IV.4Клиническая медицина и общественное здоровье

Unidocs разработала эту разговорную модель для поддержки запросов и задач, связанных со здравоохранением; она используется в ezMyAIDoctor и создана на базе Meta Llama 3.2 3B Instruct. Модель с архитектурой Llama и 3,2 млрд параметров дообучена на медицинских и корейских текстовых данных, включая материалы AIHub, энциклопедические корпуса и профессиональную медицинскую и юридическую литературу. Карточка сообщает о поддержке английского и корейского языков и контексте до 131 072 токенов. Модель предназначена для диалоговых ответов на вопросы о здоровье и других медицинских задач; она генерирует текст и поддерживает интерфейс вызова инструментов. В опубликованной оценке средняя точность на категориях MMLU составила 0,59. Возможны неточные, несогласованные или предвзятые ответы, а знания ограничены обучающими данными. Модель не заменяет консультацию, диагноз или лечение у квалифицированного специалиста. Лицензия — MIT.

MedGemma 4B IT — разработанная Google мультимодальная медицинская модель на базе Gemma 3, настроенная следовать инструкциям. Она предназначена для разработчиков медицинских и биомедицинских приложений как основа для дальнейшей адаптации и проверки. Модель принимает текст и медицинские изображения и формирует текстовые ответы, например, отвечает на вопросы по снимку или на медицинские вопросы. В мультимодальной версии используется кодировщик изображений SigLIP; обучение охватывало рентгенограммы грудной клетки, изображения кожи, глазного дна и гистопатологические слайды, а также медицинские тексты и пары вопрос–ответ. Модель относится к семейству Gemma 3 и использует архитектуру decoder-only Transformer. Она ориентирована на сценарии, где медицинское изображение или текст сопровождается генерацией ответа. Карточка указывает лицензию `other`; конкретные условия следует сверять с лицензией и правилами использования репозитория. Результаты требуют независимой проверки и клинической корреляции: модель не предназначена для самостоятельной постановки диагноза, выбора лечения или иных решений клинической практики. Её мультимодальность преимущественно оценивалась на задачах с одним изображением; работа с несколькими изображениями и многоходовые сценарии не оценены.

Medical-Llama3-8B — дообученная ruslanmv плотная языковая модель семейства Llama 3 для ответов на медицинские вопросы. Она создана на базе meta-llama/Meta-Llama-3-8B и обучена на наборе ruslanmv/ai-medical-chatbot. Модель генерирует текст и поддерживает следование инструкциям; заявленный размер — 7,5 млрд параметров, длина контекста — 8192 токена. Модель предназначена для информационных ответов на вопросы о здоровье и для медицинских чат-ботов на английском языке. Распространяется по лицензии Apache-2.0. Точность ответов не гарантируется: модель не заменяет консультацию квалифицированного медицинского специалиста.

MedPhi-2 — языковая модель для биомедицинской области, созданная дообучением Phi-2 и предложенная в работе MedExQA. Она предназначена для генерации текста и ответов на медицинские вопросы на английском языке. Модель содержит 3,5 млрд параметров по метаданным каталога; в README указано 2,7 млрд. Архитектура — плотная PhiForCausalLM, контекст — до 2048 токенов. Модель может быть полезна для прототипирования систем ответов на клинические и биомедицинские вопросы. В карточке указана лицензия MIT. README не приводит результатов оценки качества или клинической валидации, поэтому ответы модели не следует считать медицинской рекомендацией.

OpenMed разработала OpenMed-NER-BloodCancerDetect-SuperClinical-141M — дообученную модель DeBERTa для распознавания клинических сущностей, связанных с хроническим лимфолейкозом (ХЛЛ). Она принимает токенизированный медицинский текст и выдаёт разметку сущностей в формате BIO; заявленный набор меток включает B-CL и I-CL. Архитектура указана как deberta-v3-small в README и DeBERTa-v2 в метаданных; размер — 155 млн параметров, контекст — до 512 токенов. Модель предназначена для извлечения терминов ХЛЛ из клинических записей и научной литературы, включая упоминания биомаркеров, лечения и клинических понятий. В README приведены F1 0,72, точность 0,60 и полнота 0,89 на корпусе CLL, поэтому результаты требуют проверки на целевых данных, а предсказания не следует считать медицинскими заключениями. Поддерживается английский язык. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-BloodCancer-Tiny-60M — специализированная модель OpenMed для распознавания именованных сущностей в медицинских и биомедицинских текстах, с настройкой на термины хронического лимфоцитарного лейкоза (ХЛЛ). Она построена на архитектуре GLiNER и дообучена на корпусе CLL; размер 60 млн параметров следует из названия модели. Модель принимает текст и возвращает найденные сущности с типами. Zero-shot режим позволяет задавать типы сущностей при работе без отдельного дообучения, хотя карточка перечисляет только метку CL как тип из набора данных. Модель предназначена для извлечения понятий, связанных с ХЛЛ, из медицинских записей и научной литературы, в том числе для анализа терапии и клинических свидетельств. В README приведён F1 0,68 на тестовой выборке корпуса CLL. Указана лицензия Apache-2.0. Карточка не приводит длину контекста и подробную оценку качества на других корпусах; результаты на пользовательских типах сущностей могут зависеть от порога обнаружения.

Compumacy/Psych_Qwen_32B — экспериментальная языковая модель Daemontatox для поддержки специалистов в клинической психологии и психиатрии. Она создана дообучением Qwen3-32B с помощью LoRA и Unsloth; в репозитории указана 8-битная LoRA-версия. Модель содержит 29,7 млрд параметров, работает с текстом и поддерживает контекст до 40 960 токенов. Модель предназначена для анализа клинических описаний и подготовки структурированных ответов: разбора жалоб, дифференциальной оценки по критериям DSM-5-TR, рассмотрения классификаций ICD-11, оценки рисков и предложений по лечению, наблюдению и направлению к специалистам. В README разработчиком указан Daemontatox; обучение проводилось на материалах по психиатрии и клинических рекомендациях. Модель ориентирована на английский язык. Лицензия — Apache-2.0. Это экспериментальный инструмент для профессионального и исследовательского использования, который не заменяет клиническую оценку. Ответы могут содержать ошибки, вымышленные ссылки и смещения; рекомендации и цитаты требуют проверки специалистом. Модель не предназначена для экстренной помощи или обработки персональных и медицинских данных пациентов.

Это испаноязычная биомедицинская и клиническая языковая модель, созданная авторами исследования Carrino и соавторами. Модель основана на RoBERTa и предварительно обучена предсказывать замаскированные токены в специализированном корпусе объёмом более 1 млрд токенов, включающем медицинские тексты и клинические документы. Веса содержат 153,2 млн параметров, контекст — до 514 токенов; доступен формат PyTorch. Модель предназначена для заполнения пропусков в испанских медицинских текстах и как основа для дообучения под прикладные задачи. В README приведены результаты оценки извлечения медицинских сущностей на PharmaCoNER, CANTEMIST и ICTUSnet; NER требует дообучения, поскольку готовая модель предназначена для fill-mask. Лицензия — Apache 2.0. Карточка сообщает, что модель перенесена в другой репозиторий и вскоре может быть удалена.

SapBERT-PubMedBERT — англоязычная биомедицинская модель семейства BERT, представленная авторами SapBERT и дообученная на базе microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext с использованием UMLS 2020AA. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для извлечения векторных представлений; для представления последовательности рекомендуется усреднять выходы по токенам. Модель подходит для получения эмбеддингов названий медицинских сущностей и их сравнения по смыслу, в том числе для задач сопоставления терминов с концептами UMLS. В README отмечено, что этот чекпойнт обучен только на английском языке. Репозиторий предоставляет веса в форматах PyTorch, Flax и safetensors. Условия лицензирования в предоставленных данных не указаны.

SapBERT-XLMR — многоязычная биомедицинская модель для получения векторных представлений названий сущностей. Её разработали в Cambridge Language Technology Lab; модель обучена на данных UMLS 2020AB и основана на XLM-RoBERTa. Для представления входной строки рекомендуется использовать вектор токена [CLS]. Модель предназначена для извлечения эмбеддингов медицинских и биомедицинских терминов, в том числе для сопоставления названий сущностей между языками. Она содержит 305,2 млн параметров, принимает текст и выдаёт векторные представления; контекстное окно составляет 514 токенов. В карточке указана поддержка нескольких языков, но конкретный перечень не приведён. Модель подходит для семантического поиска и сопоставления терминов UMLS. Карточка не описывает ограничения точности или клиническую валидацию; результаты не следует трактовать как медицинские рекомендации. Лицензия в предоставленных данных не указана.

Typhoon-Si-Med-Thinking-4B — медицинская языковая модель, совместно разработанная Typhoon (SCB 10X) и Siriraj Informatics and Data Innovation Center при больнице Siriraj, Университет Mahidol. Это дообученная методом обучения с подкреплением плотная модель Qwen3 с архитектурой decoder-only и 3,7 млрд параметров, предназначенная для англоязычных диалогов и рассуждений по медицинским вопросам. Она генерирует ответы в форматах множественного выбора, краткого ответа и ранжированного списка возможных ответов; предусмотрены режимы TEXT_MODE и LIST_MODE, которые включаются префиксом в запросе. Модель ориентирована на медицинские вопросы и бенчмарки MedQA, MedMCQA, MedXpertQA и MMLU Pro (Health). Метаданные указывают контекст до 262 144 токенов, поддержку чата и интерфейса вызова инструментов, а также формат safetensors. Для работы README требует Transformers 4.51.1 или новее. Модель выпущена по лицензии Apache 2.0. Это исследовательская предварительная версия, не предназначенная для медицинского применения. Ответы могут быть неточными или предвзятыми, поэтому модель не следует использовать как замену специалисту или для принятия клинических решений без надлежащей проверки.

Модель nickmuchi/vit-finetuned-chest-xray-pneumonia — дообученная версия Vision Transformer ViT-Base с патчами 16×16, созданная на основе google/vit-base-patch16-224-in21k для классификации рентгеновских снимков грудной клетки по наличию пневмонии. Она содержит 113,2 млн параметров, использует PyTorch и распространяется по лицензии Apache-2.0. На указанной в карточке оценочной выборке достигла точности 95,51% и значения функции потерь 0,1271. Модель предназначена для классификации изображений рентгенограмм в экспериментальных и вспомогательных сценариях, например для сортировки снимков или оценки результатов классификатором. Карточка не приводит подробностей о классах, составе данных и клинической проверке, поэтому показатели нельзя трактовать как подтверждение пригодности для диагностики. Она принимает изображения и выдаёт метки классов.

keremberke/yolov8n-blood-cell-detection — модель обнаружения объектов семейства YOLOv8, опубликованная Keremberke и использующая библиотеку Ultralytics. Она предназначена для нахождения и классификации клеток крови на изображениях: тромбоцитов (Platelets), эритроцитов (RBC) и лейкоцитов (WBC). Репозиторий содержит веса PyTorch; в метаданных указан датасет keremberke/blood-cell-object-detection. Модель подходит для автоматической разметки изображений крови и поддержки исследовательских или учебных задач анализа клеток. Данных о размере модели, языковой поддержке и лицензии в предоставленных источниках нет.

Zhongsi-6B-Instruct — диалоговая языковая модель, разработанная SYSU-MUCFC-FinTech-Research-Center и дообученная на базе saves/Yi-1.5-6B_pt_241207. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 5,8 млрд параметров и использует формат safetensors; заявленная длина контекста — 4096 токенов. Модель предназначена для генерации ответов в диалоге, прежде всего по медицинским темам. В README указано дообучение на китайских медицинских вопросах и диалогах, медицинских экзаменационных наборах и общих диалоговых данных на китайском языке, а также на наборе Medical_dialogue_system_en_single_turn. Опубликован результат Loss 1.4955 на наборе оценки; методика и подробности оценки не описаны. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели. Карточка не приводит подробного описания предназначения и ограничений; ответы по медицинским вопросам не следует считать заменой профессиональной консультации.

Arcane-T5 — модель семейства T5 с архитектурой sequence-to-sequence, предназначенная для анализа тем психического здоровья и генерации клинических объяснений. Карточка модели указывает, что её разработал владелец репозитория ar3xop. Модель содержит 385,2 млн параметров, принимает текст и генерирует текст; длина контекста — 512 токенов. В метаданных указан английский язык, а для работы с моделью используется PyTorch. Репозиторий распространяется по лицензии Apache-2.0. Модель подходит для исследовательских и вспомогательных сценариев, связанных с анализом текстов о психическом здоровье и подготовкой клинических объяснений. Карточка не описывает обучение, оценку качества или клиническую валидацию, поэтому её ответы не следует считать подтверждёнными медицинскими заключениями.

Narrativaai/BioGPT-Large-finetuned-chatdoctor — дообученная на наборе ChatDoctor-200K версия BioGPT Large от Microsoft. Это языковая модель на базе плотного причинного Transformer-декодера, предназначенная для генерации ответов на вопросы о здоровье в формате беседы с пациентом. Модель содержит 2,1 млрд параметров, принимает и генерирует текст на английском языке; длина контекста — 2048 токенов. Модель можно применять для исследовательских прототипов медицинских чат-ботов и подготовки ответов на общие вопросы о здоровье. Данные для дообучения включают реальные диалоги пациентов и врачей, а также сгенерированные диалоги. Лицензия — Apache-2.0. Модель не является заменой профессиональной медицинской консультации; в карточке конкретные технические ограничения качества не описаны.

Minbyul дообучил BioMistral-7B на наборе HuggingFaceH4/deita-10k-v0-sft для генерации текста в формате диалога. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров; базовая BioMistral-7B обучалась на биомедицинских текстах для ответов на медицинские и биологические вопросы. Модель можно применять для диалоговых ответов на медицинские и биологические вопросы, однако README не описывает её специализированное назначение, качество или ограничения. Контекст составляет до 32 768 токенов. Лицензия — Apache-2.0.

ShadNygren/BioTechFineTuneTest-DrugAdverseEffects-SIDERv1_then_v2_then_v3 — языковая модель семейства Llama, дообученная ShadNygren на базе ShadNygren/BioTechFineTuneTest-DrugAdverseEffects-SIDERv1_then_v2. Модель предназначена для генерации текста; по названию репозитория она связана с вопросами о нежелательных реакциях на лекарства и набором данных SIDER. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов. Для обучения применялись Unsloth и TRL. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Модель принимает текст и генерирует текст. Подтверждён язык английский; профильная тематика — побочные эффекты лекарств. README не описывает качество ответов и клиническую проверку, поэтому пригодность результатов для медицинских решений не подтверждена.

CXRMate-ED — мультимодальная модель для генерации радиологических заключений по рентгенограммам грудной клетки с учётом дополнительных данных о пациенте. Модель разработана авторами исследования «The Impact of Auxiliary Patient Data on Automated Chest X-Ray Report Generation and How to Incorporate It» и предназначена для автоматизации подготовки описаний снимков в клинических и исследовательских сценариях. Модель семейства CXRMate-ED использует изображения грудной клетки и сведения из медицинских записей; в README описана подготовка данных MIMIC-CXR, MIMIC-CXR-JPG и MIMIC-IV-ED и генерация отчёта. Репозиторий рассчитан на библиотеку Transformers и содержит веса в формате safetensors. Поддерживаемый язык карточки — английский. Для доступа к указанным наборам данных требуется авторизация PhysioNet. Лицензия модели — Apache-2.0.

deid-LONGFORMER-NemPII — модель автора Gary Riggs для обнаружения персональной медицинской информации (PHI) и разметки её фрагментов в клиническом тексте. Это дообученная на медицинской части набора nvidia/Nemotron-PII модель yikuan8/Clinical-Longformer на архитектуре Longformer с 151,8 млн параметров. Она использует разметку BILOU с 101 классом для выявления 25 типов данных, включая имена, даты рождения, медицинские номера, адреса, телефоны и электронную почту; нативный контекст составляет 4098 токенов. Модель предназначена для обезличивания клинических записей при подготовке исследовательских наборов данных, обмене текстами между учреждениями и обучении медицинских NLP-систем. По заявлению карточки, на отложенных данных она достигла F1 97,74%. Сопутствующая логика замены из GitHub генерирует согласованные реалистичные суррогатные данные, однако сама модель решает задачу классификации токенов и помечает PHI. Модель рассчитана на английские клинические тексты и ориентирована на форматы данных США; синтетические обучающие данные могут не охватывать редкие случаи. Для критически важных сценариев рекомендуется экспертная проверка. Лицензия модели — Apache-2.0.

ECG‑CLIP‑BEiT‑Base‑384 — модель на основе CLIP, дообученная на парах изображений ЭКГ и текстов эхокардиографических заключений. Зрительный энкодер построен на microsoft/beit-base-patch16-384, текстовый использует собственный токенизатор ByteLevel BPE с размером словаря 16 030; проекция имеет размерность 512. Модель предназначена для получения эмбеддингов изображений ЭКГ и классификации эхокардиографических фенотипов без отдельного обучения на каждом классе: изображение сравнивается по косинусному сходству с заранее рассчитанными центроидами. В качестве примеров фенотипов указаны дисфункция левого желудочка и аортальный стеноз. Обучение проводилось на парах изображений ЭКГ и соответствующих текстов эхокардиографических заключений. Модель разработана CarDSLab и распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но не коммерческое применение. Карточка не сообщает результаты клинической валидации и не описывает ограничения на конкретные устройства, популяции или форматы ЭКГ, поэтому применимость для медицинских решений следует оценивать отдельно.

Varshitha/flan-t5-small-finetune-medicine-v2 — дообученная на медицинскую тематику версия google/flan-t5-small от пользователя Varshitha. Модель относится к архитектуре T5 и содержит 45,8 млн параметров; принимает текст и генерирует текст, поддерживает контекст до 512 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель предназначена для генерации ответов и выполнения текстовых задач в медицинском контексте. В README приведены результаты оценки: Loss 3.0323, ROUGE-1 11.2462, ROUGE-2 4.9536, ROUGE-L 11.1634 и ROUGE-Lsum 11.0579. Описание обучения, датасет и ограничения применения в карточке не раскрыты; приведённые метрики сами по себе не подтверждают клиническую точность.

Flowformer — модель на основе трансформера для автоматического выявления бластных клеток в данных проточной цитометрии при остром лимфобластном лейкозе (ALL). Её разработали Matthias Wödlinger и соавторы как официальную реализацию работы об автоматической идентификации клеточных популяций с помощью трансформеров. Модель принимает тензор PyTorch с данными клеток и маркеров; при обучении использовались маркеры TIME, FSC-A, FSC-W, SSC-A, CD20, CD10, CD45, CD34, CD19, CD38 и SY41. Если набор или порядок маркеров отличается, их нужно передать модели при вызове. Метаданные указывают задачу классификации табличных данных и формат PyTorch. Модель предназначена для анализа данных проточной цитометрии и выявления бластных клеток. Для загрузки используется Transformers с пользовательским кодом архитектуры. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных версий.

HyperCLOVA X SEED Think-14B SFT AI Hub Joint 9K — самостоятельная дообученная разговорная языковая модель автора репозитория на базе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Это плотная архитектура HyperCLOVAXForCausalLM с 14,1 млрд параметров; веса в формате safetensors, библиотека Transformers, контекст до 131072 токенов. Модель предназначена для генерации ответов и рассуждений, с настройкой на корейскоязычные медицинские вопросы, числовые задачи по экономике и спорту, а также причинно-следственный вывод. Для обучения объединили 9000 примеров из трёх наборов AI Hub: по 3000 примеров на каждую область. Один LoRA-адаптер обучили на общей выборке, затем объединили с базовой моделью; это не смесь трёх отдельных адаптеров. Заявлены отсутствие усечения обучающих последовательностей и успешная локальная проверка генерации, но официальные результаты бенчмарков не приведены. Указана лицензия «other»; конкретные условия следует проверять в карточке модели и у базовой модели. Обучающие данные и назначение указывают на специализацию по-корейски; качество на других языках и независимая оценка прикладных сценариев не описаны.

KM-BERT — корейская BERT-модель, предварительно обученная для обработки медицинских текстов. Владелец репозитория сообщает, что разместил копию весов исходной KM-BERT в формате Hugging Face; токенизатор взят из snunlp/KR-BERT-char16424. По архитектуре это плотная модель BertModel примерно на 125,9 млн параметров с контекстом до 512 токенов. Модель предназначена для извлечения векторных представлений корейского медицинского текста и может служить основой для задач сходства медицинских текстов, распознавания медицинских сущностей и других задач обработки корейского языка в медицине. В описании обучения указаны медицинские учебники, новостные материалы о здоровье и научные медицинские статьи; также упомянуты внутренние и внешние оценки на медицинских наборах данных. Репозиторий содержит веса PyTorch и Safetensors. Лицензия в предоставленных сведениях не указана. Результаты для конкретных прикладных задач потребуют проверки на целевых данных; README не приводит численных метрик.

Longformer-es-mental-base — испаноязычная языковая модель ELiRF, группы VRAIN при Политехническом университете Валенсии. Это Longformer с архитектурой masked language model и 151,8 млн параметров, дообученный на корпусе текстов о психическом здоровье. Модель обрабатывает последовательности до 4098 токенов и предназначена для анализа длинных пользовательских текстов, например историй сообщений, форумных обсуждений и публикаций в социальных сетях. Модель можно использовать как языковой энкодер или экстрактор признаков, а также дообучать для классификации на уровне пользователя или контекста, скрининга психических расстройств и раннего выявления рисков. Она адаптирована к неформальной испаноязычной речи о психологическом состоянии, однако сама по себе не является клиническим инструментом и не объясняет свои выводы. Обучающие данные — публикации Reddit, автоматически переведённые на испанский; это может вносить культурные и демографические смещения и ошибки перевода. Лицензия совпадает с лицензией базовой модели PlanTL-GOB-ES/longformer-base-4096-bne-es.

MedGemma 4B DIPG Safety v2 — медицинская языковая модель, дообученная автором репозитория surfiniaburger на базе google/medgemma-4b-it с помощью GRPO. Она предназначена для генерации текста в сценариях, связанных с безопасностью ответов на медицинские вопросы, и входит в экосистему DIPG Safety Gym. Модель имеет архитектуру Gemma 3 с плотной сетью, содержит 4 млрд параметров и поддерживает контекст до 8192 токенов. Для загрузки используется Transformers; веса представлены в формате safetensors. Модель ориентирована на медицинские задачи, однако карточка не приводит количественных результатов бенчмарка или подробностей о поведении в конкретных сценариях. Лицензия — Apache-2.0. Базовая MedGemma описана как мультимодальная, но карточка этой версии указывает задачу text-generation и не подтверждает поддержку изображений для дообученного чекпойнта.

JosephNguyen/meditron-7b-finetuned — англоязычная медицинская языковая модель, дообученная JosephNguyen на базе epfl-llm/meditron-7b. Она предназначена для генерации текста в медицинских сценариях, в том числе для ответов на вопросы. Модель построена на плотной архитектуре Llama, содержит 6,6 млрд параметров и принимает текст; заявленная длина контекста — 3072 токена. При дообучении использовались Unsloth и библиотека Hugging Face TRL. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных результатов обучения, поэтому пригодность ответов для клинических решений по этим данным оценить нельзя.

OpenMed-NER-BloodCancerDetect-BigMed-278M — модель OpenMed для распознавания и классификации сущностей в биомедицинских текстах, связанных с хроническим лимфоцитарным лейкозом (ХЛЛ). Она дообучена на специализированном корпусе CLL и предназначена для анализа медицинских записей, научных публикаций и других документов по гематологии и онкологии. Модель использует архитектуру XLM-RoBERTa и решает задачу классификации токенов: для сущностей ХЛЛ выдаёт метки B-CL и I-CL в формате BIO. Размер модели — 305,2 млн параметров, длина контекста — 514 токенов. В README приведены метрики на корпусе CLL: F1 0,84, точность 0,98 и полнота 0,74. Модель может использоваться для извлечения упоминаний ХЛЛ из клинических и исследовательских текстов, а также как компонент систем медицинского поиска и анализа. README указывает совместимость с Transformers и лицензию Apache-2.0. Заявленные сценарии поиска лекарственных взаимодействий и извлечения лекарств требуют дополнительных моделей или правил: описаны только два типа меток, относящихся к ХЛЛ.

OpenMed-NER-BloodCancerDetect-ModernMed-395M — специализированная модель OpenMed для распознавания клинических сущностей, связанных с хроническим лимфолейкозом (CLL). Это дообученная ModernBERT-large с архитектурой ModernBertForTokenClassification и примерно 395 млн параметров. Модель принимает токенизированный биомедицинский текст и возвращает BIO-метки; заявленная длина контекста — 8192 токена. В карточке указан тип сущностей B-CL и I-CL. Модель предназначена для извлечения упоминаний, относящихся к CLL, из медицинских записей и научных публикаций, а также для анализа клинических и исследовательских документов в гематологии и онкологии. В README приведены F1 0,61, точность 0,66, полнота 0,57 и accuracy 0,93 на CLL corpus; эти результаты указывают на ограничения полноты и качества извлечения, поэтому следует проверять предсказания перед клиническим использованием. Лицензия — Apache-2.0.