IV.4Клиническая медицина и общественное здоровье

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная на базе Qwen/Qwen3-4B-Instruct-2507. Карточка называет её чекпойнтом RaR-Medicine OnlineRubrics-Every, шаг 9; корневой каталог содержит модель в формате BF16 для инференса, а в original_checkpoint/ сохранены параметры исходного чекпойнта veRL. Модель предназначена для генерации текста и диалогового взаимодействия в сценариях, связанных с медицинскими онлайн-рубриками. Она принимает текст и выдаёт текст, поддерживает контекст до 262 144 токенов. В метаданных указан английский язык лицензии Apache-2.0; автор README помечает применение как исследовательское.

Rad-JEPA 3D — модель для получения признаковых представлений объёмных КТ-снимков, разработанная авторами проекта Rad-JEPA 3D. Энкодер на основе 12 блоков H-Mamba сочетает ветвь Mamba для межсрезовой непрерывности и grouped-query attention для пространственного контекста; маршрутизатор объединяет их признаки. Модель обучена самонаблюдаемым методом V-JEPA с регуляризацией HSOR на примерно 120 тысячах КТ-объёмов. В метаданных указаны 24,8 млн параметров; README отдельно описывает энкодер размером 18,3 млн параметров и MLLM-компонент с Qwen3-4B и LoRA-адаптерами. Модель предназначена для извлечения векторов признаков из трёхмерных КТ-объёмов, в том числе для поиска похожих исследований и последующего использования в задачах медицинского анализа. Энкодер принимает объём формы (1, 32, 256, 256) с float32 значениями, нормированными в диапазон [0, 1], и выдаёт до 1024 патчевых векторов размерности 384 либо один глобальный вектор той же размерности. Данные карточки указывают английский язык, но модель работает с изображениями, а не с текстовыми запросами. Лицензия — Apache-2.0.

NitzanBar/umls-spanbert — модель классификации медицинского текста на основе SpanBERT, разработанная с использованием клинического метатезауруса UMLS. Согласно карточке, её обучили с нуля на данных MIMIC, применяя UMLS для маскирования слов, и сравнили с исходным вариантом BERT на задаче MedNLI: указана точность 86% против 83% у BERT. Модель предназначена для классификации клинических текстов и может применяться для проверки выводов по медицинским записям, подобных задаче MedNLI. Это плотная BERT-архитектура с классификационной головой, 432,3 млн параметров и контекстом до 512 токенов. Карточка не сообщает поддерживаемые естественные языки. Модель опубликована под лицензией Apache-2.0. Результат 86% относится к MedNLI; карточка не приводит протокол оценки, поэтому его нельзя напрямую переносить на другие медицинские задачи. Обучение на MIMIC также ограничивает основания для выводов о качестве на иных типах клинических данных.

Модель e1010101/vit-384-tongue-image — дообученный Vision Transformer на базе ViT-384 от Google для многометочной классификации изображений языка. Она предсказывает наличие или отсутствие трёх признаков: трещин, красных точек и следов зубов. Модель содержит 113,2 млн параметров и опубликована в формате safetensors для использования с библиотекой Transformers. Модель предназначена для автоматической разметки фотографий языка по указанным визуальным признакам. README не указывает лицензию или клинические гарантии; классификацию не следует считать диагнозом.

Melo1512/vit-msn-small-wbc-blur-detector — модель классификации изображений на основе Vision Transformer ViT-MSN Small, дообученная на базе facebook/vit-msn-small. Она предназначена для выявления размытых изображений белых кровяных клеток. Модель содержит 28,3 млн параметров и распространяется в формате safetensors; лицензия — Apache-2.0. На оценочном наборе указаны accuracy 0,9251 и loss 0,2045. Эти результаты относятся только к использованному набору данных; сведения о его составе и классах в карточке отсутствуют. Модель принимает изображения и выдаёт метки классификации. Данных о поддерживаемых естественных языках нет.

voc2vec-hubert-ls-pt — аудиомодель семейства HuBERT для анализа невербальных человеческих вокализаций. Её разработали в рамках проекта voc2vec: модель продолжает предобучение модели, первоначально обученной на LibriSpeech, на подборке из 10 наборов данных с примерно 125 часами невербального аудио. В карточке указано 113,3 млн параметров; доступны веса PyTorch, лицензия Apache-2.0. Модель предназначена для классификации невербальных звуков, включая плач младенцев и другие вокализации. Её оценивали на шести наборах данных; README сообщает о лучших среди выпущенных моделей voc2vec результатах для варианта ls-pt. Это предобученная модель для дальнейшего применения в задачах аудиоклассификации; конкретный поддерживаемый язык речи не заявлен, а языковой тег en не означает, что модель предназначена для понимания речи на английском.

Модель CDLI — дообученная версия OpenAI Whisper large-v3 для распознавания нестандартной английской речи в Уганде, в том числе речи людей с нарушениями речи разной степени тяжести и различной этиологии. Это плотная encoder-decoder модель WhisperForConditionalGeneration на 905,2 млн параметров; она принимает аудио и выдаёт текстовую транскрипцию на английском языке. Веса доступны в формате Safetensors и предназначены для использования с библиотекой Transformers. Модель дообучали на обучающей части датасета cdli/ugandan_english_nonstandard_speech_v1.0, а контрольную часть использовали для выбора чекпойнта. На тестовой части из 1013 высказываний от 9 участников стандартный WER составил 0,24 против 0,34 у исходного Whisper large-v3. Проверка исключала высказывания длиннее 30 секунд, поэтому эти результаты не гарантируют аналогичное качество на других группах говорящих, языках или длинных записях. Лицензия в предоставленных данных не указана.

Yuyuan-GPT2-3.5B — медицинская генеративная языковая модель семейства GPT-2, разработанная командой Fengshenbang. Модель с 3,5 млрд параметров использует ту же архитектуру, что и Wenzhong-GPT2-3.5B, и предварительно обучена на 50 ГБ медицинских текстов PubMed. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель предназначена для генерации медицинского текста и экспериментов с вопросами и ответами. В README описан способ оценивать правдоподобие фактов по перплексии и преобразовывать вопросительные формулировки в повествовательные, чтобы использовать модель для ответа на вопросы. Контекст ограничен 1024 токенами. Карточка не приводит оценок клинической точности, поэтому ответы требуют проверки специалистом.

Zhongjing-LLaMA-base — китайская медицинская языковая модель на архитектуре LLaMA, разработанная авторами проекта Zhongjing. В описании проекта указано, что обучение охватывает непрерывное предварительное обучение, supervised fine-tuning и обучение с подкреплением на основе экспертной обратной связи и реальных многоходовых диалогов. Модель содержит 12,9 млрд параметров, принимает текст и предназначена для генерации текста; заявленный контекст — 2048 токенов. Модель ориентирована на медицинские вопросы и диалог на китайском языке. Репозиторий содержит веса PyTorch, лицензия — MIT. Карточка не уточняет медицинскую точность или клиническую валидацию, поэтому ответы модели не следует считать заменой профессиональной медицинской консультации.

beto-ner-prostata-bs8 — дообученная модель BETO на базе dccuchile/bert-base-spanish-wwm-cased для классификации токенов. По названию репозитория модель предназначена для распознавания сущностей, связанных с простатой; подробное описание набора меток и данных в карточке отсутствует. Модель содержит 137,1 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. В оценке на наборе данных из карточки указаны precision 0,9608, recall 0,9676 и F1 0,9642. Это узкоспециализированная модель для извлечения упоминаний в испаноязычном тексте; применимость результатов за пределами указанного тестового набора не установлена. Лицензия в предоставленных данных не указана.

BioGPT — авторегрессионная языковая модель семейства GPT, разработанная Microsoft и предварительно обученная на большом корпусе биомедицинской литературы. Она содержит 446,1 млн параметров, использует плотную архитектуру Transformer и принимает текст для генерации продолжения; максимальный контекст составляет 1024 токена. Модель предназначена для генерации связного биомедицинского текста и может служить основой для задач обработки биомедицинской литературы. В карточке также описаны оценки на задачах извлечения сущностей и отношений и ответов на вопросы по биомедицинским публикациям, включая PubMedQA. Для этих задач могут потребоваться дополнительные настройки или методы обработки. BioGPT поддерживает английский язык. Репозиторий распространяется в формате PyTorch по лицензии MIT. Как генеративная модель предметной области, она может выдавать фактически неверные или неподтверждённые медицинские утверждения; результаты следует проверять, особенно перед практическим использованием.

Brunei Malayu Translator v3 — модель-переводчик, разработанная автором ningpy и дообученная на базе Qwen/Qwen3-0.6B Instruct. Она преобразует фразы на брунейском малайском в стандартный малайский и дополнена терминами медицинской и клинической тематики. Модель построена на плотной архитектуре Qwen3 с 507,9 млн параметров и контекстом до 40 960 токенов. Дообучение выполнено методом LoRA на 29,8 тыс. параллельных пар предложений; в медицинской части использованы около 1 660 диалектных терминов. В тесте на 1 623 примерах указаны BLEU 60,57 и chrF++ 79,53. Результаты тестирования могут завышать качество на реальных текстах, поскольку тестовый набор создан по тому же синтетическому распределению, что и обучающие данные. Редкие брунейские слова также могут переводиться хуже. Модель распространяется по лицензии Apache-2.0.

AmberYifan/capsd-medmcqa-marin-8b-base-medicine_cap_b10000_s0 — дообученная AmberYifan модель на базе marin-community/marin-8b-base, предназначенная для генерации текста в медицинском контексте. В карточке указано, что обучение проводилось на наборе capsd_marin-8b-base-n80000-medicine-medmcqa__mix_medicine_cap_b10000_s0; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, библиотека — Transformers, формат весов — safetensors, контекст — до 4096 токенов. Модель может использоваться для генерации ответов на медицинские вопросы и для экспериментов с адаптацией базовой модели к медицинским данным. Базовая marin-8b-base ориентирована на английский язык; README не приводит отдельной оценки качества или подробностей о сценариях применения. Лицензия указана как other, поэтому условия использования следует сверить с карточкой репозитория.

ajrayman/Depression_continuous — дообученная модель классификации текста на базе microsoft/deberta-v3-base, построенная на архитектуре DeBERTa-v2. Она предназначена для оценки текста по непрерывной шкале, связанной с депрессией. В карточке приведены результаты на наборе оценки: RMSE 0,2672, MAE 0,2149 и корреляция 0,4697; описание обучающих данных и подробности применения не раскрыты. Модель содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт предсказание для задачи классификации. Опубликована в формате safetensors, использует библиотеку Transformers и распространяется по лицензии MIT.

DrBERT-7GB — франкоязычная языковая модель для биомедицинской и клинической областей, разработанная авторами проекта DrBERT. Это модель архитектуры CamemBERT/RoBERTa с 137,8 млн параметров, обученная на открытом корпусе французских медицинских текстов NACHOS объёмом 7 ГБ. Она предназначена прежде всего для предсказания пропущенных слов и может служить основой для дообучения под другие задачи обработки медицинских текстов. Модель принимает текст и выдаёт вероятности токенов для заполнения маски; максимальная длина последовательности составляет около 512 токенов. Обучение на специализированных французских данных ориентирует её на медицинскую лексику, но не гарантирует клиническую точность и не заменяет экспертную проверку. Веса опубликованы под лицензией Apache-2.0.

BrokenSoul/Llama-3.2-3B-Instruct-Cancer-Lung-Detection — языковая модель BrokenSoul на архитектуре LlamaForCausalLM с 3,2 млрд параметров. Она дообучена на базе unsloth/llama-3.2-3b-instruct-bnb-4bit на разговорном наборе данных о выявлении рака лёгких, созданном из исходного набора Lung Cancer Detection от Jillani Soft Tech. Модель предназначена для диалоговых ответов на вопросы о выявлении рака лёгких на основе медицинских записей в формате беседы. Она принимает текст и генерирует текст; в метаданных указан контекст до 131 072 токенов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Результаты модели не следует считать медицинским диагнозом: карточка не сообщает о клинической проверке, точности или пригодности для медицинского применения.

Llama-3-OpenBioMed-8B-slerp-v0.3 — объединённая методом SLERP модель семейства Llama, созданная с помощью LazyMergekit на основе Jayant9928/orpo_med_v3 и skumar9/Llama-medx_v3. Это плотная авторегрессионная языковая модель с архитектурой LlamaForCausalLM, примерно 7,5 млрд параметров и контекстом до 8192 токенов; она предназначена для генерации текста и диалоговых сценариев в биомедицинской и медицинской тематике. Модель принимает текст и генерирует текст. README предупреждает, что, несмотря на высокую оценку в таблице лидеров, модель выдаёт бессвязный текст, поэтому её ответы могут быть ненадёжны и требуют проверки специалистом. Указанная лицензия — llama3.

pszemraj/medgemma-27b-text-heretic_med — текстовая версия Google MedGemma 27B Text IT, преобразованная автором с помощью Heretic v1.0.1: применена умеренная абляция отказов, чтобы модель реже отклоняла запросы и при этом лучше сохраняла исходное качество. Это плотная декодерная трансформерная модель Gemma 3 для генерации текста с 28,3 млрд параметров и контекстом до 131 072 токенов; исходная MedGemma обучена на медицинских текстах и предназначена для разработки приложений в здравоохранении. Модель принимает текст и генерирует текст; карточка указывает поддержку английского языка. Модель подходит для ответов на медицинские вопросы и создания текстовых прототипов офлайн-помощника. По приведённому автором тесту, после преобразования отказы снизились до 27 из 100 запросов против 99 из 100 у исходной модели; автор также отмечает повышенную цену абляции для медицинской модели. Лицензия указана как other, поэтому условия следует проверять в карточке и документации исходной модели. Результаты могут быть неточными и требуют независимой проверки; модель не предназначена для непосредственного использования при диагностике, выборе лечения или ведении пациентов.

MediKAI — медицинская модель от HelpingAI, предназначенная для ответов на вопросы о симптомах, лечении, лекарствах, здоровье и самочувствии. Она создана на архитектуре Gemma, содержит 13,5 млрд параметров и принимает текстовые запросы, генерируя текстовые ответы. В README заявлена поддержка английского, французского, хинди, испанского и арабского языков; длина контекста составляет 8192 токена. Модель подходит для медицинского информационного помощника и ответов на общие вопросы о здоровье. Лицензия указана как other, поэтому условия использования следует проверить в репозитории модели. README не описывает клиническую валидацию и не подтверждает пригодность ответов для диагностики или принятия решений о лечении.

Dmitry Pogrebnoy разработал MedRuRobertaLarge как дообученную версию ruRoberta-large для работы с русскоязычными медицинскими анамнезами. Модель создана в рамках магистерского проекта по коррекции опечаток в анамнезах с помощью ранжирования кандидатов на основе BERT-моделей и обучена на специально собранном наборе из более чем 30 тысяч анамнезов. Это плотная модель семейства RoBERTa с архитектурой RobertaForMaskedLM и примерно 454,1 млн параметров. Она принимает текст с маскированным фрагментом и предсказывает вероятные варианты заполнения; для использования подойдут задачи восстановления пропусков и подбора кандидатов для исправления опечаток в медицинской документации. Нативная длина контекста — 514 токенов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Модель рассчитана на русский медицинский текст и не является самостоятельным корректором: для исправления опечаток требуется организовать генерацию и ранжирование кандидатов. Карточка не сообщает результатов оценки качества, поэтому пригодность для конкретного медицинского процесса следует проверять отдельно.

mental-roberta-base-finetuned-depression — англоязычная модель RoBERTa для классификации текстов, созданная дообучением mental/mental-roberta-base, предобученной на публикациях о психическом здоровье. Модель содержит 151,8 млн параметров, принимает текстовые последовательности длиной до 514 токенов и предназначена для выявления текстов, связанных с депрессией. В README приведены результаты оценки: F1 0,8996, точность 0,9115, precision 0,8863 и recall 0,9168. Набор данных для дообучения обозначен как None, а описание задач и ограничений в карточке не раскрыто, поэтому результаты нельзя уверенно переносить на другие наборы данных и сценарии. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

MetaAligner-IMHI-7B — дообученная авторами проекта MetaAligner языковая модель для анализа психического здоровья по публикациям в социальных сетях. Она основана на Meta LLaMA2-7B и обучена на динамическом наборе данных, построенном на базе IMHI. Модель предназначена для интерпретируемого анализа состояний психического здоровья и согласования ответов ИИ-психолога с несколькими целями предпочтений, включая цели, не встречавшиеся при обучении. Модель использует плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и имеет контекстное окно 4096 токенов. Она принимает текст и генерирует текстовые ответы на английском языке. В README заявлены экспериментальные результаты по обобщению согласования предпочтений; количественные показатели и подробности интерпретируемости не приведены. Лицензия — MIT.

neurojenml-inference — это объединённая версия модели для инференса, созданная на базе Google MedGemma 4B IT с влитыми весами LoRA-адаптера neurojenml. Модель использует архитектуру Gemma 3 и распространяется в формате safetensors; метаданные указывают на поддержку диалогового режима и генерации текста. Модель предназначена для запуска инференса через HF Router или локально после преобразования в GGUF для Ollama. В основе лежит мультимодальная медицинская модель MedGemma, однако карточка не уточняет задачи и возможности, добавленные адаптером neurojenml. Модель является дообученной производной базовой модели. Условия лицензирования в предоставленных данных не указаны.

Карточка модели introvoyz041/NV-Segment-CT на Hugging Face совпадает с карточкой nvidia/NV-Segment-CT, поэтому описание составлено по ней. NV-Segment-CT — интерактивная модель сегментации трёхмерных медицинских КТ-изображений, разработанная NVIDIA. Она предназначена для разметки анатомических структур и патологий, а также для ускорения подготовки медицинских аннотаций. Модель построена на архитектуре Transformer типа SAM и использует несколько выходных голов; для сегментации требуется хотя бы одна подсказка: индекс класса, точки на изображении или оба вида подсказок одновременно. Модель принимает КТ в формате NIfTI и массивы с информацией о классах или точках, а выдаёт трёхмерную маску в формате NIfTI. Доступны режимы сегментации всего объёма, выбранного класса и интерактивной сегментации по точкам. Среди поддерживаемых классов — органы, сосуды, кости, отдельные опухоли и другие структуры. Для запуска указаны MONAI Core 1.3 и Triton; из аппаратных платформ перечислены NVIDIA Ampere и Hopper, а поддерживаемая операционная система — Linux. Модель заявлена для исследований и разработки, но не для клинического применения. Метаданные указывают лицензию other, поэтому перед использованием необходимо проверить применимые условия NVIDIA. Языковая обработка не заявлена: модель работает с медицинскими изображениями и подсказками, а не с естественным языком.

OpenMed разработала OpenMed-NER-BloodCancerDetect-ElectraMed-33M — дообученную модель для распознавания клинических сущностей, связанных с хроническим лимфолейкозом (CLL), в биомедицинских текстах. Она размечает токены тегами B-CL и I-CL и предназначена для анализа медицинских записей, научной литературы и документов здравоохранения. Модель использует архитектуру BERT для классификации токенов, содержит около 40 млн параметров и обрабатывает последовательности длиной до 512 токенов. В карточке указаны результаты на корпусе CLL: F1 0,67, точность 0,55 и полнота 0,86. Эти показатели ограничивают надёжность извлечения сущностей; результаты следует проверять перед клиническим применением. Карточка описывает специализированный набор данных и примеры интеграции через Transformers. Модель распространяется по лицензии Apache-2.0. Указанный в README базовый архитектурный ориентир — e5-small-v2, но идентификатор базового репозитория в метаданных или карточке не приведён.

OpenMed разработала OpenMed-NER-BloodCancerDetect-ModernClinical-149M — модель для распознавания клинических сущностей, связанных с хроническим лимфоцитарным лейкозом (ХЛЛ), в медицинских и научных текстах. Это дообученная модель токенной классификации на архитектуре ModernBERT с 149 млн параметров. Она принимает токенизированный текст и возвращает BIO-разметку; контекст — до 8192 токенов. Репозиторий содержит веса в формате Safetensors. Модель ориентирована на извлечение терминов ХЛЛ для анализа медицинских записей и публикаций, включая поиск упоминаний заболевания, биомаркеров, лечения и клинических понятий. В README указаны метрики на корпусе CLL: F1 0,56, точность 0,93 и полнота 0,40, поэтому модель может пропускать многие подходящие сущности. Для использования доступны Transformers и лицензия Apache 2.0.

OroSense Lateralization — модель на архитектуре YOLO11n-pose, представленная LucasTakanori в формате CoreML для использования на iOS. Она определяет ключевые точки рта и кончик языка на фронтальном изображении, чтобы оценивать боковое движение языка влево или вправо. Модель принимает RGB-изображения размером 1280 × 1280 и распознаёт четыре ключевые точки; README приводит метрики pose mAP50 0,960 и box mAP50 0,915 на лучшей эпохе обучения. Модель предназначена для анализа движений языка в клинических записях орально-моторных упражнений и является частью набора OroSense. Она выпущена по лицензии Apache-2.0. Результаты зависят от сходства входных изображений с фронтальными записями, использованными при обучении; данных о проверке на других условиях съёмки или клинических группах в карточке нет.

RaDialog — крупная визуально-языковая модель для генерации радиологических заключений и диалоговой помощи, разработанная командой Chantal Pellegrini и представленная в работе «RaDialog: A Large Vision-Language Model for Radiology Report Generation and Conversational Assistance». Модель ориентирована на анализ рентгеновских снимков грудной клетки, формирование раздела описания радиологического отчёта и интерактивное продолжение диалога, включая перевод отчёта на более понятный пациенту язык. В основе используется архитектура LLaVA v1.5 с языковой моделью на 7 млрд параметров и специализированной адаптацией LoRA для задачи RaDialog; визуальная часть связана с Biovil-компонентами. В README указана обработка изображений рентгенографии грудной клетки с преобразованием к размеру 512 и центральным кадрированием 448. Для генерации отчёта модель может использовать изображение и предварительно предсказанные находки CheXpert. В качестве данных упоминаются MIMIC-CXR и специализированный RaDialog instruct dataset. Язык модели явно не заявлен, но приведённые в README запросы и примеры выполнены на английском. Сильная сторона модели — сочетание анализа медицинских изображений с генерацией связного радиологического текста и диалоговым взаимодействием. Ограничения включают узкую специализацию на рентгенограммах грудной клетки, зависимость примера инференса от отдельного классификатора CheXpert и специализированного программного окружения, а также отсутствие в README сведений о клинической валидации, метриках качества и пригодности для самостоятельного медицинского принятия решений. Модель распространяется по лицензии Apache-2.0.

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.

RaTE-NER-Deberta — модель токеновой классификации, дообученная Weike Zhao на наборе данных RaTE-NER на основе DeBERTa. Она предназначена для работы в конвейере метрики RaTEScore и для извлечения сущностей из медицинских радиологических заключений: отклонений от нормы и их отсутствия, анатомических структур, заболеваний и их отсутствия. Модель имеет архитектуру DeBERTa V2 с 211,6 млн параметров и принимает текст с контекстом до 512 токенов. Указанный в карточке язык — английский. Модель опубликована под лицензией MIT. Она ориентирована на радиологические отчёты; качество на других жанрах и языках не подтверждено.