейкоциты. Модель работает с библиотекой Ultralytics и представлена в формате PyTorch. Модель подходит для автоматического поиска и локализации клеток на микроскопических изображениях, например, при подготовке или предварительной разметке наборов изображений. Данных о лицензии и условиях использования в предоставленной карточке нет.

Карточка модели FreedomIntelligence/Apollo-7B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo-0.5B, поэтому описание составлено по ней. Apollo-0.5B — медицинская разговорная языковая модель от FreedomIntelligence, представленная в проекте Multilingual Medicine. Она предназначена для генерации ответов на медицинские вопросы и диалога на медицинские темы; в README описаны корпус ApolloCorpus и бенчмарк XMedBench для обучения и оценки моделей проекта. По метаданным, модель основана на плотной архитектуре Qwen2ForCausalLM, содержит 463,9 млн параметров и поддерживает контекст до 32 768 токенов. README указывает поддержку английского, китайского, испанского, французского и хинди; метаданные отмечают разговорный формат. Модель подходит для ответов на медицинские вопросы и справочного диалога, но результаты оценки и подробные инструкции по применению именно этой версии в карточке не приведены. Она не заменяет профессиональную медицинскую консультацию. Распространяется по лицензии Apache-2.0.

Arcane-13B — англоязычная плотная авторегрессионная языковая модель семейства Llama с 12,9 млрд параметров, разработчик — ar3xop. Она предназначена для анализа текстов о психическом здоровье, оценки кризисных ситуаций и благополучия, многофакторной классификации дистресса и генерации пояснений. Модель принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Карточка описывает модель как инструмент для сложного анализа и оценки, однако не приводит результатов проверок качества, протоколов клинической валидации или инструкций по безопасному применению. Модель не следует считать заменой специалиста в вопросах психического здоровья. Доступна в формате PyTorch по лицензии Llama 2.

Bio_ClinicalBERT — англоязычная модель семейства BERT, разработанная Эмили Олсентцер и соавторами. Она основана на BioBERT и дополнительно предобучена на клинических записях из MIMIC-III: использованы все заметки из таблицы NOTEEVENTS, около 880 млн слов. Текст заметок разбивали на разделы и предложения перед обучением. Модель содержит 135,5 млн параметров, использует плотную архитектуру BERT и обрабатывает последовательности длиной до 512 токенов. В каталоге Hugging Face задача модели обозначена как fill-mask: она предсказывает замаскированные слова в клиническом тексте. Полученные представления также описаны в публикации как применимые к задачам клинического NLI и распознавания именованных сущностей, но README не приводит здесь результатов оценки. Модель предназначена для клинического NLP на английском языке, например для анализа медицинских записей и разработки систем обработки электронных медицинских карт. Она обучалась на данных пациентов отделения интенсивной терапии одной больницы, поэтому её поведение может хуже переноситься на другие учреждения, типы записей и популяции. Лицензия — MIT.

Aurigene AI публикует зеркальную копию BioGPT — авторегрессионной генеративной Transformer-модели для биомедицинских текстов. Согласно карточке, исходная модель Microsoft предварительно обучена на 15 млн аннотаций PubMed; в репозитории указано 446,1 млн параметров и контекст до 1024 токенов. Формат весов — PyTorch, библиотека для работы — Transformers. Модель предназначена для генерации биомедицинского текста, извлечения отношений между медицинскими сущностями и ответов на вопросы по научной литературе, включая сценарии в стиле PubMedQA. Карточка сообщает о сильных результатах на нескольких биомедицинских задачах, но приведённые показатели относятся к исходной модели BioGPT и не гарантируют качество для любого применения. Модель ориентирована на английские тексты и не предназначена для замены медицинского специалиста. В метаданных указана лицензия MIT. Aurigene AI отмечает, что модель является зеркальной копией microsoft/biogpt и приписывает авторство исходным разработчикам.

BioGravity-bilingual-Inst — корейско-английская биомедицинская инструкционная модель компании AIGEN Sciences, созданная на базе Gravity-30B-A5B-Preview. Она предназначена для ответов на биомедицинские вопросы, объяснения понятий, выполнения инструкций и помощи в исследованиях с использованием инструментов в среде Biomni A1. Модель использует архитектуру GravityMoEForCausalLM с разреженной смесью экспертов и MLA. В репозитории указано 3,8 млрд параметров и контекст до 131 072 токенов; доступны объединённый чекпойнт, токенизатор, шаблон чата и метаданные протокола A1. Для работы с инструментами среда должна обрабатывать специальные маркеры действий и наблюдений. В README приведена точность 55,1% на Biomni Eval1 при использовании оценочного контура; этот результат зависит от соответствующей среды и конфигурации. Модель может допускать фактические ошибки, её знания не включают более поздние публикации и рекомендации, а качество на языках помимо корейского и английского не гарантируется. Лицензия — Apache-2.0; авторы указывают исследовательское назначение и рекомендуют проверять ответы специалистом.

cnut1648/biolinkbert-mednli — модель классификации текста, дообученная на наборе MedNLI на базе michiyasunaga/BioLinkBERT-large. Она предназначена для определения логического отношения между медицинской гипотезой и текстовым описанием клинического случая, например для проверки, следует ли гипотеза из текста, противоречит ему или не определяется им. Модель построена на архитектуре BERT и содержит 432,2 млн параметров; принимает текстовые последовательности с контекстом до 512 токенов и выдаёт метку класса. В README приведена точность 0,879 на оценочной выборке из 1395 примеров MedNLI. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Результат на этой выборке не гарантирует аналогичную точность на других данных или клиническое качество; модель предназначена для классификации текстовых пар, а не для постановки диагноза.

Minbyul/biomistral-7b-wo-kqa_silver_wogold-sft — диалоговая модель генерации текста, дообученная автором на базе BioMistral/BioMistral-7B с использованием набора HuggingFaceH4/deita-10k-v0-sft. Она построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговых ответов и генерации текста; медицинская и биологическая направленность унаследована от базовой BioMistral. В карточке приведён результат оценки: loss 0.8051. Подробности о предназначении, ограничениях и данных оценки автор не указал. Модель распространяется по лицензии Apache-2.0.

Модель ShadNygren/BioTechFineTuneTest-DrugAdverseEffects-SIDERv1_then_v2 разработана ShadNygren и дообучена на основе ShadNygren/BioTechFineTuneTest-DrugAdverseEffects-SIDERv1. Это плотная причинно-языковая модель семейства Llama объёмом 7,5 млрд параметров для генерации текста; в названии указана тематика побочных эффектов лекарств и датасета SIDER, однако README не уточняет конкретные сценарии обучения или проверенные возможности. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 8192 токенов. Обучение проводилось с использованием Unsloth и Hugging Face TRL. Лицензия — Apache-2.0.

nampham1106/bkcare-embedding — модель эмбеддингов предложений на базе RoBERTa, опубликованная пользователем nampham1106. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и кластеризации. Модель обучалась с функцией MultipleNegativesRankingLoss на косинусном сходстве; карточка связывает её с набором данных ViHealthQA, что указывает на медицинский контекст обучения. Модель предназначена для получения векторных представлений текста, сопоставления семантически близких фраз и поиска релевантных текстов. Она использует библиотеку sentence-transformers, имеет 162,4 млн параметров и контекст длиной 258 токенов; доступны форматы ONNX и safetensors. Лицензия — MIT. Карточка не приводит результатов оценки и не описывает явно поддерживаемые языки. Специализация на ViHealthQA может ограничивать качество за пределами соответствующего медицинского контекста; короткое окно контекста также ограничивает обработку длинных текстов.

AmberYifan/capsd-medcase-marin-8b-base-medicine_ppl_b4000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Веса представлены в формате safetensors и содержат 7,5 млрд параметров; модель работает с контекстом до 4096 токенов и доступна через Transformers. Модель предназначена для генерации текста в медицинском контексте. README указывает, что при дообучении использован набор данных capsd_marin-8b-base-n13092-medicine-medcase__mix_medicine_ppl_b4000_s0; метаданные также отмечают возможность чата. Языковые возможности базовой модели описаны как англоязычные, поэтому поддержку других языков по имеющимся сведениям подтвердить нельзя. В README нет результатов оценки качества и подробностей о целевом применении. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

UMCU/CardioBERTa.nl_clinical — нидерландская медицинская языковая модель на архитектуре RoBERTa, разработанная на основе CLTL/MedRoBERTa.nl. Модель продолжительно предварительно обучали на открытых нидерландских и переведённых англоязычных медицинских текстах, затем дополнительно обучали на медицинских рекомендациях, научных публикациях и электронных историях болезни, включая кардиологические записи. Обучающий корпус насчитывает около 20 млрд токенов и 32 млн документов. Модель предназначена для медицинского NLP на нидерландском языке, в частности для заполнения пропусков в тексте и адаптации к работе с клиническими формулировками. В репозитории указаны 153,2 млн параметров, контекст до 514 токенов и формат safetensors. Для использования и распространения действует лицензия GPL-3.0. Модель обучалась на сочетании нидерландских и английских медицинских данных, включая переведённые тексты. Это не генеративная модель для свободного диалога и не готовый клинический инструмент; качество на задачах, отличных от заполнения пропусков, в карточке не описано.

ClinicalGPT — языковая модель, разработанная для клинических сценариев и дообученная на медицинских записях, специализированных знаниях и многоходовых диалогах консультаций. Модель построена на архитектуре BLOOM и содержит 9,1 млрд параметров; для работы доступны веса PyTorch и библиотека Transformers. В карточке указаны максимальная длина обучения 1 024 токена и непрерывное обновление модели. Модель предназначена для генерации текста в медицинском контексте: например, для подготовки ответов в диалоге консультации или работы с медицинскими записями и профильными знаниями. Карточка ограничивает использование исследованиями и запрещает коммерческое и клиническое применение. Результаты могут содержать ошибки, неверные толкования и предвзятость; их следует независимо проверять. Лицензия — AFL-3.0.

CXRMate-TF — модель генерации рентгенологических заключений по снимкам грудной клетки, представленная авторами исследования Aaron Nicolson, Jason Dowling, Douglas Anderson и Bevan Koopman. Это продольная мультиизображенческая модель: она предназначена для формирования отчёта с учётом нескольких снимков и данных во времени. Вариант TF обучен методом teacher forcing и не использует обучение с подкреплением. Архитектура относится к vision-encoder-decoder; в метаданных указан класс LongitudinalPromptMultiCXREncoderDecoderModel. Модель принимает изображения рентгенограмм и выдаёт текст отчёта. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Размер модели, длина контекста и поддерживаемые языки в предоставленных данных не приведены.

Dr. AI v2 — медицинский диалоговый ассистент на арабском и английском языках, разработанный как двухэтапное дообучение Google MedGemma 4B на базе Gemma 3. Модель предназначена для образовательных медицинских вопросов и справочных ответов, а также рекомендаций по первичной оценке симптомов на египетском арабском и английском; обучение включало около 1,1 млн медицинских и арабоязычных документов и около 155 тыс. пар инструкций и ответов. Веса LoRA объединены с базовыми, поэтому репозиторий загружается самостоятельно. Архитектура — Gemma3ForConditionalGeneration, около 4 млрд параметров, формат bfloat16; языковая модель использует текст, а модуль обработки изображений не задействован. Настройка выполнялась с контекстом 1024 токена. Модель может быть полезна для медицинских справок и ориентировочной сортировки запросов, но не является медицинским устройством: её ответы могут быть ошибочными или небезопасными и требуют проверки квалифицированным специалистом. Арабский язык смещён в сторону египетского диалекта; модель настроена на следование инструкциям без RLHF. Лицензия репозитория — Gemma.

HuBERT-ECG large — самоконтролируемая предварительно обученная модель для извлечения представлений из электрокардиограмм, разработанная авторами исследования HuBERT-ECG. Она предназначена для получения признаков ЭКГ, которые можно использовать как основу для последующего дообучения под диагностические, прогностические и другие клинические задачи. Модель обучалась на 9,1 млн 12-канальных ЭКГ из четырёх стран; семейство также включает варианты других размеров. В исследовании представлено применение к взрослым и детским когортам, включая одноканальные ЭКГ. Размер этой версии — 236 млн параметров; для загрузки используется Transformers, веса доступны в формате safetensors. Модель рассчитана на исследовательские и прикладные разработки в кардиологии: среди рассмотренных задач — распознавание состояний, для которых ЭКГ служит основным или вспомогательным диагностическим источником, а также прогнозирование острых и отдалённых исходов. Указанная лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение. Перед подачей данных требуется соответствующая предобработка; качество для конкретных клинических сценариев зависит от данных и последующего обучения модели.

MedCrab-1.5B — специализированная модель перевода с английского на вьетнамский язык для медицинских и биомедицинских текстов. Её разработал Phạm Nguyễn Ngọc Bảo; модель дообучена на Qwen/Qwen2.5-1.5B и обучена на наборе MedCrab из 300 000 пар медицинских переводов, проверенных клиницистами во Вьетнаме и за его пределами. Модель предназначена для перевода клинических документов, научных статей и материалов по биомедицинской инженерии. В карточке заявлены сохранение биомаркеров, биологических путей и специальной терминологии, а также связный перевод сложных фрагментов длиной 100–150 слов. Архитектура — плотная авторегрессионная Qwen2ForCausalLM с 1,5 млрд параметров; максимальный контекст составляет 131 072 токена. Доступны языки английский и вьетнамский. В README приведены результаты оценки медицинских фрагментов: BLEU 42–46, COMET 0,68–0,72 и METEOR 37–40. Модель предназначена только для исследовательского использования и не должна применяться для постановки диагноза или принятия решений о лечении. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение.

MediPhi-Instruct — компактная языковая модель для клинической обработки естественного языка, разработанная Microsoft Healthcare & Life Sciences. Она создана на основе Phi-3.5-mini-instruct: медицинские экспертные модели дообучались на профильных корпусах, объединялись, а итоговая модель прошла клиническое выравнивание на данных MediFlow. Архитектура — плотная Phi-3; размер по метаданным — 3,7 млрд параметров, контекст — 4096 токенов. Модель принимает текст и генерирует текст на английском языке. Модель предназначена для исследовательских задач клинического NLP, включая диалоговые сценарии, работу с медицинскими документами и оценку языковых моделей в медицинской области. Компактный размер делает её подходящей для сред с ограниченными вычислительными ресурсами и сценариев с требованиями к задержке. Выпущена под лицензией MIT. Результаты могут содержать выдуманные, неточные или устаревшие сведения, а качество и безопасность на языках помимо английского могут быть ниже. Модель не предназначена для самостоятельного принятия клинических решений: ответы требуют проверки специалистом и оценки для конкретного применения.

UMCU/MedLlama.nl — компактная языковая модель для нидерландского медицинского текста, разработанная UMC Utrecht на основе meta-llama/Llama-3.2-1B-Instruct. Модель представляет собой плотную архитектуру LlamaForCausalLM с 1,2 млрд параметров; она прошла доменное адаптивное предобучение на общемедицинском корпусе на нидерландском языке. Метаданные указывают контекст до 131 072 токенов и поддержку диалогового взаимодействия. Модель предназначена для генерации медицинского текста на нидерландском языке и может использоваться для получения текстовых эмбеддингов. В README отмечено, что обучение ещё не завершено и значение perplexity составляет 5,5. Для генерации текста есть существенная проблема: EOS/EOT не обучены из-за ошибки конфигурации, поэтому модель может повторять текст бесконечно. Лицензия — GPL-3.0.

RyanGao/mental-roberta-depression-onnx — конверсия в формат ONNX модели karangupta224/mental_roberta_depression для запуска через Transformers.js, в том числе в браузере и бессерверной среде. Это классификатор текста на архитектуре RoBERTa с 151,8 млн параметров и контекстом до 514 токенов; он относит текст к одному из классов: депрессия или отсутствие депрессии. Модель предназначена для анализа текстов о психическом здоровье и предварительного выявления признаков депрессии или кризисного состояния, например в системах поддержки. Она обучена на данных о психическом здоровье из Reddit и рассчитана на английский язык, поэтому может хуже работать с текстами с других платформ. Результаты могут содержать ложноположительные и ложноотрицательные оценки и отражать смещения обучающих данных. Модель не предназначена для постановки диагноза и не заменяет помощь специалиста. Рекомендуется использовать её только для скрининга в системе с контролем человека и направлять людей, испытывающих эмоциональные трудности, к квалифицированным специалистам. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Merlin — 3D модель компьютерного зрения и языка для компьютерной томографии, разработанная исследователями Stanford. Она предварительно обучена с использованием структурированных электронных медицинских карт и неструктурированных радиологических заключений. Репозиторий содержит веса модели и пример изображения; для работы предлагается библиотека merlin-vlm. Модель предназначена для задач, связывающих объёмные КТ-изображения с клиническими данными и заключениями. В метаданных Hugging Face основная задача обозначена как text-to-image, однако описание README указывает на 3D vision-language модель для КТ; доступные сведения не объясняют эту классификацию и не уточняют конкретные режимы генерации или анализа. Лицензия репозитория — MIT.

Myrrh_solar_10.7b_3.0 — языковая модель MoAData, разработанная Taeeon Park и Gihong Lee. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров, предназначенная для генерации текста. В README указано, что модель обучена методом DPO на самостоятельно подготовленном наборе медицинских данных на основе набора AI-hub, поэтому она ориентирована на медицинские диалоги и ответы. Модель принимает текст и генерирует текст; карточка указывает корейский язык. Контекст составляет 4096 токенов. Для загрузки README приводит пример с Transformers и весами Safetensors в FP16. Модель опубликована под лицензией Apache-2.0. Карточка не сообщает результаты оценки качества и конкретные ограничения применения; медицинские ответы следует проверять перед использованием.

NeuroMed-Cardio-0.8B — многокомпонентная система Ethosoft для выявления кардиомегалии по рентгенограммам грудной клетки. Она сочетает сегментацию сердца и лёгких, детекцию анатомических структур, извлечение радиомических признаков и нейросетевую классификацию, чтобы оценивать кардиоторакальное отношение и выдавать бинарный прогноз кардиомегалии. В метаданных Hugging Face основная задача указана как классификация изображений; система реализована с использованием Keras и опубликована в форматах PyTorch и TensorFlow. В составе системы описаны U-Net++ для сегментации сердца, DeepLabV3+ с ResNet101 для сегментации лёгких, YOLOv11-large для детекции сердца и лёгких и CNN с остаточными блоками и механизмом внимания. Изображения обрабатываются в градациях серого и приводятся к размеру 256×256. В README приведены результаты внешней проверки классификатора: точность 80,8% и F1 81,8%; для сегментации сердца указан IoU 89%, а ансамбль оценок CTR показывает MAPE 5,02%. Модель предназначена для вспомогательного анализа рентгенограмм в задачах кардиологии и радиологии, а не для самостоятельной постановки диагноза. Результаты зависят от качества и характеристик снимков; показатели из README сами по себе не подтверждают клиническую пригодность для всех популяций и условий съёмки. Лицензия — MIT.

OctoMed-4B — мультимодальная медицинская модель для визуальных вопросов и клинического рассуждения, разработанная командой OctoMed на базе Qwen3-VL-4B-Instruct. Модель дообучена методом supervised fine-tuning на медицинском наборе данных с более чем 8 млн трасс рассуждений и 6,8 млрд токенов ответов; в карточке заявлено получение этих трасс из DeepSeek-R1 и GPT-4o. Архитектура — плотная Qwen3-VL с 4 млрд параметров; модель принимает текст и изображения и отвечает текстом. Основной сценарий — ответы на медицинские вопросы по изображению в формате multiple-choice VQA. Авторы сообщают о сильных результатах на медицинских бенчмарках вне обучающего распределения. Модель может формировать внутренние трассы рассуждений разной длины, но другие задачи, помимо VQA с выбором ответа, широко не проверялись. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-BloodCancerDetect-BioClinical-108M — модель на базе Bio_ClinicalBERT, дообученную для распознавания сущностей, связанных с хроническим лимфолейкозом (ХЛЛ), в медицинских текстах. Она принимает текст и выполняет токенную классификацию с BIO-разметкой; заявленные метки — B-CL и I-CL. Архитектура относится к семейству BERT, размер составляет 135,5 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения упоминаний о ХЛЛ из клинических записей, медицинских документов и научной литературы, а также для анализа специализированных биомедицинских текстов. В README приведены F1 0,64, точность 0,59 и полнота 0,71 на корпусе CLL; эти показатели указывают на ограничения при автоматическом извлечении и необходимость проверки результатов в конкретном применении. Карточка заявляет совместимость с Transformers. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-BloodCancerDetect-BioMed-335M — модель распознавания клинических сущностей, дообученную для поиска понятий, связанных с хроническим лимфоцитарным лейкозом (ХЛЛ), в медицинских и научных текстах. Она построена на архитектуре BERT для токен-классификации и принимает токенизированный биомедицинский текст, возвращая BIO-метки сущностей. В README указана базовая архитектура BiomedNLP-BiomedELECTRA-large-uncased-abstract; число параметров по метаданным — 433,9 млн, длина контекста — 512 токенов. Карточка перечисляет метки B-CL и I-CL, а язык карточки и языковой тег — английский. Модель предназначена для извлечения упоминаний, связанных с ХЛЛ, из клинических записей, медицинских документов и научной литературы. Её можно применять для поиска профильной терминологии в корпусах и поддержки медицинской аналитики; README также предлагает сценарии мониторинга нежелательных явлений и построения биомедицинских графов знаний, но набор меток ограничен сущностями ХЛЛ. В README приведены F1 0,76, точность 0,71 и полнота 0,83. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-BloodCancerDetect-TinyMed-82M — модель OpenMed для распознавания клинических сущностей, связанных с хроническим лимфолейкозом (ХЛЛ), в биомедицинских текстах. Это дообученная модель семейства RoBERTa для классификации токенов; в README в качестве базовой архитектуры указана distilroberta-base. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типов B-CL и I-CL. Размер по метаданным — 95,2 млн параметров, длина контекста — 514 токенов. Модель предназначена для извлечения терминов, связанных с ХЛЛ, из медицинских записей и научной литературы. Её можно применять для анализа упоминаний заболевания и связанных клинических понятий в исследованиях и документах здравоохранения. В README приведены результаты на корпусе CLL: F1 0,8793, точность 0,7904 и полнота 0,9908; эти показатели относятся к указанному набору данных и не гарантируют такое же качество на других текстах. Карточка указывает лицензию Apache-2.0.

OpenMed-ZeroShot-NER-BloodCancer-XLarge-770M — специализированная модель OpenMed для распознавания клинических сущностей в текстах о хроническом лимфолейкозе (ХЛЛ). Она основана на архитектуре GLiNER и дообучена на корпусе CLL; заявлен размер варианта — 770 млн параметров. Модель принимает биомедицинский текст и возвращает найденные сущности с классификацией по заданным типам. Нулевой режим позволяет задавать типы сущностей при запросе без отдельного дообучения, хотя карточка приводит только метку CL как тип из набора данных. Модель предназначена для извлечения упоминаний заболеваний, биомаркеров, терапий и других клинических понятий из медицинских записей и научной литературы, в частности для исследований гематологии и анализа лечения ХЛЛ. В карточке заявлен F1 0,875 на тестовом наборе CLL; этот результат относится к указанному специализированному набору данных и не гарантирует такую же точность на других текстах или типах сущностей. Карточка указывает лицензию Apache-2.0.