IV.4Клиническая медицина и общественное здоровье

CXRMate-2 — мультимодальная модель для генерации радиологических заключений по рентгенограммам грудной клетки. Её разработала команда AEHRC; модель представлена в препринте о структурированных мультимодальных временных эмбеддингах и обучении с подкреплением для клинически приемлемой генерации заключений. В README указано, что её можно загрузить через Transformers и использовать с изображениями по URL или исследованиями DICOM. Модель предназначена для автоматического составления текстового описания и заключения по снимкам грудной клетки; в тегах также отмечены данные пациента и MIMIC-CXR. Архитектура обозначена как CXRMate-2ForConditionalGeneration. Карточка указывает английский язык и формат весов Safetensors. Лицензия — Apache-2.0. Модель ориентирована на радиологический сценарий, поэтому сгенерированные заключения требуют проверки специалистом и не заменяют клиническую оценку. README ссылается на препринт и обучение с подкреплением, но не приводит численность параметров или длину контекста.

Карточка модели medodeyaa/dentor-biobart на Hugging Face совпадает с карточкой GanjinZero/biobart-v2-large, поэтому описание составлено по ней. BioBART-v2-large — англоязычная биомедицинская генеративная языковая модель семейства BART, разработанная авторами работы BioBART. Версия V2 использует новый словарь биомедицинской лексики; модель содержит 288,8 млн параметров и имеет контекст до 1024 токенов. Модель предназначена для генерации и преобразования текста в биомедицинских задачах. Архитектура encoder-decoder позволяет использовать её для текстовых задач формата text-to-text, однако карточка не перечисляет отдельные сценарии и результаты оценки качества. Доступны веса PyTorch и Safetensors. Модель работает с английским текстом. Репозиторий распространяется по лицензии Apache-2.0. Ограничение контекста составляет 1024 токена; качество для конкретной задачи следует оценивать отдельно.

HeAR — модель акустических представлений для медицинских звуков, разработанная Google. В этом репозитории размещена эквивалентная реализация PyTorch модели, впервые выпущенной в формате TensorFlow SavedModel. Архитектура основана на ViT-L и использует трансформерный Masked Auto Encoder, предварительно обученный без учителя на большом корпусе медицинских аудиозаписей. Модель кодирует двухсекундные фрагменты кашля, дыхания и других неречевых респираторных звуков в эмбеддинги. Их можно использовать как признаки для разработки и исследования downstream-моделей скрининга и мониторинга заболеваний дыхательной системы, оценки функции лёгких и поиска акустических биомаркеров. HeAR сама не выдаёт диагнозы или прогнозы. Репозиторий содержит веса PyTorch; лицензия указана как other. Среди заявленных сильных сторон — устойчивость downstream-моделей к различиям между записывающими устройствами и эффективность при ограниченном объёме размеченных данных. Модель рассчитана на короткие аудиофрагменты, слишком велика для развёртывания непосредственно на устройстве, а качество результатов может зависеть от демографических особенностей данных, качества записи и фонового шума. Прикладные системы на её основе требуют проверки на данных, репрезентативных для предполагаемого использования.

EngTig/llama-2-7b-Arabic-medical — языковая модель семейства Llama, дообученная EngTig на собственном наборе данных на арабском языке. Она предназначена для генерации текста и может использоваться в сценариях, связанных с медицинской тематикой, например для подготовки черновиков ответов на вопросы. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, формируя текстовый ответ; максимальная длина контекста — 4096 токенов. В метаданных указаны арабский и английский языки. Карточка не приводит результаты оценки качества, состав и охват медицинских данных или сведения о проверке ответов. Поэтому пригодность для клинических решений не подтверждена; медицинские ответы следует проверять специалистом. Лицензия в предоставленных данных не указана.

Карточка модели pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-aligned на Hugging Face совпадает с карточкой pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned, поэтому описание составлено по ней. Модель pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned — дообученная разговорная языковая модель семейства Llama 3.1 с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она создана на основе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для генерации текста и диалогового взаимодействия; название указывает на медицинскую тематику, однако README не описывает конкретные медицинские сценарии или результаты обучения. Метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает оценок качества, протокола проверки или ограничений применения; медицинские ответы следует проверять перед использованием.

Clin-REACT 8B — медицинская языковая модель, созданная на основе Meta Llama 3.1 8B Instruct и дообученная авторами проекта с использованием ICU-REACT. Это плотная модель класса LlamaForCausalLM с 7,5 млрд параметров; репозиторий содержит объединённый полноразмерный чекпойнт, готовый к запуску через Transformers. Контекст модели составляет 131 072 токена. Модель предназначена для клинических рассуждений: анализа клинически значимой информации, поддержки рассуждений при принятии решений в интенсивной терапии и выполнения медицинских бенчмарков. В README приведены сравнительные результаты на ICU-REACT, SCT-Bench, ER-Reason, MedRBench и VivaBench; результаты различаются по бенчмаркам и не подтверждают клиническую безопасность или эффективность в реальной практике. Модель принимает текст и генерирует текстовые ответы. Она выпущена для исследований в области клинических рассуждений и медицинского ИИ, не является медицинским устройством и не предназначена для замены профессиональной оценки, диагностики, лечения или автономных решений о помощи пациенту. Лицензия — Llama 3.1; перед использованием следует учитывать её условия.

Карточка модели madrisight/MadriMed-VL-2B на Hugging Face совпадает с карточкой madrisight/madrimed-VL-2B, поэтому описание составлено по ней. Карточка модели madrisight/madrimed-VL-2B на Hugging Face совпадает с карточкой madrisight/MadriMed-VL-2B, поэтому описание составлено по ней. MadriMed-VL-2B — компактная медицинская мультимодальная модель на 2 млрд параметров, разработанная MadriSight на основе Qwen3-VL-2B-Thinking и дообученная для анализа медицинских изображений и текстовых медицинских вопросов. Она принимает изображение вместе с текстовым запросом и формирует текстовый ответ; архитектура — плотная Qwen3-VLForConditionalGeneration. Модель предназначена для радиологических вопросов и ответов, распознавания типа и ориентации снимка, определения анатомических структур и простых вопросов о наличии признаков. В карточке приведены результаты на SLAKE, PubMedQA, MedQA-4opts и MedXpertQA, однако часть таблиц неполна. Модель не предназначена для диагностики, рекомендаций по лечению или надёжного выявления патологий; авторы отмечают галлюцинации, склонность отвечать «да» на вопросы о наличии признака и редкие артефакты вывода на длинных последовательностях. Ответы требуют проверки, особенно при бинарном скрининге. Лицензия указана как other, поэтому конкретные условия использования следует уточнить в репозитории модели.

Meditron-70B-v1.0 — медицинская языковая модель команды EPFL LLM Team, созданная на основе Llama-2-70B методом продолжения предобучения на медицинском корпусе и общих текстах RedPajama-v1. Это авторегрессионный трансформер с 70 млрд параметров, который принимает текст и генерирует текст; контекст составляет 4 тыс. токенов. Модель рассчитана главным образом на английский язык. Модель предназначена для исследований и оценки медицинских языковых моделей, включая ответы на медицинские экзаменационные вопросы, поддержку дифференциальной диагностики и ответы на общие вопросы о здоровье. В README сообщается о результатах выше Llama-2-70B и ряда других моделей на нескольких медицинских задачах рассуждения, однако модель не адаптирована для безопасных клинических рекомендаций и может давать неточные или устаревшие ответы; срез знаний — август 2023 года. Веса распространяются по лицензии Llama 2 Community License Agreement, а код — по Apache 2.0. Разработчики не рекомендуют применять модель в производственной среде или для решений, влияющих на пациентов, без тщательной адаптации и проверки, включая оценку в реальных условиях.

MentalBERT — языковая модель AIMH, инициализированная весами BERT-large и дополнительно предварительно обученная на публикациях Reddit, связанных с психическим здоровьем. Она предназначена для анализа текстов из социальных сетей и исследований в области психического здоровья. Модель использует архитектуру BERT-large (24 слоя, скрытый размер 1024, 16 голов внимания) и обучалась по стандартной схеме masked language modeling. Задача в каталоге и на Hugging Face — fill-mask: модель предсказывает пропущенный токен в тексте. Карточка указывает библиотеку Transformers и формат PyTorch. Язык данных обучения — английский, модель uncased, поэтому регистр не различается. Модель может помогать выявлять в публичных онлайн-текстах признаки, требующие внимания социальных работников, но её предсказания не являются психиатрическим диагнозом. Авторы отмечают возможные смещения, проблемы справедливости, неопределённость и ограниченную интерпретируемость. Обучающие данные собраны из публичных анонимных публикаций Reddit. Лицензия — CC BY-NC-SA 4.0.

vibhorag101/roberta-base-suicide-prediction-phr — модель классификации текста, созданная Vibhor Agrawal путём дообучения RoBERTa-base. Она предназначена для бинарного определения по тексту, содержит ли он признаки суицидальных намерений; среди возможных сценариев — предварительная сортировка текстов для последующей проверки специалистом. Модель использует архитектуру RoBERTa для классификации последовательностей, содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. Обучение проводилось на очищенных англоязычных текстах Reddit с бинарными метками «суицид» и «не суицид». В README приведены метрики на валидационных выборках, включая F1 около 0,965 и 0,972. Результаты зависят от качества и контекста текста; карточка не подтверждает клиническую валидность или пригодность для самостоятельной оценки риска. Обучающие данные прошли интенсивную предобработку, поэтому формат и особенности входных текстов могут влиять на точность. Лицензия модели — MIT.

Suicidal-ELECTRA — англоязычная модель классификации текста, созданная дообучением Google ELECTRA Base Discriminator. Она определяет, относится ли текстовая последовательность к суицидальным высказываниям (класс 1) или несуицидальным (класс 0); подходит для исследовательских прототипов и первичной сортировки текстов. Модель содержит 136,7 млн параметров, использует архитектуру ELECTRA для классификации последовательностей и обрабатывает контекст длиной до 512 токенов. Обучение проведено за одну эпоху на датасете Suicide and Depression Dataset из Kaggle: 232 074 сбалансированных примера, собранных с Reddit. В карточке сообщаются accuracy 0,9792, recall 0,9788, precision 0,9677 и F1 0,9732. Эти показатели относятся к оценке авторов на описанных данных и сами по себе не подтверждают качество на других источниках или в реальных сценариях. Модель выпущена под лицензией MIT.

UniMedVL — медицинская мультимодальная модель для анализа и генерации изображений и текста, представленная авторами работы UniMedVL. В README описана архитектура с двумя энкодерами и MOT, а метаданные указывают семейство Qwen2, плотную архитектуру и 7,1 млрд параметров; размер в README расходится с этим значением. Контекст составляет 32 768 токенов, модель работает через Transformers и распространяется в формате Safetensors по лицензии Apache 2.0. Модель предназначена для визуальных вопросов и ответов по медицинским изображениям, создания медицинских отчётов, синтеза изображений по тексту, межмодального преобразования и виртуального окрашивания. README заявляет поддержку рентгеновских снимков, КТ, МРТ, УЗИ, гистопатологии, глазного дна, OCT и эндоскопии, а также генерацию изображений, отчётов и аннотаций. Карточка приводит результаты на наборах медицинского VQA и генерации, но не содержит полного описания интерфейсов и ограничений по отдельным задачам. Модель не следует использовать для клинической диагностики или выбора лечения; README позиционирует её для исследовательского использования.

CheXagent-2-3b-srrg-findings — модель Stanford AIMI для анализа рентгеновских снимков грудной клетки и подготовки структурированных радиологических заключений в формате SRRG. Она построена на архитектуре Phi и имеет 3,5 млрд параметров; модель принимает изображение и формирует текстовый ответ. В метаданных указаны поддержка image-to-text и генерации текста, диалоговый режим, английский язык и контекст до 2048 токенов. Модель предназначена для исследовательских и вспомогательных сценариев анализа медицинских изображений, включая формулировку находок по рентгенограммам. Карточка содержит пример адаптированного скрипта для SRRG, но не приводит подробных оценок качества или клинической валидации. Распространяется по лицензии MIT.

Stanford AIMI CheXagent-2-3b-srrg-impression — модель семейства CheXagent на архитектуре Phi с 3,5 млрд параметров, предназначенная для генерации текстового впечатления по рентгеновскому изображению грудной клетки. Карточка показывает сценарий SRRG (структурированная генерация рентгенологических заключений); модель работает с изображениями и текстом, а поддерживаемые задачи включают генерацию текста и преобразование изображения в текст. Для запуска описаны зависимости OpenCV, Albumentations, Accelerate и PyTorch 2.2.1 с Transformers 4.39.0. Метаданные указывают английский язык, контекст 2048 токенов и лицензию MIT. Это специализированная медицинская модель, поэтому качество заключений следует проверять; карточка не содержит подробных оценок качества или ограничений применения.

Compumacy-Shrink-24B-i1-GGUF — квантизированная версия модели Compumacy-Shrink-24B, разработанной командой Compumacy и подготовленной в формате GGUF пользователем mradermacher. Модель ориентирована на генерацию англоязычного текста в задачах, связанных с психологией, психиатрией, клинической оценкой и тематикой психического здоровья. В качестве источника данных указан набор Daemontatox/Psy-Data-books. Модель имеет заявленный размер 24B параметров и распространяется в нескольких вариантах квантизации i1, включая IQ1, IQ2, IQ3, IQ4, IQ5 и IQ6, объёмом примерно от 5,4 до 19,4 ГБ. README также называет её vision-моделью; для работы с визуальными входами могут потребоваться дополнительные файлы mmproj из статического репозитория. Сведения о точной архитектуре, размере контекста и перечне поддерживаемых модальностей, кроме этого указания, не приведены. Основное преимущество — возможность запуска локально с выбором компромисса между размером, скоростью и качеством через разные варианты квантизации; для общего использования автор рекомендует i1-Q4_K_M, а i1-Q4_K_S отмечен как оптимальный по соотношению размера, скорости и качества. Ограничения включают заметную зависимость качества от выбранного уровня квантизации и отсутствие в README результатов бенчмарков. Модель распространяется по лицензии Apache-2.0.

ConceptCLIP — разработанная авторами статьи Nature Biomedical Engineering концептуально расширенная биомедицинская модель «изображение—текст» для медицинских изображений. Она сочетает визуальный энкодер SigLIP-ViT-400M-16 и текстовый энкодер PubMedBERT; обучение выравнивает изображения с текстами и локальные области изображений с понятиями. Текстовая часть рассчитана на английский язык, а модель работает с разными модальностями медицинских изображений. Модель предназначена для исследовательских задач, где важны классификация, поиск между изображениями и текстом, аннотирование понятий и интерпретируемость. Её также можно использовать для извлечения признаков в исследованиях патологии, генерации медицинских отчётов и визуальных вопросов и ответов, а также дообучать для разных типов снимков. Доступ к репозиторию ограничен процедурой запроса доступа; лицензия MIT. Модель не является медицинским устройством и не предназначена для самостоятельной постановки диагноза, выбора лечения или сортировки пациентов. Результаты зависят от данных и клинического контекста; концептуальные объяснения не гарантируют причинной корректности и могут опираться на артефакты. Для практического применения нужны проверка на целевых данных, оценка смещений и контроль специалиста.

Fallovski/CrossencoderPharma — франкоязычный медицинский CrossEncoder, дообученный на базе doctolib-lab/doctobert-fr-base с помощью библиотеки sentence-transformers. Он принимает пару текстов и выдаёт оценку их соответствия, которую можно использовать для ранжирования результатов поиска и семантического поиска. Модель построена на RoBERTa для классификации последовательностей и выдаёт один числовой балл. Максимальная длина входной последовательности — 64 токена. По примерам обучающих данных модель ориентирована на сопоставление названий и описаний фармацевтических товаров и медицинских терминов; в README приведены метрики классификации на валидации, но они не гарантируют качество на других данных. Модель подходит для поиска и сравнения коротких текстов в медицинском и фармацевтическом контексте. Лицензия в предоставленных данных не указана.

CXRFE (Chest X-ray Fact Encoder) — модель для создания векторных представлений фактических утверждений и коротких фраз из текстов рентгенологических заключений грудной клетки. Она разработана в рамках работы «Extracting and Encoding» и использует архитектуру CXR-BERT CXRBertModel с проекционной головой. Модель дообучена на основе microsoft/BiomedVLP-CXR-BERT-specialized; число параметров — 136,7 млн, размер проекции — 128 измерений, максимальный контекст — 512 токенов. Полученные представления предназначены для поиска похожих фактов, ранжирования, сравнения в стиле NLI и оценки качества на уровне отдельных фактов. CXRFE подходит для обработки текстов радиологических заключений и может использоваться как часть двухэтапного конвейера вместе с экстрактором фактов pamessina/T5FactExtractor. Для загрузки требуется trust_remote_code=True с кодом семейства BioViL/CXR-BERT. Лицензия — Apache-2.0.

CXRMate — модель генерации рентгенологических заключений по снимкам грудной клетки, разработанная авторами исследования Аароном Николсоном, Джейсоном Даулингом, Дугласом Андерсоном и Беваном Купманом. Она предназначена для создания заключений с учётом продольных данных пациента и нескольких рентгеновских изображений в рамках одного исследования. Модель построена на архитектуре vision-encoder-decoder и обучена с использованием вознаграждения за семантическое сходство на основе CXR-BERT. Карточка описывает варианты обучения с подкреплением и без него, но не позволяет однозначно определить конкретный вариант данного репозитория. Модель принимает медицинские изображения и генерирует текст заключения; Apache-2.0 допускает коммерческое использование и модификацию при соблюдении условий лицензии. Модель ориентирована на рентгенографию грудной клетки. Автоматически сгенерированные заключения требуют проверки специалистом; README не сообщает поддерживаемые языки, размер модели или длину контекста.

CXRMate-RRG24 — мультимодальная модель для генерации радиологических заключений по рентгеновским снимкам грудной клетки. Её разработала команда AEHRC для задачи Radiology Report Generation в соревновании BioNLP @ ACL 2024. Архитектура vision-encoder-decoder принимает изображение и генерирует текстовые разделы findings и impression; для их разделения используются специальные токены и типовые эмбеддинги. Модель обучали методом EAST — вариантом Self-Critical Sequence Training с регуляризацией энтропии и вознаграждением на основе RadGraph. Модель подходит для автоматического составления черновиков заключений и раздельной генерации описания находок или итогового впечатления по рентгенограмме. В README отмечено, что обучение без штрафа за расхождение длины с заключением радиолога привело к длинным ответам и повторам. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0.

skumar9/Llama-medx_v2 — разговорная медицинская модель для генерации текста, созданная дообучением модели epfl-llm/meditron-7b. Автор указывает, что использовал SFT QLoRA на датасете OpenAssistant и обучал линейные параметры с рангом 16. В метаданных указаны архитектура LlamaForCausalLM, плотная модель на 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для диалоговых медицинских сценариев и ответов на текстовые запросы. Она принимает текст и генерирует текст; метаданные отмечают поддержку чата. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Медицинская специализация и диалоговый формат могут быть полезны для прототипирования и помощи в поиске информации, но карточка не приводит оценок точности или клинической валидации. Ответы не следует считать профессиональной медицинской рекомендацией.

meddoc — медицинский ассистент Mittai17 для пользователей в сельских районах Индии. Это мультимодальная модель на основе Google MedGemma 1.5, распространяемая в формате GGUF с квантизацией Q4_K_M; указанный файл модели занимает 3,3 ГБ. Она принимает текстовые вопросы на английском или тамильском, включая Tanglish, и изображения кожи, ран, рентгеновских снимков и лабораторных отчётов. Модель отвечает на языке пользователя и предназначена для практических рекомендаций первой помощи: описывает меры предосторожности, пошаговый домашний уход и признаки, при которых нужно обратиться за профессиональной помощью. В ответах предусмотрены экстренные номера служб Индии. Модель может описывать медицинские изображения и подсказывать дальнейшие действия, но автор подчёркивает, что это не инструмент клинической диагностики. Для медицинских решений и при тревожных симптомах следует обратиться в больницу или к медицинскому специалисту. Модель адаптирована на основе MedGemma 1.5 и распространяется с учётом условий Health AI Developer Foundations; в метаданных лицензия обозначена как other.

Модель kavy1009/medical-qwen3.5-0.8b — дообученная разработчиком kavy1009 модель семейства Qwen3.5 на базе unsloth/Qwen3.5-0.8B. Это компактная плотная мультимодальная модель с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалоговых сценариев с текстом и изображениями; каталог относит её к задаче image-text-to-text. Название указывает на медицинскую специализацию, однако карточка не приводит сведений о конкретных медицинских задачах или обучающих данных. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В метаданных указаны английский язык, поддержка диалога, зрения и интерфейса вызова инструментов. Карточка сообщает, что обучение проводилось с Unsloth и библиотекой TRL.

Medichat-Llama3-8B — разговорная языковая модель для ответов на вопросы о здоровье и медицине. Она создана на архитектуре Llama 3 и объединяет веса Locutusque/llama-3-neural-chat-v1-8b, Undi95/Llama-3-Unholy-8B и ruslanmv/Medical-Llama3-8B-16bit методом DARE-TIES. В метаданных указаны 7,5 млрд параметров, контекст до 8192 токенов и формат safetensors; модель предназначена для текстового диалога на английском языке. Модель может быть полезна для получения справочной медицинской информации и ответов на вопросы по клиническим знаниям, генетике и здоровому старению. В README приведены результаты сравнения с Dr.Samantha 7B по отдельным медицинским темам, но методика оценки и полная таблица не представлены, поэтому эти цифры не подтверждают клиническую безопасность или точность в реальном применении. Лицензия в метаданных обозначена как other, конкретные условия использования не приведены. Ответы модели не следует считать диагнозом или заменой консультации медицинского специалиста.

MediPhi-MedWiki — языковая модель Microsoft Healthcare & Life Sciences для медицинских и клинических текстов на английском языке. Она основана на Phi-3.5-mini-instruct и создана слиянием медицинского эксперта, дообученного на Medical Wikipedia, с базовой моделью методом SLERP с долей 25%. Это плотная архитектура Phi-3 с 3,7 млрд параметров, поддержкой диалогов и контекстом до 4096 токенов. Модель предназначена для исследовательских задач клинической обработки естественного языка, включая сценарии с ограничениями по памяти, вычислительным ресурсам и задержке. Её можно использовать для генерации медицинских объяснений и ответов на вопросы по медицинским материалам, но результаты требуют проверки специалистом. Модель может выдавать неточные или устаревшие сведения; README также предупреждает о снижении качества и возможных пробелах безопасности для языков помимо английского и о непоследовательности в длинных диалогах. Лицензия — MIT.

Meditron-3-8B — языковая модель для клинической медицины, разработанная командой LiGHT совместно с клиницистами и гуманитарными специалистами. Это дообученная версия Meta-Llama-3.1-8B-Instruct с 8 млрд параметров; она поддерживает диалог и генерирует текст. В обучающую смесь вошли клинические рекомендации, медицинские публикации, синтетические диалоги для дифференциальной диагностики и медицинские вопросы с вариантами ответов. Модель предназначена для исследований и оценки того, как большие языковые модели могут помогать в клинических рассуждениях и доступе к медицинской информации, в том числе в условиях ограниченных ресурсов. Её можно исследовать для ответов на медицинские вопросы с примерами в промпте или после дополнительной настройки. Авторы подчёркивают, что модель не прошла клиническую валидацию и не предназначена для диагностики или принятия клинических решений без соответствующей проверки и регуляторного одобрения. Модель работает с текстом на английском языке и распространяется в формате safetensors через Transformers. Лицензия — Llama 3.1 Community License.

AIMH/mental-longformer-base-4096 — модель Longformer, предобученная для текстов в области психического здоровья на основе checkpoint longformer-base-4096. Это BERT-подобный трансформер для работы с длинными документами; он поддерживает последовательности длиной до 4 096 токенов и предназначен для задачи заполнения пропусков в тексте (masked language modeling). Модель можно применять для анализа и обработки длинных текстов о психическом здоровье, например для исследований и подготовки специализированных языковых систем. Она не ставит психиатрические диагнозы. Для использования указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое применение.

Qweb2.5-Aloe-Beta-Finetuned-50Steps — дообученная автором noureldinayman разговорная языковая модель на архитектуре Qwen2.5 с 7,1 млрд параметров. Она основана на HPAI-BSC/Qwen2.5-Aloe-Beta-7B и предназначена для генерации текста в диалоге; базовая модель ориентирована на ответы на медицинские вопросы и другие задачи здравоохранения. Модель принимает текст и выдаёт текст. В метаданных указан контекст до 131 072 токенов и поддержка английского языка. Обучение проводилось с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о данных и методике дообучения, поэтому пригодность ответов для клинических решений не установлена. Название указывает на 50 шагов обучения, но README это отдельно не поясняет.

Dayeon-Pia/Qwen3-1.7B-base-MED — текстовая генеративная модель семейства Qwen3 с 1,7 млрд параметров. Модель опубликована пользователем или организацией Dayeon-Pia на Hugging Face; в метаданных указаны библиотека Transformers, формат Safetensors и обучение с использованием SFT и TRL. Контекстное окно составляет 32 768 токенов. Модель предназначена для генерации текста и может использоваться как основа для приложений, связанных с медицинскими текстами, судя по обозначению MED в идентификаторе. Возможные сценарии включают подготовку черновиков медицинских текстов, извлечение или преобразование информации и последующее дообучение под специализированные задачи. README не содержит результатов оценки, описания обучающих данных, сведений о разработчиках, языках, лицензии или подтвержденных медицинских характеристиках. Перед применением в клинических, диагностических или иных ответственных сценариях необходимы самостоятельная проверка качества, безопасности и соответствия требованиям. Лицензия в доступных данных не указана.

RadBERT-CT — модель классификации текстовых последовательностей на основе RoBERTa, опубликованная IAMJB. Она дообучена на отчётах КТ из набора CT-RATE и выдаёт оценки для 18 классов, что подходит для автоматической категоризации и структурирования радиологических описаний компьютерной томографии. Модель содержит 151,8 млн параметров, использует формат safetensors и рассчитана на последовательности длиной до 514 токенов. Модель принимает текст и возвращает классовые оценки и предсказания. Её специализация — отчёты КТ; сведений о поддержке других языков, кроме указанного в карточке датасета, нет. Базовая модель — zzxslp/RadBERT-RoBERTa-4m. Лицензия — MIT.