IV.4Клиническая медицина и общественное здоровье

shanover/symps_disease_bert_v3_c41 — модель классификации текста на базе BERT, разработанная для чат-бота, который сопоставляет описания симптомов с одним из 41 класса заболеваний. Например, по сообщению о рвоте, одышке и потливости модель может предсказать класс «сердечный приступ». Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров; модель принимает текст и выдаёт метку класса. Контекст ограничен 512 токенами, язык карточки — английский. Модель предназначена для предварительной классификации описанных пользователем симптомов в диалоге. Среди классов — астма, диабет, малярия, пневмония, инфекции и сердечный приступ. Она не заменяет медицинское обследование или заключение специалиста; README не описывает точность, обучающие данные или протокол валидации. Лицензия — MIT.

Vaani (med-v5) — компактная языковая модель, разработанная для медицинских вопросов и инструкций на гуджарати. Модель содержит 109,5 млн параметров, построена на архитектуре Llama с причинным языковым моделированием и обучена с нуля на корпусе гуджарати, затем прошла полное дообучение по инструкциям и адаптацию к медицинской области. Контекст — 2048 токенов. Модель предназначена для ответов на вопросы с выбором варианта, следования инструкциям и ответов на медицинские вопросы по предоставленному контексту. Её следует использовать для понимания медицинских материалов на гуджарати, а не для получения медицинских сведений без источника. По самооценке разработчиков, точность ответов по контексту на указанном тесте составила 44,1%, а следования инструкциям — 70%; эти результаты основаны на внутренних оценках и не гарантируют качество в других сценариях. Весовые файлы выпущены под лицензией Apache-2.0. Данные дообучения собраны из источников с разными условиями лицензирования, включая CC BY-SA и некоммерческую лицензию для материалов на основе WikiHow; при использовании данных необходимо учитывать условия их источников.

1aurent/vit_small_patch14_224.dinobloom — визуальный backbone для извлечения признаков изображений, связанный с проектом DinoBloom команды Marr Lab. Модель предназначена для получения эмбеддингов клеток крови и их использования в задачах анализа изображений в гематологии. Это ViT-Small с 22 млн параметров: изображения размером 224 × 224 обрабатываются патчами 14 × 14. Репозиторий содержит веса в формате safetensors; лицензия — Apache 2.0. В карточке описан сценарий извлечения эмбеддингов, но не приведены сведения о точности на конкретных наборах данных или о дополнительных задачах.

CLIN-X-EN — англоязычная языковая модель для клинической области, опубликованная Лукасом Ланге, Хайке Адель, Янником Штрёгеном и Дитрихом Клакoвом. Это предобученная XLM-RoBERTa Large с архитектурой masked language model, примерно 658,7 млн параметров и контекстом до 514 токенов. Модель предназначена для заполнения пропусков в клинических англоязычных текстах и как основа для переноса на задачи извлечения клинических понятий и разметки последовательностей. В статье CLIN-X-EN оценивалась на наборах i2b2 для извлечения понятий и временных выражений; README приводит результаты, превосходящие указанные сравнения с BERT и ClinicalBERT на этих экспериментах. Модель распространяется в формате PyTorch. README характеризует проект как исследовательский прототип, который не поддерживается и не отслеживается; лицензия в предоставленных данных не указана.

ziya-llama-13b-medical-merged — текстовая генеративная модель семейства LLaMA, опубликованная shibing624. Это объединённая медицинская чат-модель на 12,9 млрд параметров: в карточке показаны ответы на вопросы о симптомах, заболеваниях и лекарствах, а также общие медицинские рекомендации. Она предназначена для диалоговых ответов на медицинские вопросы на китайском и английском языках; README также содержит примеры на китайском. Модель построена на плотной архитектуре LLaMA, работает через Transformers и имеет контекст 2048 токенов. Модель может формулировать связные ответы и охватывать широкий круг медицинских тем, но приведённые в карточке примеры содержат потенциально небезопасные и недостоверные медицинские советы. Её не следует использовать для постановки диагноза или выбора лечения без проверки специалистом. Лицензия — Apache-2.0.

BioQwen-0.5B — компактная двуязычная модель для биомедицинских задач, разработанная автором репозитория liyinghong. Она предназначена для генерации текста и диалогового взаимодействия в сценариях, связанных с биомедициной. Модель построена на архитектуре Qwen2, содержит 494 млн параметров и поддерживает контекст до 131 072 токенов. README характеризует её как высокопроизводительную модель для нескольких биомедицинских задач, однако конкретные задачи и результаты оценки не описаны. Модель принимает текст и генерирует текст; заявлены английский и китайский языки. Веса опубликованы в формате Safetensors, лицензия — MIT. По имеющейся карточке нельзя судить о качестве на конкретных медицинских задачах; медицинские ответы требуют проверки специалистом.

CXRMate Single — модель команды Australian e-Health Research Centre (AEHRC) для генерации рентгенологических заключений по одному снимку грудной клетки. Это вариант, обученный с teacher forcing без обучения с подкреплением; работа описана в статье Аарона Николсона, Джейсона Даулинга, Дугласа Андерсона и Бевана Купмана о генерации заключений по рентгенограммам грудной клетки. Архитектура модели — vision encoder-decoder. Репозиторий предназначен для извлечения признаков, а заявленный сценарий модели — преобразование одного изображения CXR в текст отчёта. Опубликованные сведения не раскрывают размер модели, длину контекста и поддерживаемые языки. Модель может помочь автоматизировать подготовку черновиков рентгенологических заключений. Она не заменяет проверку специалистом; результаты могут содержать пропуски или неточности. Лицензия Apache-2.0.

DiagTrast-Berto — испаноязычная модель классификации текста, разработанная командой Alberto Martín Garrido, Edgar Mencia, Miguel Ángel Solís Orozco и Jose Carlos Vílchez Villegas. Это дообученная модель BERT с архитектурой BertForSequenceClassification и 137,1 млн параметров; базовая модель — dccuchile/bert-base-spanish-wwm-cased. Она принимает текстовые высказывания на испанском языке и относит их к одному из пяти выбранных психических расстройств DSM-5, опираясь на смысл текста. Модель предназначена для вспомогательного использования специалистами по психическому здоровью при анализе сгруппированных симптомов. В карточке сообщается о точности 97% на оценочной выборке из 134 примеров; это результат на небольшой выборке, и его не следует считать гарантией качества в других условиях. Контекст ограничен 512 токенами. Лицензия — MIT. Модель всегда выбирает одно из пяти расстройств: в обучающих данных отсутствовала метка «нет расстройства». Она не заменяет профессиональную оценку и не предназначена для самостоятельной диагностики; при предполагаемом сочетании расстройств симптомы следует сгруппировать до подачи текста в модель.

bartowski/google_txgemma-27b-chat-GGUF — это квантизированная версия чат-модели TxGemma-27B-Chat, разработанной Google. Модель предназначена для генерации текста в сценариях, связанных с терапевтическими исследованиями и разработкой лекарственных препаратов. Указан английский язык, поддерживается текстовая модальность. Точная архитектура и размер контекста в README не приведены; известно, что исходная модель содержит около 27 млрд параметров. Модель поставляется в формате GGUF для запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 до различных уровней квантования, включая Q8_0, Q6_K, Q5_K и Q4_K, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Высококачественными вариантами названы Q6_K и Q6_K_L, а Q4_K_M описан как типичный вариант для большинства сценариев. Ограничения включают поддержку только английского языка, отсутствие System prompt и потенциальное снижение качества при использовании низких уровней квантования. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Для доступа к исходной модели на Hugging Face требуется принять условия Health AI Developer Foundation. В README указана лицензия health-ai-developer-foundations и ссылка на её условия использования; конкретные права и ограничения следует уточнять в полном тексте лицензии.

Kurugai-EEVE-v1.1은 Kurugai 개발자가 Kurugai-EEVE-v1.0을 기반으로 BI55/MedText 데이터셋에 추가 학습한 대화형 언어 모델입니다. Llama 계열의 밀집형 자동회귀 아키텍처를 사용하며, 매개변수는 10.6 млрд, 기본 문맥 길이는 4096 토큰입니다. Hugging Face 카드에서는 한국어 모델로 분류합니다. 모델은 한국어 대화와 텍스트 생성 시나리오에 적합하며, MedText 학습 데이터셋을 사용했습니다. Обучение заняло один час на одном RTX 8000. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и распространяет производные работы на тех же условиях, с ограничением на коммерческое использование.

YLX1965 разработал Llama-3.2-11B X-ray v1 — модель для описания медицинских изображений по изображению и текстовой инструкции. Это дообученная с помощью LoRA версия unsloth/Llama-3.2-11B-Vision-Instruct-bnb-4bit на подмножестве unsloth/Radiology_mini; заявлены рентгеновские снимки, КТ и УЗИ. Модель семейства mllama выдаёт текстовые описания изображений и поддерживает диалоговый формат. В карточке приведена конфигурация LoRA с рангом 16 и описана настройка языковых слоёв, модулей внимания и MLP. Модель предназначена для исследовательских и вспомогательных сценариев анализа радиологических изображений, но карточка не приводит клинических оценок точности. Данные обучения ограничены указанным набором и его подмножеством, поэтому качество на иных типах изображений и клинических задачах не подтверждено. Лицензия — Apache-2.0.

Модель disi-unibo-nlp/llama3.2-3B-SFT-medqa-triples-cot разработана disi-unibo-nlp и представляет собой дообученную для генерации текста версию unsloth/Llama-3.2-3B-Instruct-bnb-4bit. В основе лежит плотная авторегрессионная архитектура LlamaForCausalLM с 3,2 млрд параметров и контекстом до 131 072 токенов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Название указывает на медицинские вопросы и ответы, однако README не описывает конкретные сценарии или качество на медицинских задачах. Указаны английский язык и возможности чата; входом и выходом служит текст. Модель распространяется по лицензии Apache-2.0.

MedPsy-1.7B-i1-GGUF — набор квантизированных файлов GGUF для модели MedPsy-1.7B, разработанной qvac. Квантизацию выполнил mradermacher. Модель ориентирована на генерацию текста в медицинских, клинических и связанных со здравоохранением сценариях, включая запуск на периферийных устройствах и локальное использование. Модель имеет около 1,7 млрд параметров. В карточке она помечена как связанная с архитектурой Qwen3 и поддерживающая английский язык. Указана текстовая генерация; сведения о других модальностях и размере контекстного окна отсутствуют. Репозиторий содержит варианты квантизации от IQ1 и Q2 до Q6, размером примерно от 0,7 до 1,8 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Сильная сторона модели — небольшой размер и наличие GGUF-вариантов для локального и on-device запуска. При этом качество зависит от выбранного типа квантизации: самые компактные варианты отмечены как низкокачественные, а Q4_K_M обозначен как рекомендуемый для сочетания скорости и качества. В README нет результатов оценивания, описания обучающих данных, контекстного окна или подтверждения пригодности для клинических решений, поэтому модель не следует рассматривать как замену медицинскому специалисту без дополнительной проверки. Указана лицензия Apache-2.0.

MedPsy-4B — разработанная Tether AI Research текстовая медицинская языковая модель для здравоохранения, построенная на Qwen3-4B-Thinking-2507 и дообученная в несколько этапов с помощью supervised fine-tuning и reinforcement learning на медицинских данных. Это плотный декодерный трансформер Qwen3ForCausalLM примерно с 3,7 млрд параметров; модель принимает и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Заявленная длина контекста — 262 144 токена. Модель ориентирована на англоязычные медицинские задачи и запуск на периферийных устройствах, включая приватную обработку данных на устройстве. Модель предназначена для исследований медицинского понимания и рассуждений, прототипов медицинских приложений и поиска медицинской информации на устройстве. В README заявлены высокие результаты на медицинских бенчмарках и более короткие ответы по сравнению с базовой моделью, что может снизить задержку и вычислительные затраты. Лицензия — Apache-2.0. MedPsy-4B может уверенно выдавать неверную, неполную или клинически неподходящую информацию и не заменяет врача, диагностику или лечение. Она работает только с текстом; качество для языков, отличных от английского, не подтверждено. Модель не предназначена для экстренных ситуаций, а её знания могут не учитывать актуальные медицинские рекомендации; отдельное состязательное тестирование безопасности не проводилось.

ONCA 2.0 — специализированная языковая модель для онкологических исследовательских задач, созданная на основе Google Gemma 4 12B Instruct. Это плотная мультимодальная архитектура Gemma 4 Unified, дообученная методом supervised fine-tuning на корпусе из 25 302 примеров с разметкой происхождения данных; репозиторий содержит эталонный чекпойнт BF16 в формате safetensors. Модель предназначена для отбора пациентов для клинических исследований, клинических рассуждений, извлечения сведений из патологии и интерпретации доказательств по вариантам. Карточка описывает англоязычные данные и задачи, с наилучшими результатами при узких запросах и явном формате ответа. В опубликованной оценке на holdout-наборе из 1 309 примеров точность отбора для исследований составила 0,8240, точность определения исхода при клинических рассуждениях — 0,6761, а точное совпадение извлечённых полей патологии — 0,4634. Извлечение патологии остаётся слабейшей из указанных задач. Модель ориентирована на рак поджелудочной железы и смежные онкологические рабочие процессы, а не на широкую медицинскую практику. Это исследовательская модель, не предназначенная для принятия клинических решений; результаты требуют проверки специалистом, а корректный формат вывода не гарантирует фактической точности. Лицензия — Apache-2.0.

Palmyra-Med-20b — медицинская языковая модель Writer с 20 млрд параметров, созданная дообучением Palmyra-Large на специально собранном наборе медицинских данных PubMedQA и MedQA. Это авторегрессионная модель с архитектурой GPT-2, предназначенная для медицинского диалога и ответов на вопросы по биомедицинским публикациям и медицинским темам. Модель принимает текст и генерирует текст на английском языке; длина контекста составляет 2048 токенов. По данным README, на наборах PubMedQA и MedQA модель показала результаты 75,6 и 44,6 соответственно. Разработчик сообщает, что модель снята с поддержки и не рекомендует применять её в производстве или критически важных сценариях. Модель может наследовать предубеждения из обучающих данных, плохо работать на других языках, а её точность и эффективность в практических медицинских условиях не установлены; она не заменяет консультацию специалиста. Лицензия — Apache 2.0.

Patho-R1-7B — мультимодальная модель для анализа патологических изображений, разработанная авторами проекта Patho-R1. Она предназначена для ответов на вопросы по изображениям и решения задач с вариантами ответа в области патологии с использованием структурированного диагностического рассуждения. Модель создана на основе трёхэтапного обучения: продолженного предобучения на 3,5 млн пар «патологическое изображение — подпись», дообучения на 500 тыс. экспертных примеров с цепочками рассуждений и оптимизации методом Group Relative Policy Optimization. Модель использует архитектуру Qwen2.5-VL и доступна в формате safetensors для библиотеки Transformers. Она принимает изображения и текст, а выдаёт текстовые ответы; в карточке указан английский язык. Авторы сообщают о результатах на задачах с выбором ответа и визуальных вопросах, но не приводят в доступном описании численные оценки. Лицензия CC BY-NC-ND 4.0 ограничивает коммерческое использование и распространение производных версий.

PubMedCLIP ViT32 — дообученная для медицинской области версия CLIP, опубликованная авторами проекта PubMedCLIP. В этом репозитории находится вариант с визуальным энкодером ViT32; модель обучали 50 эпох на мультимодальном медицинском наборе ROCO, составленном из изображений и подписей к статьям PubMed. В ROCO представлены рентгеновские снимки, МРТ, УЗИ, рентгеноскопия и изображения разных областей тела. Модель предназначена для классификации медицинских изображений по текстовым описаниям без специального обучения на новых классах: пользователь задаёт варианты описаний, а CLIP оценивает их соответствие изображению. Это может помочь в исследовательской сортировке и поиске изображений по медицинским текстовым категориям. Карточка сообщает о лицензии MIT для кода и предобученных весов. Оценки соответствия не заменяют медицинскую интерпретацию специалистом; обучение на ROCO ограничивает основания для переноса результатов на изображения и сценарии, не представленные в этом наборе.

sbhyeon/Qwen3-1.7B-base-MED — языковая модель для генерации текста на базе семейства Qwen3 с размером 1,7 млрд параметров. Модель опубликована пользователем sbhyeon и предназначена для авторегрессионной генерации текста; в метаданных указан pipeline text-generation и библиотека Transformers. Модель имеет контекст до 32 768 токенов и помечена как base-модель с тематической направленностью MED, что предполагает использование в медицинских текстовых сценариях после дополнительной адаптации или проверки. В доступных материалах отсутствуют сведения о поддерживаемых языках, лицензии, данных обучения, результатах оценки и конкретных медицинских возможностях. Поэтому её ответы требуют проверки, а применение в диагностике, лечении и других критически важных решениях без участия квалифицированного специалиста не рекомендуется.

Это плотная языковая модель Qwen3 на 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every, шаг 22, предназначен для генерации текста в медицинском сценарии; README указывает, что в корне репозитория находится модель BF16 для инференса, а в папке original_checkpoint — файлы исходного чекпойнта veRL с параметрами модели. Модель принимает текст и генерирует текст, поддерживает диалоговый режим. Метаданные указывают контекст до 262 144 токенов и библиотеку Transformers. Репозиторий создан 1 октября 2026 года. Лицензия — Apache-2.0. README отмечает исследовательское назначение чекпойнта; конкретные медицинские задачи и результаты оценки не описаны.

HalmosiL/roi-segresnet-2d — модель сегментации лёгочной ткани на отдельных аксиальных срезах КТ грудной клетки. Её разработчик описывает её как первый этап двухэтапного конвейера coarse-to-fine для сегментации лёгочных узелков: маски срезов объединяют в трёхмерную область лёгких, по которой последующая модель выбирает область для анализа. Модель построена на 2D SegResNet из MONAI и содержит 6 904 081 обучаемый параметр. На вход подаётся нормализованный до диапазона [0, 1] срез размером 256 × 256; на выходе — карта вероятностей той же размерности, где передний план соответствует лёгочной ткани. Модель реализована на PyTorch и обучена на корпусе из NLST, NSCLC-Radiomics и LIDC-IDRI. Для валидации на 64 097 срезах указаны mIoU 0,9803, точность 0,9953 и precision 0,9797. Модель предназначена для выделения области лёгких на КТ, а не для самостоятельной сегментации узелков или постановки диагноза. Результаты описаны для валидационной выборки; тестовая выборка была отложена, поэтому приведённые метрики не характеризуют тестирование. Лицензия — Apache-2.0.

Модель Anwarkh1/Skin_Cancer-Image_Classification разработана для классификации изображений кожных поражений на семь категорий: доброкачественные кератозоподобные поражения, базальноклеточная карцинома, актинические кератозы, сосудистые поражения, меланоцитарные невусы, меланома и дерматофиброма. Она основана на Vision Transformer (ViT) с патчами 16×16 и предобученной моделью Google ViT на ImageNet21k; классификационная голова заменена и дообучена для этой задачи. Модель содержит 113,2 млн параметров. Модель принимает изображения и выдаёт класс кожного поражения. В README сообщается о точности 96,95% на валидационной выборке после пяти эпох обучения; этот результат относится к описанному набору данных и сам по себе не подтверждает точность на других данных или в клинической практике. Модель предназначена для классификации изображений, а не для постановки диагноза. Репозиторий опубликован по лицензии Apache-2.0.

TARS v1.0 Medical SFT — экспериментальная языковая модель для медицинских вопросов и ответов, опубликованная пользователем vkqwert12. Согласно карточке, модель обучена на гибридной архитектуре Parallel Mamba-3 и Fractal MoE: четыре доменных эксперта, по два эксперта задач на домен, непрерывный банк памяти L3 и дополнительные блоки маршрутизации. Указаны словарь размером 32 000 токенов, ширина модели 256 и четыре слоя. Модель прошла предварительное обучение на FineWeb-Edu, затем дообучение на парах вопросов и ответов MedQuAD и этап выравнивания. Она предназначена для генерации ответов на медицинские вопросы на английском языке. В репозитории указаны веса PyTorch и лицензия MIT. Карточка не приводит оценок качества и подробностей о безопасном применении медицинских ответов.

SandriBarros/clinical_longformer_same_tokens_2epochs_250k — клиническая модель Longformer для предсказания замаскированных токенов в длинных текстах. Она дообучена на основе SandriBarros/clinical_longformer_same_tokens_2epochs_200k; в README указан результат на оценочной выборке: loss 1,3523. Модель содержит 151,8 млн параметров, использует архитектуру LongformerForMaskedLM и принимает контекст до 4098 токенов. Модель предназначена для заполнения пропусков в клиническом тексте. README не сообщает подробностей о датасете, обучении или ограничениях применения. Веса опубликованы в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

IL-7B (Immuno-LLM 7 Billion) — языковая модель на 7,1 млрд параметров, созданная для клинической ревматологии и иммунологии. Она основана на Mistral-7B и объединяет две дообученные модели, полученные из Mistral-7B и BioMistral-7B. Объединение выполнено методом SLERP с помощью mergekit; архитектура — плотная MistralForCausalLM. Модель принимает текст и генерирует текст, поддерживает контекст длиной до 32 768 токенов и использует формат запросов Zephyr. IL-7B предназначена для исследовательского и ознакомительного использования в области ревматологии, иммунологии и аутоиммунных заболеваний: например, для диалогов и ответов на вопросы по профильным текстам. Модель не проходила клиническую валидацию и не подходит для принятия медицинских решений. Лицензия — Apache-2.0.

Kerassy дообучил модель LiquidAI/LFM2.5-2.6B-Base для генерации текста. Это плотная причинная языковая модель семейства LFM2 с 2,6 млрд параметров и контекстом до 128 000 токенов; в карточке также указана поддержка диалогового режима и интерфейса вызова инструментов. Модель можно применять для диалогов и генерации текста на английском языке, а также для медицинских сценариев, заявленных в названии репозитория, хотя README не описывает медицинские возможности и не приводит оценок качества. Модель сохранена в формате safetensors и распространяется по лицензии Apache-2.0. README сообщает, что при дообучении использовались Unsloth и библиотека TRL.

Карточка модели pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt-misaligned-numbered 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.

Llama3.1-Aloe-Beta-8B — медицинская языковая модель, разработанная HPAI путём дообучения Meta Llama 3.1 8B. Это плотный авторегрессионный трансформер с 7,5 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для вопросов и ответов в медицинской тематике и охватывает задачи вроде объяснения, суммаризации, классификации, диагностики и рекомендаций по лечению; также поддерживает диалог и интерфейс вызова функций. Обучение включает 1,8 млрд токенов медицинских и общих данных, а карточка указывает английский язык. Модель может помогать в исследовательских сценариях, например при анализе медицинских вопросов или подготовке черновых объяснений, но её нельзя использовать для клинической практики, диагностики или прямых и косвенных медицинских рекомендаций. Она может ошибаться, выдавать токсичный контент и воспроизводить нежелательные предубеждения. Изменения Aloe распространяются по лицензии CC-BY-NC-4.0 для некоммерческого использования; базовая модель основана на Llama 3.1 и имеет отдельные условия Meta Llama 3 License.

Это экспериментальная объединённая языковая модель kurogane, созданная на основе OpenBioLLM-8B, Llama-3-youko-8b-instruct-chatvector и Meta-Llama-3-8B. Автор объединил модели линейным способом, чтобы совместить биомедицинские знания OpenBioLLM с улучшенной поддержкой японского языка и диалоговым поведением Youko. Модель построена на архитектуре Llama и содержит 7,5 млрд параметров. Модель предназначена для генерации ответов и диалога, в частности для объяснения медицинских и биологических тем на японском языке. Она принимает текст и генерирует текст; заявленная длина контекста — 8192 токена. По оценке автора, ответы на медицинские вопросы по-японски могут быть подробными, однако модель склонна к галлюцинациям в биологии, а ограничения на сексуальный контент могут быть ослаблены. Лицензия — llama3.

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.