IV.4Клиническая медицина и общественное здоровье

rntc/gliner2-fr-biomed-v3b — модель GLiNER2 для извлечения сущностей из франкоязычных биомедицинских текстов. Она разработана для NER с открытым набором типов, а также поддерживает классификацию, структурированное извлечение и выявление отношений. Модель использует контрастивный биомедицинский энкодер MedEmbed-v9 на базе ModernBERT; размер базового энкодера — 149 млн параметров. Модель предназначена для разметки медицинских и научных документов, например извлечения диагнозов и лекарств из клинических записей. Обучена на синтетических данных, созданных с помощью дистилляции Qwen3-235B по материалам PMC, HAL, ISTEX, Википедии и учебников; эталонные данные бенчмарков при обучении не использовались. Лицензия — MIT. Ограничения: максимальная длина извлекаемого фрагмента ограничена параметром max_width, по умолчанию равным 8 токенам; для длинных сущностей его нужно увеличить во всех вложенных модулях модели. Лучше подавать не более 20 типов сущностей за вызов и обрабатывать документы по отдельности; режим структурированного извлечения значений формы обучен слабее, чем обычный NER.

rntc/gliner2-fr-biomed-v3d — модель GLiNER2 для извлечения биомедицинской информации из текстов на французском языке. Она разработана для распознавания сущностей с заданными пользователем типами, классификации, структурированного извлечения и выявления отношений. Модель построена на контрастивном биомедицинском MedEmbed-v9 на базе ModernBERT; в README указано 149 млн параметров. Веса опубликованы в формате safetensors. Модель обучена на синтетических данных, созданных с помощью дистилляции Qwen3-235B по биомедицинским и научным источникам на французском языке. По заявлению авторов, версия v3d улучшает классификацию и структурированное извлечение. Обучение не использовало размеченные данные бенчмарков, чтобы сохранить zero-shot работу с новыми типами сущностей. Модель подходит для обработки клинических и биомедицинских документов, включая извлечение диагнозов и лекарств. Для повышения полноты извлечения длинных фрагментов требуется настроить max_width во всех соответствующих подмодулях; за один вызов рекомендуется передавать не более 20 типов сущностей. Авторы отмечают, что плоское NER надёжнее режима структурированного извлечения. Лицензия — MIT.

rntc/gliner2-fr-biomed-v3e-large — модель извлечения информации GLiNER2 для биомедицинских и клинических текстов на французском языке, разработанная автором репозитория rntc. Она поддерживает поиск сущностей с пользовательскими типами в режиме zero-shot, классификацию, структурированное извлечение и выявление отношений. Модель использует большой вариант архитектуры GLiNER2; в карточке указана основа MedEmbed-v9, контрастивная биомедицинская модель на ModernBERT с 149 млн параметров. Обучение описано как дистилляция Qwen3-235B на синтетических данных из французских медицинских и научных источников; для обучения не использовались эталонные данные бенчмарков. Модель подходит для извлечения диагнозов, заболеваний, лекарств и других заданных пользователем типов сущностей из французских клинических документов, а также для классификации и извлечения отношений. По рекомендации автора, типы сущностей следует подавать группами не более 20, а документы обрабатывать по отдельности. Параметр max_width ограничивает длину извлекаемых фрагментов: для длинных сущностей его нужно корректно увеличить во всех соответствующих подмодулях; структурированное извлечение форм пока менее надёжно, чем плоский NER. Репозиторий содержит веса safetensors и распространяется по лицензии MIT.

HuatuoGPT-o1-70B-GGUF — это квантизированная версия медицинской языковой модели HuatuoGPT-o1-70B, разработанной FreedomIntelligence и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и ориентирована прежде всего на медицинские сценарии: ответы на вопросы, рассуждения по медицинским задачам и работу с текстовыми запросами. При обучении базовой модели использовались наборы данных medical-o1-reasoning-SFT и medical-o1-verifiable-problem. Модель содержит 70 млрд параметров и работает в текстовой модальности. В карточке указаны английский язык и поддержка запуска через llama.cpp и LM Studio; приведён специальный формат промпта с системными и пользовательскими сообщениями. Доступно множество вариантов квантизации от Q8_0 до IQ2_XXS, что позволяет выбирать компромисс между качеством, размером файла и требованиями к памяти. Наиболее качественными и рекомендуемыми обозначены варианты Q6_K, Q5_K_M, Q5_K_S и Q4_K_M, а младшие варианты существенно экономят память, но снижают качество. Сильными сторонами модели являются медицинская специализация, большой размер и возможность локального запуска в различных квантизированных конфигурациях. Ограничения включают отсутствие в предоставленных данных сведений о длине контекста, точной архитектуре, мультимодальности и результатах оценки; кроме того, медицинские ответы требуют проверки специалистом и не должны рассматриваться как самостоятельная диагностика. Модель распространяется по лицензии Apache-2.0.

HuatuoGPT-o1-72B-v0.1-GGUF — квантизированная версия языковой модели HuatuoGPT-o1-72B, разработанной FreedomIntelligence и подготовленной в формате GGUF пользователем bartowski с использованием llama.cpp и imatrix-квантизации. Модель ориентирована на медицинские задачи и сценарии генерации текста, включая работу с медицинскими вопросами и рассуждениями. В обучении использовались наборы данных medical-o1-reasoning-SFT и medical-o1-verifiable-problem. Модель имеет размер 72B параметров, поддерживает текстовую генерацию и заявлена для английского и китайского языков. Доступны варианты квантизации от Q8_0 до Q2 и IQ-серии, объёмом примерно от 27,94 до 77,26 ГБ; более качественными считаются Q6_K, Q5_K_M, Q5_K_S и Q4_K_M, а младшие варианты экономят память ценой снижения качества. Формат предназначен для локального запуска через llama.cpp и совместимые приложения, включая LM Studio. Архитектура и размер контекста в README не указаны. Сильные стороны модели — специализация на медицинской тематике, наличие вариантов под разные ограничения по памяти и возможность локального использования. Ограничениями являются значительные требования к оперативной или видеопамяти даже для низкобитных вариантов, а также потенциальное снижение качества при агрессивной квантизации. Лицензия — Apache-2.0.

HuatuoGPT-o1-7B — медицинская языковая модель для рассуждений в задачах, связанных со здоровьем. Разработана командой FreedomIntelligence и создана дообучением Qwen/Qwen2.5-7B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров; она принимает текст и генерирует текст, включая развёрнутое рассуждение перед итоговым ответом. Модель предназначена для ответов на медицинские вопросы и решения медицинских задач на английском и китайском языках. Она поддерживает контекст до 32 768 токенов и может использоваться в диалоговом режиме; для запуска подходят vLLM и SGLang. В репозитории указана лицензия Apache-2.0. Модель не заменяет профессиональную медицинскую оценку, а качество и безопасность ответов требуют проверки специалистом.

HuatuoGPT-Vision-7B — мультимодальная языковая модель для медицинских задач, разработанная FreedomIntelligence. Она основана на Qwen2-7B и архитектуре LLaVA-v1.5, обучена на датасете PubMedVision и рассчитана на диалоговые сценарии с медицинскими изображениями и текстом. Модель содержит 7,1 млрд параметров, поддерживает контекст до 131 072 токенов и работает с текстовыми и визуальными входными данными, формируя текстовые ответы. В карточке заявлены английский и китайский языки. Модель распространяется под лицензией Apache-2.0.

Hulu-Med-4B — медицинская мультимодальная модель организации ZJU-AI4H для понимания медицинских текстов, изображений и видео. По карточке она охватывает 2D- и 3D-медицинские изображения и хирургические видео; размер модели — 3,7 млрд параметров, архитектура — плотная HulumedQwen3ForCausalLM на базе семейства Qwen3. Контекст составляет до 262 144 токенов. Модель предназначена для визуальных вопросов и ответов, генерации медицинских заключений, диагностики заболеваний, анатомического анализа, распознавания этапов операций, клинического диалога и рассуждений по медицинскому тексту. Разработчики сообщают об обучении на общедоступных данных и оценке на медицинских бенчмарках; поддерживаются мультиязычные медицинские вопросы и ответы, но конкретные языки для версии 4B не перечислены. Модель распространяется под лицензией Apache-2.0. Она может помогать с анализом и формулированием медицинской информации, однако карточка не устанавливает клиническую пригодность для самостоятельной диагностики или принятия решений; выводы требуют проверки специалистом.

LlamaTron-RS1-MedThinker — медицинская языковая модель, разработанная Rumiii и дообученная на Meta Llama 3.2 1B Instruct. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров и контекстом до 131 072 токенов; она принимает текст и генерирует текстовые ответы на английском языке. Для дообучения использован набор OpenMed/Medical-Reasoning-SFT-Trinity-Mini с медицинскими примерами рассуждений. Модель предназначена для исследовательских и учебных сценариев, связанных с клиническими вопросами: она формирует дифференциальный диагноз, объясняет клиническую логику, предлагает приоритетные шаги лечения с дозировками и перечисляет признаки для эскалации помощи. Ответы рассчитаны на структурированное представление из четырёх частей: диагноз, рассуждение, немедленное лечение и тревожные признаки. Для более надёжного соблюдения этого формата README рекомендует включать в запрос один пример. Модель не заменяет профессиональную медицинскую консультацию, диагностику или решения о лечении; её выводы должны проверяться квалифицированным медицинским специалистом. Распространяется по лицензии Llama 3.2.

MedGemma 27B Text IT — текстовая instruction-tuned модель для медицинских и клинических сценариев, включая клиническое рассуждение и генерацию текста. Исходную модель разработала Google; представленная версия создана сообществом LM Studio на основе google/medgemma-27b-text-it. Модель содержит 27 млрд параметров и поставляется в 4-битной квантизации MLX, оптимизированной для запуска на устройствах Apple Silicon. Она относится к текстовым моделям и не поддерживает другие модальности согласно представленным данным. Архитектура, поддерживаемые языки и размер контекста в README не указаны. К преимуществам относятся медицинская специализация, instruction-tuning и сниженные требования к памяти благодаря 4-битной квантизации. Ограничения включают возможные неточные, вредные или неподходящие ответы; модель не следует использовать как замену профессиональной медицинской консультации. Доступ регулируется лицензией Health AI Developer Foundations; для загрузки на Hugging Face требуется принять соответствующие условия использования.

Meditron 70B — крупная языковая модель для медицинских задач, разработанная командой EPFL LLM Team. Репозиторий TheBloke/meditron-70B-GGUF содержит её квантизированные версии в формате GGUF, подготовленные TheBloke; исходная модель доступна как epfl-llm/meditron-70b. Модель предназначена для генерации текста и сценариев, связанных с медициной и здравоохранением, включая ответы на вопросы и работу с медицинскими знаниями. При обучении использовались наборы bigbio/med_qa, medmcqa, bigbio/pubmed_qa и epfl-llm/guidelines. Указан английский язык, архитектура Llama и размер 70B параметров. Поддерживаются варианты квантования от 2 до 8 бит, что позволяет запускать модель на CPU и GPU с различными компромиссами между потреблением памяти, скоростью и качеством. Формат совместим с llama.cpp и рядом сторонних интерфейсов и библиотек. К сильным сторонам относятся специализация на медицинской тематике, большой размер и возможность локального запуска благодаря квантованию. Ограничения README не раскрывает подробно: не указаны размер контекста и результаты конкретных бенчмарков, а медицинские ответы требуют независимой проверки и не должны использоваться как единственное основание для клинических решений. Лицензия указана как Llama 2.

MBZUAI/MediX-R1-30B-GGUF — квантизированная версия медицинской мультимодальной модели MediX-R1-30B, разработанная Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI), ОАЭ. Модель предназначена для медицинских задач с открытыми текстовыми ответами, включая клиническое рассуждение, анализ медицинских изображений и ответы по сочетанию текста и изображений. Она ориентирована на сценарии, где недостаточно выбора готового варианта ответа и требуется содержательное, интерпретируемое объяснение. Модель относится к vision-language MLLM, поддерживает обработку текста и изображений и основана на MediX-R1-30B; в метаданных также указана связь с архитектурой Qwen3-VL. Размер исходной модели — 30B параметров, а данный вариант распространяется в формате GGUF с квантизацией. Заявленный язык — английский. Контекстное окно и точный тип квантизации в предоставленных данных не указаны. MediX-R1 обучалась с применением Group-Based Reinforcement Learning и составной системы вознаграждений, учитывающей точность, семантическое соответствие, соблюдение формата и распознавание модальности. По данным разработчиков, 30B-версия получила средний результат 73,6% на медицинских бенчмарках и показала высокую эффективность на открытых клинических задачах. Ограничения включают медицинскую специализацию, английский язык и необходимость учитывать возможные ошибки модели; её ответы не следует использовать как замену квалифицированной медицинской диагностике или консультации. Лицензия — CC BY-NC-SA 4.0, допускающая использование при соблюдении условий лицензии, включая некоммерческий характер и распространение производных материалов на тех же условиях.

Palmyra-Med-70B-32K-GGUF — это квантизированная версия Palmyra-Med-70B-32K, разработанной Writer и подготовленной пользователем bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для генерации текста в медицинской, клинической, биомедицинской, фармацевтической и биологических исследовательских областях, включая ответы на вопросы и работу с профессиональными сценариями здравоохранения. Указанный язык — английский. Модель содержит 70 миллиардов параметров и поддерживает контекст длиной до 32 000 токенов. Это текстовая instruct-модель без заявленной поддержки изображений или других модальностей. Репозиторий предлагает варианты квантизации Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4_K и Q3_K, различающиеся размером файла и качеством; наиболее качественными считаются Q8_0 и Q6_K, а более компактные варианты предназначены для систем с ограниченными ресурсами. Файлы могут использоваться с llama.cpp и LM Studio. Сильными сторонами модели являются крупный размер, специализированная направленность на медицинские и биомедицинские задачи и длинный контекст. При этом README не содержит результатов бенчмарков, поэтому фактическую точность и надежность ответов следует проверять отдельно. Модель не заменяет консультацию квалифицированного специалиста, а ограничения конкретной квантизации могут влиять на качество. Лицензия указана как Writer Open Model License; использование разрешено только некоммерческим образом, если не получена отдельная лицензия от Writer.

ningpy/redflag-denied-3b — специализированный модуль системы выявления медицинских тревожных признаков в клинических заметках и сообщениях пациентов. Он извлекает симптомы, которые пациент отрицает, в том числе отрицания, встречающиеся в нескольких репликах диалога. Модель разработана на базе Qwen2.5-3B-Instruct: плотная авторегрессионная архитектура Qwen2 с 3,1 млрд параметров, дообученная с помощью LoRA и объединёнными весами. Контекст — до 32 768 токенов. Модуль рассчитан на совместное применение с четырьмя другими специализированными моделями и системой правил; заявленная оценка относится к полному конвейеру из пяти модулей и правилам на тестовом наборе из 2246 примеров. Поддерживаются английский, включая брунейский вариант с разговорными частицами Manglish, китайский и малайский. Модель распространяется по лицензии Apache-2.0.

bosy001/whisper-small-medical — дообученная версия мультиязычной модели OpenAI Whisper Small для распознавания речи. Модель использует архитектуру WhisperForConditionalGeneration и принимает аудио, выдавая текстовую транскрипцию; карточка относит её к задаче automatic-speech-recognition и позиционирует как медицинскую. В README приведены результаты оценки: loss 0,3082, WER 4,7165, CER 3,1422 и Wacc 95,2835. Сведения о наборе данных, языках обучения, контексте и конкретных медицинских сценариях не раскрыты, поэтому результаты нельзя переносить на другие данные без проверки. Модель опубликована в формате safetensors под лицензией Apache-2.0.

WiNGPT2-Llama-3-8B-Chat — 卫宁健康开发的中文医疗垂直领域对话大语言模型，基于 Meta-Llama-3-8B 微调并进行对齐。Модель предназначена для медицинских вопросов и ответов, поддержки диагностических рассуждений и предоставления справочной медицинской информации; README также демонстрирует сценарий перевода. Это плотная авторегрессионная архитектура LlamaForCausalLM примерно на 7,5 млрд параметров с контекстом 8192 токена и поддержкой чата. Разработчики сообщают об усилении китайского языка и многоязычности; метаданные карточки указывают английский и китайский языки. Модель может помогать пациентам получать общую медицинскую информацию, а медицинским специалистам — рассматривать варианты диагностики, лекарственной терапии и рекомендаций по здоровью. Её ответы могут содержать ошибки и не заменяют профессиональную медицинскую консультацию, диагностику или лечение. Для проекта указана лицензия Apache 2.0, при этом веса также подчиняются условиям лицензии базовой модели Llama 3.

medical-ner-proj опубликовал модель распознавания медицинских именованных сущностей на базе ALBERT. Она предназначена для выделения сущностей в англоязычных клинических текстах, например сведений о заболеваниях, симптомах, лекарствах и показателях осмотра. Модель использует архитектуру ALBERT с классификатором токенов, содержит 136,3 млн параметров и принимает контекст до 512 токенов. Модель подходит для извлечения клинических фактов из медицинских записей и структурирования анамнеза или результатов осмотра. Репозиторий содержит веса PyTorch, библиотека для работы — Transformers. Лицензия OpenRAIL; README не описывает конкретные классы сущностей и метрики качества.

Apertus-70B-MeditronFO — медицинская диалоговая языковая модель, разработанная LiGHT и дообученная на базе Apertus-70B-Instruct. Она предназначена для медицинских задач: ответов на вопросы, работы с клиническими рекомендациями и разбора клинических сценариев. Модель содержит 97,7 млрд параметров, использует плотную архитектуру ApertusForCausalLM, принимает текст и генерирует текст; длина контекста — до 65 536 токенов. В обучении использован корпус Fully Open Meditron из 601 тыс. примеров, включающий публичные медицинские наборы вопросов и ответов и компоненты, проверенные клиницистами. Авторы сообщают о более высокой точности на MedMCQA, MedQA и PubMedQA по сравнению с базовой моделью, а также о предпочтении модели в 85,3% сравнений в оценке AutoMOOVE. Эти результаты относятся к описанным в карточке оценкам и не гарантируют точность ответов в практических ситуациях. Модель может выдавать фактически неверные, непоследовательные или предвзятые ответы, поэтому предназначена для вспомогательного применения и оценки медицинских задач, а не для принятия решений без проверки специалистом. Лицензия — Apache 2.0.

Apertus-8B-MeditronFO — медицинская диалоговая языковая модель, разработанная командой LiGHT в рамках семейства Fully Open Meditron. Это дообученная на медицинских данных модель Swiss AI Initiative Apertus-8B-Instruct; архитектура — плотная авторегрессионная модель ApertusForCausalLM, объём — 10,3 млрд параметров, контекст — до 65 536 токенов. Модель принимает текст и генерирует текст; в карточке указан английский язык. Модель предназначена для медицинских вопросов и ответов, клинических виньеток и работы с медицинскими рекомендациями, а также для оценки медицинских LLM. Обучающий корпус Fully Open Meditron включает 601 тыс. примеров из восьми публичных медицинских наборов данных и синтетические компоненты, проверенные клиницистами. Авторы сообщают о приросте на медицинских бенчмарках относительно базовой модели; результаты относятся к указанным в карточке тестам и не гарантируют точность в реальной клинической практике. Весовые файлы доступны в формате safetensors, лицензия — Apache 2.0. Модель может выдавать фактически неточные, непоследовательные или предвзятые ответы. Авторы рекомендуют использовать её как вспомогательный инструмент и проверять важную информацию; она предназначена для медицинских задач и оценки, а не как окончательный источник медицинских решений.

Internist.ai 7b — медицинская языковая модель, разработанная врачами UCLouvain и Cliniques Universitaires Saint-Luc на основе Mistral-7B-v0.1. Это плотная авторегрессионная модель с 7,1 млрд параметров, дообученная на общих и медицинских данных; она поддерживает диалог и генерирует текст на английском языке. Модель предназначена для медицинских специалистов: она может помогать с клиническими вопросами, поддержкой принятия решений и документацией. В карточке сообщается о результатах 60,5% на MedQA (USMLE), 55,8% на MedMCQA и 79,4% на PubMedQA. Метаданные указывают контекст до 32 768 токенов, тогда как карточка README сообщает 4 096 токенов. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Авторы описывают её как proof of concept и не рекомендуют применять в клинической практике без тщательной оценки и дополнительных мер безопасности: возможны ошибки, а специального обучения для безопасного использования неспециалистами не проводилось.

BioLORD-2023-M — мультиязычная модель эмбеддингов компании FremyCompany для представления клинических предложений и биомедицинских понятий. Она основана на XLM-RoBERTa и содержит 305,2 млн параметров; README указывает, что модель получена дистилляцией BioLORD-2023 и дообучена на BioLORD-Dataset и определениях из Automatic Glossary of Clinical Terminology. Модель преобразует предложения, абзацы и фразы в плотные векторы размерностью 768, пригодные для семантического поиска, сравнения сходства и кластеризации. Определения понятий и короткие описания из биомедицинских онтологий помогают сохранять семантические иерархические связи. В README заявлено высокое качество на MedSTS и EHR-Rel-B. Официально поддерживаются английский, испанский, французский, немецкий, нидерландский, датский и шведский языки; контекст — 514 токенов. Модель особенно подходит для медицинских документов, записей электронных медицинских карт и клинических заметок, сохраняя также способность кодировать текст общего назначения. Лицензия указана как other; конкретные условия следует сверить с карточкой модели перед использованием.

BioMistral-merged-instruct — объединённая языковая модель семейства Mistral, опубликованная Arcee AI. Она создана методом TIES с помощью mergekit на основе mistralai/Mistral-7B-v0.1 и объединяет веса Mistral-7B-Instruct-v0.2 и BioMistral-7B. Это плотная авторегрессионная модель на 7,1 млрд параметров для генерации текста и выполнения инструкций; заявленная длина контекста — 32 768 токенов. Модель подходит для диалоговых ответов и генерации текста по запросу, в том числе для вопросов и текстовых задач в биомедицинской тематике благодаря включению BioMistral. Она принимает текст и выдаёт текст. Репозиторий использует Transformers и содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Clinical Assertion and Negation Classification BERT — модель классификации клинических утверждений, разработанная на основе работы «Assertion Detection in Clinical Notes: Medical Language Models to the Rescue?». Она помогает структурировать сведения в письмах о пациентах, определяя, упоминается ли медицинское состояние как присутствующее, отсутствующее или возможное. Модель основана на ClinicalBERT Bio + Discharge Summary BERT авторства Alsentzer и соавторов и дообучена на данных об утверждениях из соревнования i2b2 2010. Это BERT-модель для классификации последовательностей с 135,5 млн параметров и контекстом до 512 токенов; поддерживается английский язык. Модель принимает текст и возвращает метку класса. Подходит для извлечения и структурирования утверждений о состояниях здоровья в клинических письмах. Лицензия в предоставленных данных не указана.

Portuguese Clinical NER - Disease — модель для распознавания заболеваний в клинических текстах на португальском языке. Она входит в проект BioBERTpt, создана пользователем pucpr и обучена на бразильском клиническом корпусе SemClinBr; базой послужила BioBERTpt(all). Модель размечает текст по токенам в формате IOB2, а её архитектура — BERT с головой классификации токенов; размер составляет 205,1 млн параметров, контекст — до 512 токенов. Модель предназначена для извлечения упоминаний заболеваний из клинических записей и других медицинских текстов на бразильском португальском. Она решает задачу клинического NER и может использоваться в пайплайнах структурирования медицинских документов. Данные не содержат сведений о лицензии, поэтому условия использования определить нельзя.

jackleejm разработал модель на основе distilbert-base-cased, дообучив её для распознавания именованных сущностей в строках с описанием лекарств. Она выделяет пять типов сущностей: DRUG (препарат), DOSAGE (дозировка), ROUTE (способ введения), BRAND (торговая марка) и QUANTITY (количество). Модель рассчитана на разбор записей вроде «Ibuprofen 100 MG Oral Tablet» и составных описаний препаратов. Модель использует архитектуру DistilBERT для классификации токенов и принимает текст. В README указаны точность 0,998, полнота 0,983 и F1 0,991 на ограниченных вручную размеченных наборах из 309 обучающих и 335 оценочных примеров. Контекст составляет 512 токенов. Модель выпущена под лицензией MIT.

rntc/gliner2-fr-biomed-v3f — франкоязычная биомедицинская модель извлечения информации на базе GLiNER2, разработанная rntc. Она принимает текст и позволяет задавать типы сущностей открытым списком, в том числе для zero-shot NER, классификации, структурированного извлечения и выявления отношений. В качестве основы используется MedEmbed-v9 — контрастивный биомедицинский ModernBERT на 149 млн параметров. Модель обучена на синтетических данных, созданных дистилляцией Qwen3-235B по французским материалам PMC-patients-fr, HAL, ISTEX, Википедии и учебникам; золотые разметки бенчмарков не использовались. Модель подходит для извлечения диагнозов, лекарств и других медицинских сущностей из французских клинических текстов, а также для классификации и структурированного разбора биомедицинских документов. В README отмечено, что качество извлечения зависит от настроек: стандартный max_width ограничивает длину извлекаемых фрагментов, а за один вызов рекомендуется передавать не более 20 типов. Для длинных документов советуют обрабатывать каждый документ отдельно; режим структурированного извлечения форм пока обучен слабее плоского NER. Репозиторий содержит веса safetensors, лицензия MIT.

HuatuoGPT-o1-8B — медицинская языковая модель FreedomIntelligence для генерации ответов с многошаговым рассуждением по медицинским вопросам. Она сначала формирует рассуждение, затем выдаёт итоговый ответ. Модель основана на dense-архитектуре Llama 3.1 и дообучена на Llama-3.1-8B-Instruct; размер по метаданным — 7,5 млрд параметров. Поддерживает английский язык, принимает текст и генерирует текст. Контекст — до 131 072 токенов. Модель можно запускать через vLLM или SGLang, а также использовать для прямого инференса. Модель предназначена для медицинских задач и не заменяет профессиональную медицинскую оценку. Доступна по лицензии Apache-2.0.

Hulu-Med-14B — медицинская мультимодальная модель семейства Hulu-Med, разработанная командой ZJU-AI4H. Это вариант на 14 млрд параметров с архитектурой MoE на базе Qwen3-14B; модель принимает медицинский текст, изображения и видео, включая двумерные снимки, трёхмерные объёмы и хирургические ролики. Контекст составляет 40 960 токенов. Модель предназначена для визуальных вопросов и ответов, подготовки медицинских заключений, распознавания заболеваний, анатомического анализа, клинического диалога, медицинских рассуждений и распознавания этапов хирургических операций. В карточке также заявлена поддержка многоязычных медицинских вопросов и ответов. Модель рассчитана на медицинские сценарии, но приведённые результаты бенчмарков сами по себе не подтверждают её пригодность для принятия клинических решений. Веса опубликованы в формате Safetensors, указана лицензия Apache-2.0. Для запуска предусмотрена интеграция с Transformers; README также сообщает о поддержке vLLM. Модель обучена на общедоступных данных, однако конкретные языки и ограничения по медицинскому применению в предоставленной карточке не уточнены.

Hulu-Med-235A22 — медицинская мультимодальная vision-language модель от команды Hulu-Med, построенная на архитектуре Qwen3-VL-MoE и предназначенная для комплексного понимания медицинских данных. Она принимает текст и медицинские изображения, включая 2D- и 3D-данные, а также видео; поддерживает визуальные вопросы и ответы, генерацию медицинских заключений, клинический диалог, диагностику заболеваний и анализ хирургических этапов. В README семейство описано как обученное на общедоступных данных и охватывающее множество анатомических систем и методов медицинской визуализации. Модель рассчитана на медицинские сценарии: ответы на вопросы по снимкам, интерпретацию изображений и видео, медицинские рассуждения и мультимодальную клиническую поддержку. Карточка указывает вариант MoE 235A22, совместимость с Transformers и лицензию Apache-2.0; для более эффективного запуска MoE-варианта рекомендуются vLLM или SGLang. В README заявлены сильные результаты на медицинских бенчмарках, но эти заявления не являются независимой оценкой качества. Модель не заменяет клиническую проверку специалистом; языки явно не перечислены, хотя заявлена поддержка многоязычных медицинских вопросов и ответов.

HUMADEX разработала модель для извлечения медицинских сущностей из клинического текста на итальянском языке. Она размечает упоминания заболеваний, симптомов и состояний (PROBLEM), диагностических процедур и лабораторных тестов (TEST), а также лекарств, терапий и других вмешательств (TREATMENT). Модель предназначена для анализа клинических данных и исследований по обработке медицинских текстов; её можно запускать с библиотекой Transformers. Это дообученная для классификации токенов модель BERT на базе google-bert/bert-base-cased, с 135,5 млн параметров и контекстом до 512 токенов. Для обучения использовались аннотированные клинические данные и переводы англоязычных медицинских текстов на итальянский с аугментацией; опубликованная оценка на тестовых данных: F1 0,756, точность 0,759, полнота 0,753. Модель распространяется по лицензии Apache-2.0.