IV.4Клиническая медицина и общественное здоровье

OpenMed/OpenMed-ZeroShot-NER-Pharma-Small-166M — специализированная модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на наборе BC5CDR-Chem; размер 166 млн параметров в названии репозитория. Основная метка сущности — CHE, охватывающая химические соединения и лекарственные вещества. Модель предназначена для извлечения упоминаний препаратов и других химических соединений из научных аннотаций и медицинских текстов. Результаты можно использовать для фармаконадзора, поиска нежелательных реакций и последующего извлечения связей «химическое вещество — заболевание». В README заявлена возможность задавать пользовательские типы сущностей без повторного обучения, однако основная специализация модели — химические сущности BC5CDR-Chem; для редких типов может потребоваться настройка порога. Модель принимает текст и выдаёт разметку сущностей. В README приведён показатель F1 0,86 на тестовой выборке BC5CDR-Chem, исключённой из обучения. Карточка указывает английский язык и лицензию Apache-2.0. Результаты зависят от предметной области и заданных меток; широкие заявления README о распознавании любых медицинских сущностей не подтверждены приведённой специализацией и оценкой.

mradermacher/Qwen3-Embedding-Medical-0.6B-i1-GGUF — квантизированная версия модели lastmass/Qwen3-Embedding-Medical-0.6B, подготовленная mradermacher в формате GGUF. Модель предназначена для построения плотных векторных представлений медицинских текстов и задач семантического сходства, поиска и извлечения признаков. Она обучалась на наборе FreedomIntelligence/huatuo_encyclopedia_qa с использованием MultipleNegativesRankingLoss; заявленный язык — китайский. Модель имеет размер 0,6 млрд параметров и поставляется в нескольких вариантах квантизации i1, включая IQ и Q-форматы, с размером файлов примерно от 0,3 до 0,6 ГБ. В README указаны интеграция с transformers и sentence-transformers, а также варианты, оптимизированные по соотношению размера, скорости и качества, например i1-Q4_K_M. Архитектура, размерность эмбеддингов и максимальная длина контекста не указаны. Компактный размер и наличие GGUF-квантизаций делают модель подходящей для локального запуска и ресурсоограниченных сценариев семантического поиска по медицинским данным. Более агрессивная квантизация может снижать качество представлений; некоторые варианты прямо отмечены как низкокачественные или предназначенные для минимального потребления памяти. Лицензия в предоставленных данных не указана.

Модель ResNet-18 + LSTM разработана лабораторией анализа биомедицинских изображений Lab225 Объединённого института проблем информатики Национальной академии наук Беларуси. Она принимает рентгеновские снимки грудной клетки и авторегрессионно генерирует текстовые описания и радиологические находки. Архитектура сочетает дообученный энкодер ResNet-18 с пятислойным декодером LSTM; модель содержит около 19,5 млн параметров и использует словарь из 2 190 токенов с эмбеддингами GloVe. Модель предназначена для автоматизированного составления описаний снимков грудной клетки, в том числе в сценариях с ограниченными вычислительными ресурсами. Она обучена на датасете белорусского скрининга CXR; карточка приводит английские и русские языковые коды, а также метрики оценки на тестовой выборке. Репозиторий содержит веса PyTorch и указывает лицензию Apache-2.0. Результат следует рассматривать как автоматически сгенерированное описание для поддержки анализа, а не как подтверждённый диагноз: качество зависит от снимка и соответствия обучающим данным. Модель специализирована на рентгенограммах грудной клетки и не предназначена для других видов изображений или медицинских задач.

Aremaki/sentence-camembert-bio — модель Sentence Transformers на базе CamemBERT, разработанная автором репозитория Aremaki. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и кластеризации. Модель содержит 137,8 млн параметров, принимает текст длиной до 514 токенов и распространяется в формате safetensors. Обучение использовало CosineSimilarityLoss. По названию модели она ориентирована на биомедицинские тексты, однако README не уточняет языки и конкретные медицинские области обучения. Для использования доступны Sentence Transformers и Transformers с соответствующей операцией pooling. Условия лицензии в предоставленных данных не указаны.

Это англоязычная текстовая генеративная модель семейства Llama, разработанная на основе TinyLlama и дообученная EnDevSols на клиническом наборе данных. Модель содержит около 1 млрд параметров, использует библиотеку Transformers и поддерживает контекст длиной до 2048 токенов. Модель предназначена для генерации текста в медицинских, биологических и химических сценариях, включая подготовку черновиков клинических ответов, объяснение специализированной информации и работу с медицинскими текстами на английском языке. В метаданных Hugging Face указаны специализации chemistry, biology и medical. Модель распространяется по лицензии Apache-2.0. Компактный размер упрощает локальный запуск и интеграцию в приложения с ограниченными ресурсами, однако по доступным данным нельзя подтвердить клиническую точность, безопасность или пригодность для принятия медицинских решений.

BioLlama-Ko-8B — объединённая модель генерации текста на основе двух языковых моделей: медицинской medllama3-v20 и корейской Llama-3-Open-Ko-8B. Её разработчики объединили веса методом DARE TIES; модель содержит около 7,5 млрд параметров, использует архитектуру Llama и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации ответов на корейском языке по медицинским вопросам. В README приведены результаты на корейском медицинском бенчмарке KorMedMCQA по категориям врачей, медсестёр и фармацевтов; средний результат модели — 55,70. Репозиторий использует формат safetensors и библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. Результаты бенчмарка сами по себе не подтверждают клиническую надёжность; медицинские ответы требуют проверки специалистом.

Treza12/BioMistral-6E7B — объединённая модель генерации текста на базе BioMistral-7B, созданная с помощью mergekit методом TIES. В слиянии использованы шесть моделей Treza12/Biomistral-Class0-Full–Class5-Full, а BioMistral/BioMistral-7B указан как базовая модель. Модель построена на архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. BioMistral-7B обучена на биомедицинских текстах и предназначена для ответов на медицинские и биологические вопросы; объединённая модель сохраняет профиль генерации текста и поддерживает диалоговый режим. Модель может использоваться для подготовки черновых ответов на медицинские и биологические вопросы и для диалогов по биомедицинской тематике. Языки, на которых она надёжно работает, в предоставленных данных не перечислены. Лицензия в карточке не приведена; качество и безопасность ответов для клинических решений этими данными не подтверждаются.

BioQwen-1.8B — двуязычная модель для биомедицинских задач, построенная на архитектуре Qwen2 и представленная в виде плотной причинной языковой модели. В README она описана как компактная модель для нескольких биомедицинских задач; метаданные указывают на диалоговый режим и генерацию текста. Репозиторий содержит веса Safetensors, а число параметров указано как 1,5 млрд. Модель предназначена для генерации ответов и диалогов на биомедицинскую тематику на английском и китайском языках. Контекстное окно составляет 32 768 токенов. Модель опубликована под лицензией MIT. Карточка не перечисляет конкретные биомедицинские задачи, оценки качества или ограничения применимости, поэтому результаты в медицинских сценариях требуют проверки специалистом.

AmberYifan/capsd-medcase-marin-8b-base-medicine_random_b2000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. По названию обучающего набора она адаптирована на медицинских клинических случаях; карточка не уточняет конкретные сценарии, методику обучения или результаты оценки. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текста. Максимальный контекст составляет 4096 токенов. Базовая модель описана как англоязычная, но язык данных дообучения и языковые возможности этой версии отдельно не подтверждены. Репозиторий содержит веса Safetensors и предназначен для Transformers. Лицензия указана как other, поэтому условия использования следует сверить с лицензионными материалами репозитория и базовой модели.

Модель rafalosa/diabetic-retinopathy-224-procnorm-vit — Vision Transformer ViT-Base, дообученный на наборе данных diabetic retinopathy для классификации изображений сетчатки. Она содержит 113,2 млн параметров и принимает изображения размером 224 × 224 пикселя. Модель предназначена для автоматической классификации изображений при скрининге диабетической ретинопатии. На оценочном наборе данных указаны точность 0,7431 и функция потерь 0,7578. Эти результаты относятся к приведённой оценке и сами по себе не подтверждают пригодность модели для клинических решений. Весовые файлы доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не описывает классы предсказаний и подробности оценки, поэтому модель следует рассматривать как вспомогательный инструмент, а не как замену медицинской диагностики.

DrSamantha7bmistral — языковая модель для диалоговой поддержки в медицинских и психологических темах. Она создана слиянием через mergekit моделей segmed/MedMistral-7B-v0.1 и Guilherme34/Samantha-v2; в конфигурации указан метод slerp. Модель основана на плотной архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текстовые ответы в формате диалога. Модель предназначена для ответов на вопросы о медицинских темах и для эмпатичного общения в сценариях поддержки физического и психологического благополучия. В README приведены результаты оценки на медицинских предметах и общих тестах, но они не гарантируют точность индивидуальных медицинских советов. Модель не следует использовать как единственное основание для диагностики или выбора лечения. Лицензия — Apache-2.0.

Testament200156/medgemma3-thinking — экспериментальная мультимодальная медицинская модель, созданная независимым автором на основе Google MedGemma 27B IT. Автор описывает её как попытку добавить к MedGemma рассуждения и улучшить работу с медицинскими изображениями; модель объединена с публично доступными моделями Gemma 3, ориентированными на научные рассуждения. В репозитории представлены файлы GGUF и Safetensors, а метаданные указывают поддержку чата и изображений. Модель предназначена для медицинских вопросов и анализа медицинских изображений, а также простых научных вопросов, вычислений, кода и вызова инструментов. Основной сценарий — диалоговый ввод текста и изображений с текстовым ответом. README сообщает, что для использования рекомендуется специальная системная инструкция, но её содержание здесь не приведено. Это личный эксперимент, и автор предупреждает, что адаптированная LoRA может ухудшить результаты вне медицинских задач. Лицензия указана как Gemma; применяйте модель с учётом условий лицензии Google и ограничений исходной MedGemma. Описание не подтверждает клиническую точность или пригодность для принятия медицинских решений.

MedGemma 4B IT GGUF — это квантизированная GGUF-версия модели google/medgemma-4b-it, опубликованная в рамках Community Model Program сообщества LM Studio. Исходная модель разработана Google; LM Studio не является её создателем или владельцем. Для преобразования и запуска GGUF-моделей в экосистеме проекта использовались разработки llama.cpp. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстового ответа. Из README известно, что это модель семейства MedGemma с размером 4B и вариантом instruction-tuned (IT), однако сведения об архитектуре, поддерживаемых языках, размере контекста, конкретных форматах изображений и характеристиках квантизации не приведены. Поэтому README не позволяет точно оценить её сильные стороны, ограничения или пригодность для отдельных медицинских сценариев; результаты не следует считать гарантированно точными или профессиональной медицинской рекомендацией. Модель распространяется на условиях Health AI Developer Foundations Terms of Use (HAI-DEF); указана лицензия health-ai-developer-foundations и ссылка на её условия. Перед использованием необходимо ознакомиться с этими условиями и учитывать, что ответственность за применение модели несёт пользователь или поставщик модели.

ndpphuong/medical_vietnamese_bi_encoder_finetune_simcse_part_2 — модель Sentence Transformers на базе RoBERTa, обученная для представления предложений и абзацев в виде плотных векторов размерностью 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений; при обучении использовалась контрастивная функция потерь с косинусной метрикой расстояния. Модель содержит 162,4 млн параметров и принимает последовательности длиной до 258 токенов. Название указывает на специализацию на медицинском вьетнамском языке, однако карточка не приводит подробностей о данных или оценке качества. Для работы доступны веса safetensors и библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

AdaptLLM/medicine-LLM-13B — доменная языковая модель команды AdaptLLM, разработанная на основе LLaMA-1-13B методом непрерывного предобучения на биомедицинских корпусах, преобразованных в тексты для чтения с вопросами и ответами. Она предназначена для генерации текста и ответов на вопросы в биомедицинской области; README описывает её как базовую модель без выравнивания для диалогового формата. Модель имеет плотную архитектуру LLaMA с 12,9 млрд параметров и контекстом 2048 токенов. По языковым тегам карточки и описанию датасетов указана поддержка английского языка. Такой подход к обучению призван сохранить способность модели следовать запросам при усвоении доменных знаний. Модель распространяется по лицензии Apache-2.0. Для работы с моделью нужны значительные вычислительные ресурсы: в README для оценки этой 13B-модели рекомендуется параллелизация на нескольких GPU. Указанный контекст ограничивает длину входных документов и ответов; качество ответов в специализированных сценариях следует проверять, поскольку README описывает исследовательскую методику и бенчмарки, а не гарантии клинической точности.

melanoma-isic2019-vit384 — модель классификации изображений на базе Vision Transformer ViT, дообученная автором репозитория oscar2525mv на задачу выявления меланомы по изображениям кожи. Модель основана на google/vit-base-patch16-384, содержит 113,2 млн параметров и распространяется в формате Safetensors; для запуска предназначена библиотека Transformers. В README приведены результаты на оценочной выборке: AUC 0,9582, точность 0,9258, полнота 0,7434 и специфичность 0,9654. Это указывает на применение для экспериментальной классификации изображений в сценариях скрининга или поддержки анализа, но сама карточка не описывает набор данных и ограничения. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-BloodCancerDetect-ElectraMed-560M — специализированную модель распознавания клинических сущностей, дообученную для текстов о хроническом лимфолейкозе (CLL). Она обрабатывает токенизированный биомедицинский текст и присваивает токенам BIO-метки B-CL и I-CL, выделяя упоминания, связанные с заболеванием. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для извлечения терминов о CLL из медицинских записей и научной литературы, а также для анализа гематологических и онкологических документов. В карточке приведены результаты на корпусе CLL: F1 0,9575, точность 0,9264 и полнота 0,9907. Это специализированный экстрактор сущностей, поэтому его метки ориентированы на CLL и не заменяют клиническую оценку или универсальное распознавание медицинских сущностей. Лицензия — Apache-2.0.

RadBERT-RoBERTa-4m — модель семейства RoBERTa, разработанная для понимания радиологических текстов. Она обучена на 4 миллионах деидентифицированных медицинских отчётов больниц Управления по делам ветеранов США. В репозитории размещена модель примерно на 151,8 млн параметров с контекстом до 514 токенов и весами PyTorch; основная задача в метаданных — заполнение пропусков в тексте (fill-mask). Модель предназначена для извлечения признаков из медицинских текстов и оценки понимания радиологических отчётов. В работе её оценивали на классификации предложений как нормальных или аномальных, присвоении диагностических кодов по пяти системам и экстрактивном суммировании отчётов. Карточка сообщает о более высоких результатах на этих задачах по сравнению с несколькими предшествующими медицинскими языковыми моделями. Модель ориентирована на англоязычные радиологические отчёты из медицинского контекста США. Ограничения и условия лицензии в предоставленной карточке не описаны.

Карточка модели unstoppableljq/RadSight-4B на Hugging Face совпадает с карточкой unstoppableljq/RadSight-8B, поэтому описание составлено по ней. RadSight-8B — медицинская мультимодальная модель для анализа радиологических изображений, разработанная командой Alibaba DAMO Academy. Она дообучена на базе Qwen3-VL-8B-Instruct и использует специализированные визуальные энкодеры для 2D-снимков и трёхмерных КТ-объёмов, объединённые с языковой моделью. Размер 8B относится к языковой основе; полная мультимодальная модель также включает визуальные энкодеры и проекторы. Контрольная точка имеет формат BF16, а для работы нужны код и предобработка RadSight; это не стандартная текстовая модель Transformers. Модель предназначена для визуального распознавания медицинских данных, локализации и описания признаков поражений, клинической интерпретации и генерации радиологических заключений. README описывает прогрессивное обучение от визуально-языкового выравнивания и детального восприятия к диагностической интерпретации. Поддерживаемый язык — английский. Для 2D-изображений используется стандартное разрешение 448 × 448; КТ-объёмы требуют согласованной предобработки, включая ресэмплинг и приведение размеров. Лицензия Apache-2.0. Модель предназначена только для исследований, не является медицинским устройством и не должна самостоятельно использоваться для диагностики, сортировки пациентов, лечения или медицинских рекомендаций.

Это испаноязычная модель классификации текста для выявления признаков суицидальных мыслей или поведения в публичных комментариях, например на Reddit, форумах и в Twitter. Её разработала команда SomosNLP для хакатона 2023 года; модель дообучена на базе PlanTL-GOB-ES/roberta-base-bne и использует архитектуру RoBERTa с головой классификации последовательностей. Размер — 151,8 млн параметров, контекст — до 514 токенов. Модель обучалась на испаноязычных комментариях Reddit и Twitter, а также на переводах входов и ответов набора Alpaca. Обучающая выборка содержит 10 050 примеров, включая 777 примеров с суицидальными мыслями или поведением и 9 273 несвязанных с ними примера. Она подходит для предварительной сортировки и анализа комментариев на испанском языке, но выводы требуют осторожной проверки человеком. Авторы называют проект исследовательским прототипом и отмечают ложноположительные и ложноотрицательные результаты. Систематическая оценка смещений не проводилась; состав данных может создавать возрастное смещение. Лицензия — Apache-2.0.

Карточка модели StanfordAIMI/stanford-deidentifier-only-radiology-reports на Hugging Face совпадает с карточкой StanfordAIMI/stanford-deidentifier-with-radiology-reports-and-i2b2, поэтому описание составлено по ней. Модель StanfordAIMI предназначена для автоматического выявления персональных идентификаторов в радиологических и биомедицинских документах с помощью разметки последовательности токенов. Она разработана Stanford AIMI и обучена на разных радиологических и биомедицинских текстах; авторы указывают, что целились в точность, подходящую для производственного применения. Модель построена на архитектуре BERT и содержит 136,7 млн параметров. Она принимает текст на английском языке, работает с контекстом до 512 токенов и возвращает метки для токенов, что позволяет находить фрагменты, подлежащие деидентификации. Модель можно применять в конвейерах обезличивания радиологических заключений и других биомедицинских документов перед их хранением, обменом или исследовательским анализом. Репозиторий использует формат PyTorch и лицензию MIT. README ссылается на сопутствующую публикацию, но не приводит метрики качества или подробности схемы меток.

Thai GPT-2 Fine-Tuned — модель на базе архитектуры GPT-2, дообученная пользователем Somnuk для генерации ответов на вопросы на тайском языке. Обучение выполнено на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о заболеваниях. В метаданных модель классифицируется как text-generation; поддерживаемый язык — тайский (th), максимальная длина контекста — 1 024 токена.

VoxTell — модель компьютерного зрения и языка для сегментации трёхмерных медицинских изображений по запросам на естественном языке. Она принимает объёмные снимки CT, PET или MRI и текстовое описание анатомической структуры либо патологической находки, после чего формирует соответствующую 3D-маску. Модель разработана для гибкого анализа медицинских изображений без необходимости выбирать метку из заранее заданного списка классов. Архитектура сочетает 3D-энкодер изображений, текстовый энкодер на базе замороженной Qwen3-Embedding-4B и многоэтапное слияние визуальных и текстовых признаков с декодером масок в стиле MaskFormer. VoxTell обучена более чем на 1000 понятиях; версия v1.1 охватывает 190 наборов данных и около 68 500 объёмов. Она рассчитана на структуры мозга, грудной клетки, живота, таза, опорно-двигательной системы и конечностей, а запросы могут варьироваться от коротких названий до клинических предложений. Модель предназначена для исследовательских и прикладных рабочих процессов сегментации, включая пакетную обработку NIfTI и удалённый инференс. Карточка рекомендует v1.1 для общего применения и дообучения; v1.0 устарела и содержит известные проблемы. Версия v1.1 включает тестовые наборы из публикации в обучающих данных, поэтому она не подходит для воспроизведения оценки с исходным разделением train/test. Лицензия CC BY-NC-SA 4.0 разрешает использование на условиях атрибуции, распространения производных материалов на тех же условиях и без коммерческого использования.

Модель разработана Elizabeth Mwangi и представляет собой дообученную версию Whisper Small для автоматического распознавания нестандартной, в том числе дизартрической, речи на суахили. Это второй этап двухэтапного дообучения на наборе Kenyan Swahili Non-Standard Speech; в метаданных также указаны датасеты Swahili Afrivoice и Common Voice Swahili Small. Модель содержит 153,1 млн параметров и распространяется в формате safetensors. Модель принимает аудио и выдаёт текстовую расшифровку. Она предназначена для транскрибирования нестандартной речи на суахили, включая аудио с различной степенью выраженности дизартрии. На тестовом наборе из 849 примеров указаны нормализованные WER 45,5% и CER 21,7%; средний WER составляет 36,8%, а ошибки возрастают с тяжестью нарушения речи. Модель распространяется по лицензии Apache-2.0. Приведённые метрики показывают, что качество распознавания может быть ограниченным, особенно для речи с тяжёлой дизартрией; перед практическим применением следует оценить её на целевых записях.

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.

Модель ShadNygren — дообученная языковая модель Llama с 7,5 млрд параметров для генерации текста. Она продолжает обучение модели ShadNygren/BioTechFineTuneTest-DrugAdverseEffects-SIDERv1_then_v2_then_v3 и ориентирована на тему нежелательных реакций на лекарства. Модель принимает текст и генерирует текст; её контекст составляет 8192 токена. В карточке указаны английский язык, формат safetensors и использование Unsloth и TRL при обучении. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества и подробных сведений о данных или проверке медицинской достоверности. Результаты по лекарственным нежелательным реакциям следует проверять по надёжным источникам.

WafaaFraih/blip-roco-radiology-captioning — модель BLIP, дообученная для создания подписей к медицинским радиологическим изображениям на наборе ROCOv2 Radiology. Она принимает изображение и генерирует текстовое описание его содержимого. Базовая модель — Salesforce/blip-image-captioning-base; веса представлены в формате safetensors, при дообучении использовалась точность FP32. Модель предназначена для автоматического описания радиологических снимков и поддержки работы с медицинскими изображениями. Карточка указывает английский язык. Лицензия — MIT. Описания модели не следует считать медицинским заключением.

DrKlaus-7B — языковая модель macadeliccc, дообученная методом SFT с помощью AutoSloth на базе mistralai/Mistral-7B-Instruct-v0.2. Она предназначена для генерации текста в диалоговом формате, в частности для ответов на вопросы о медицинской информации для пациентов. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. README сообщает о медицинском датасете medical_meadow_wikidoc_patient_information и обучении на 80 шагах с максимальной длиной последовательности 1 024 токена. Модель принимает текст и генерирует текст. Язык модели явно не заявлен. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Данных о клинической проверке или надёжности медицинских рекомендаций в карточке нет.

HealthPulse-Qwen2.5-7B 是由 Weikaijie 发布的中文医疗问答模型，基于 Qwen2.5-7B-Instruct，并使用 Huatuo 中文医患数据集进行监督ного дообучения SFT с адаптером LoRA. Это плотная авторегрессионная модель Qwen2 с 7,1 млрд параметров, принимающая и генерирующая текст. Она предназначена для ответов на вопросы о симптомах и здоровье, медицинского просвещения, рекомендаций по маршрутизации к специалисту и справок о применении лекарств. Контекст модели — 32 768 токенов; в карточке указана поддержка китайского языка. По описанию автора, в оценке медицинской точности и безопасности модель улучшилась относительно базовой, однако полнота и ясность ответов на 10–20% ниже, чем у более новых китайских моделей. Модель распространяется по лицензии Apache-2.0. Автор указывает, что ответы могут содержать ошибки или устаревшую информацию, а модель не предназначена для диагностики и лечения.

Intent Detection V2.3 — дообученная модель ningpy на базе Qwen2.5-7B-Instruct для классификации намерений пользователей медицинского приложения и маршрутизации запросов с учётом безопасности. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров, работающая через text-generation; контекст — до 32 768 токенов. Она выдаёт структурированный JSON с метками намерения, признаками опасной ситуации и блокировки, кодами причин и извлечёнными лекарствами, заболеваниями и симптомами. Поддерживает английский, китайский и брунейский малайский; сущности сохраняются дословно из сообщения пользователя. Модель предназначена для разделения обычных медицинских вопросов, потенциальных экстренных случаев, запросов о персональных медицинских действиях и обращений вне области приложения. В README приведены результаты проверки на 2 518 примерах: Safety F1 92,3%, точное совпадение многометочной разметки 88,0%, совместная точность намерения и типов 81,5%. Эти показатели относятся к указанному набору проверки. Модель выпущена под лицензией Apache-2.0.