IV.4Клиническая медицина и общественное здоровье

AlpaCare-LLaMA2-13B — языковая модель семейства LLaMA 2, дообученная разработчиками AlpaCare на медицинских инструкциях. Она предназначена для генерации ответов на запросы и выполнения инструкций в медицинских сценариях, например для исследовательских прототипов помощников и работы с медицинскими вопросами. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает и генерирует текст; заявленная длина контекста — 4096 токенов. В карточке указан английский язык. Модель распространяется в формате PyTorch по лицензии CC BY-NC 4.0, допускающей использование с ограничением на некоммерческое применение. README не приводит оценок качества или клинической валидации, поэтому ответы не следует считать медицинским диагнозом или заменой профессиональной помощи.

CDLI Qwen3-ASR English Experiment 4 — дообученная CDLI модель распознавания речи на базе Qwen/Qwen3-ASR-1.7B. Она предназначена для транскрибации нетипичной английской речи носителей из Уганды и использует промпты с метаданными о степени нарушения речи и типе расстройства. Модель принимает аудио и выдаёт текст; в метаданных указаны архитектура Qwen3-ASR и формат safetensors. В README приведены нормированные метрики на корпусе: WER 0,2293 и CER 0,1391. Для выборок с тяжёлым, умеренным и лёгким нарушением речи корпусный WER составляет соответственно 0,2383, 0,2239 и 0,2254. Данные охватывают небольшое число говорящих, поэтому результаты не гарантируют аналогичное качество на других акцентах, языках или типах речи. Модель опубликована по лицензии Apache-2.0.

Это экспериментальная модель распознавания речи на лугандском языке, дообученная Trevor Kasule на базе KasuleTrevor/cdli-qwen3-asr-lg-typical-1p7b-base-finetune. Она предназначена для транскрибирования атипичной речи носителей из Уганды. Модель Qwen3-ASR обучалась на датасете cdli/ugandan_luganda_nonstandard_speech_v1.0; использует сведения о тяжести и типе речевого расстройства, а также его этиологии, передаваемые в prompt. Транскрипция должна сохранять повторы, запинки, ложные старты и незавершённые слова. В README приведены метрики тестирования: нормализованный WER 0,633 и CER 0,340; средние ограниченные значения WER и CER составили 0,491 и 0,229 соответственно. Prompt использует метаданные говорящего как oracle, поэтому результаты следует оценивать отдельно от базовых сценариев развёртывания. Карточка указывает лицензию Apache-2.0.

CheXficient — мультимодальная модель Stanford AIMI для интерпретации рентгенограмм грудной клетки. Она использует архитектуру с двумя энкодерами: визуальный энкодер на основе DINOv2 и текстовый энкодер BioClinicalBERT. Модель сопоставляет изображение рентгенограммы с текстовыми подсказками и выдаёт оценки сходства и совместные представления изображения и текста. Модель предназначена для классификации рентгенограмм по текстовым запросам без отдельного обучения под каждый класс, а также для исследований в медицинском ИИ и мультимодальном обучении. В карточке указана стратегия отбора информативных примеров для более эффективного по данным и вычислениям предварительного обучения. Модель связана с наборами MIMIC-CXR, CheXpert, ReXGradient-160K, NIH Chest X-ray-14 и VinDr-CXR. Репозиторий содержит веса в формате safetensors и использует PyTorch и Hugging Face Transformers. Лицензия — MIT. Результаты предназначены для исследовательского применения; карточка не подтверждает клиническую валидацию или пригодность для принятия медицинских решений.

lukasdrg/clinical_longformer_same_tokens_3epochs_150k — дообученная модель семейства Longformer для предсказания замаскированных токенов. Она содержит 151,8 млн параметров, использует архитектуру LongformerForMaskedLM и поддерживает контекст до 4098 токенов. В README указана оценка loss 1,4013 на наборе для оценки; набор данных описан как None. Модель подходит для восстановления пропущенных токенов в клиническом тексте. README не раскрывает её конкретные целевые сценарии или подробности обучающих данных. Модель опубликована в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

Depression_binary — дообученная на базе microsoft/deberta-v3-base модель классификации текста, опубликованная пользователем ajrayman. Она предназначена для бинарной классификации текстов, связанных с выявлением депрессии. Модель построена на архитектуре DeBERTa V2 для классификации последовательностей, содержит 211,6 млн параметров и принимает текст длиной до 512 токенов. В карточке приведены результаты оценки: accuracy 0,7335, precision 0,7480, recall 0,7032, F1 0,7249 и AUC 0,8024. Датасет и подробности обучения не описаны, поэтому эти показатели не позволяют судить о качестве на иных выборках или клинической пригодности. Модель распространяется по лицензии MIT.

BoKelvin/GEMeX-VQA-Model-Simple — дообученная мультимодальная модель для ответов на вопросы о медицинских изображениях. Разработчик дообучил LLaVA-Med на датасете GEMeX-VQA; модель построена на базе microsoft/llava-med-7b-delta и использует архитектуру LlavaLlamaForCausalLM. Она содержит 6,6 млрд параметров и опубликована в формате PyTorch. Модель принимает изображение и текстовый вопрос и генерирует текстовый ответ. Её основная задача — визуальные вопросы и ответы в биомедицинском контексте; метаданные также указывают text-generation как поддерживаемую задачу. Репозиторий распространяется по лицензии Apache-2.0. Модель предназначена для исследований и прототипирования систем анализа медицинских изображений. Ответы модели не следует считать клиническим заключением: точность и применимость зависят от типа изображения и формулировки вопроса.

Модель iharrisonfu/hksuicide-extractor-llama-16b разработана iharrisonfu и представляет собой дообученную плотную авторегрессионную модель семейства Llama для генерации текста. Она обучена на основе unsloth/llama-3-8b-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Заявленное назначение связано с извлечением сведений о суициде, однако карточка не описывает конкретные данные обучения, формат запросов или проверенные сценарии применения. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; родной контекст составляет 8192 токена. В метаданных указан английский язык. Лицензия — Apache-2.0. Карточка не сообщает результаты оценки качества и ограничения применения, поэтому пригодность для клинических решений или кризисной поддержки не установлена.

HuatuoGPT2-34B — языковая модель семейства Yi с плотной архитектурой и примерно 33,9 млрд параметров, представленная командой FreedomIntelligence. Она предназначена для генерации текста; название и проект HuatuoGPT указывают на медицинскую специализацию, однако доступная карточка не описывает конкретные медицинские задачи или сценарии применения. Модель принимает текст и выдаёт текст, поддерживает китайский язык, имеет контекстное окно 4096 токенов и опубликована в формате PyTorch. Модель доступна по лицензии Apache 2.0. Карточка содержит только название и ссылки на GitHub и статью, поэтому подробности обучения и практические ограничения не описаны.

Med-PRM-Reward v1.0 — модель оценки промежуточных шагов рассуждения (Process Reward Model), созданная dmis-lab для медицинских задач. Она использует клинические знания, получаемые через retrieval-augmented generation (RAG), чтобы проверять решения по шагам и оценивать их в ходе сложного медицинского рассуждения. Модель предназначена для масштабирования вычислений на этапе вывода: она помогает отбирать и проверять варианты ответа на медицинские вопросы. В карточке описаны оценки на семи медицинских бенчмарках; в экспериментах сравнивались 64 решения на вопрос. Авторы сообщают, что система на базе llama-3-meerkat-8b-v1.0 превысила 80 баллов на MedQA с четырьмя вариантами ответа. Модель основана на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Она распространяется в формате Safetensors и лицензирована по MIT. Карточка не уточняет поддерживаемые естественные языки, конкретный формат оценок или клиническую валидацию для практического применения. Результаты приведены для бенчмарков и не заменяют профессиональную медицинскую оценку.

Clin-REACT 70B — дообученная Meta Llama 3.3 70B Instruct модель, разработанная для клинических рассуждений с использованием ICU-REACT. Репозиторий содержит объединённый полноразмерный чекпойнт: LoRA-адаптер после supervised fine-tuning слит с весами базовой модели. Это плотная авторегрессионная модель на 69,5 млрд параметров с контекстом до 131 072 токенов, предназначенная для диалоговой генерации текста. Модель решает задачи клинического рассуждения, включая анализ клинически значимой информации и сценарии принятия решений в отделении интенсивной терапии; её также оценивают на более широких клинических бенчмарках. В приведённом сравнении она превзошла базовую Llama 3.3 70B Instruct по макросреднему результату пяти бенчмарков, однако эти результаты не подтверждают безопасность для реальной медицинской практики. Модель предназначена для исследований в области клинических рассуждений и медицинского ИИ, не является медицинским устройством и не должна заменять профессиональное клиническое суждение, диагностику или лечение. Распространяется по лицензии Llama 3.3.

meditron-7b-chat — англоязычная медицинская языковая модель, дообученная Мохамадом Альхаджаром методом SFT на Alpaca Dataset поверх epfl-llm/meditron-7b. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, предназначенная для генерации ответов на медицинские вопросы и следования инструкциям в формате «Instruction/Response». Модель принимает текст и генерирует текст; контекстное окно — 2048 токенов. Модель подходит для прототипирования медицинских чат-ботов и исследовательских экспериментов с ответами на вопросы о медицине. Карточка приводит результаты оценки на нескольких общих языковых бенчмарках, но не подтверждает клиническую точность или безопасность ответов. Лицензия — Llama 2 Community License.

Minbyul/meditron-7b-wo-live_qa-sft — дообученная модель для генерации текста, основанная на англоязычной медицинской модели Meditron-7B от EPFL. Она построена на архитектуре Llama и содержит около 6,6 млрд параметров; контекст — до 2048 токенов. Модель дообучена методом SFT на наборе HuggingFaceH4/deita-10k-v0-sft. Модель предназначена для генерации ответов на запросы и может использоваться для экспериментов с медицинскими вопросами и ответами. В README приведено значение loss 1,4959 на наборе оценки, но подробное описание назначения, данных оценки и ограничений не раскрыто. Лицензия — Llama 2 Community License.

MedSigLip — модель классификации медицинских изображений, разработанная Khanyi Tapiwa Magagula из AI Eswatini. Она принимает изображения кольпоскопии и предсказывает наиболее вероятный класс или стадию состояния шейки матки. Модель построена на архитектуре SigLIP и опубликована для использования через Transformers; в репозитории указаны форматы Safetensors, ONNX и TFLite. Модель предназначена для исследовательских и вспомогательных сценариев анализа кольпоскопических изображений. README не приводит метрик качества, сведений о клинической валидации или подробностей о классах, поэтому результаты нельзя считать самостоятельным диагнозом. Лицензия репозитория — Apache-2.0.

MentalBERT — англоязычная языковая модель на основе BERT-Base, обученная авторами модели на публикациях Reddit, связанных с психическим здоровьем. Это предварительно обученная модель с маскированием токенов, предназначенная для заполнения пропусков в тексте и адаптации к задачам анализа текстов о психическом здоровье. Модель может служить основой для исследований и систем предварительного выявления признаков психических расстройств в открытых онлайн-публикациях, а также для дальнейшего дообучения под профильные задачи. Она не предназначена для постановки психиатрических диагнозов. Авторы отмечают возможные смещения, проблемы справедливости, неопределённость и ограничения интерпретируемости. Веса распространяются по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Oculora — мультимодальная модель для офтальмологии, разработанная на базе Qwen2.5-VL-7B-Instruct. Модель содержит 7,1 млрд параметров и дообучена в три этапа: на 1,33 млн пар изображение–текст, 360 тыс. офтальмологических инструкций и с помощью риск-ориентированной оптимизации DAPO. Она принимает изображения и текст, а ответы формирует в текстовом виде; заявленная длина контекста — 128 000 токенов. Модель предназначена для исследований в области офтальмологических VLM, ретроспективной оценки на обезличенных данных, визуальных вопросов и ответов, подготовки офтальмологических отчётов и консультационных ответов по клиническому контексту и снимкам. Карточка сообщает об оценке на семи типах изображений и более чем 300 офтальмологических состояниях, а также о результатах на внутренних и внешних тестах. Лицензия — Apache-2.0. Oculora не является медицинским устройством и не одобрена регуляторами. Её ответы могут быть уверенными, но ошибочными, поэтому каждое клиническое утверждение требует проверки офтальмологом; модель нельзя использовать для диагностики, сортировки пациентов или выбора лечения. Поведение на иных модальностях, популяциях, языках и изображениях низкого качества не оценено; возможны смещения обучающих данных и слабая работа с редкими заболеваниями и недостаточно представленными группами.

Карточка модели Salahuddin1234/omnidoctor-MedPsy на Hugging Face совпадает с карточкой qvac/MedPsy-4B, поэтому описание составлено по ней. 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.

OpenBioLLm-Derm — языковая модель на архитектуре LLaMA, разработанная Bruce_Wayne и дообученная на данных о кожных заболеваниях и дерматологическом уходе. Это плотная модель с 7,5 млрд параметров и контекстом до 8192 токенов; она принимает текст и генерирует текстовые ответы на английском языке. Модель предназначена для чат-бота, который объясняет кожные заболевания, помогает подбирать базовый уход и рассказывает о возможных методах лечения. Её можно использовать для справочных ответов на вопросы о дерматологии и уходе за кожей. В основе лежит aaditya/Llama3-OpenBioLLM-8B; модель дообучена на brucewayne0459/Skin_diseases_and_care. Указана лицензия MIT. Разработчик предупреждает о возможных смещениях обучающих данных, слабом охвате редких заболеваний и необходимости дальнейшего дообучения для повышения точности. Ответы модели не заменяют консультацию медицинского специалиста.

OpenMed-NER-BloodCancerDetect-SuperClinical-184M — специализированная модель OpenMed для распознавания именованных сущностей, связанных с хроническим лимфолейкозом (ХЛЛ), в биомедицинских текстах. Это дообученная DeBERTa-v2 для классификации токенов; она принимает токенизированный текст и возвращает BIO-разметку сущностей CL. В README указана базовая архитектура deberta-v3-base, а метаданные описывают класс DebertaV2ForTokenClassification; поэтому точное соответствие этих обозначений неясно. Модель предназначена для извлечения терминов ХЛЛ из клинических записей, медицинских документов и научной литературы, например для анализа упоминаний заболевания, поддержки медицинского текстового майнинга и биомедицинских исследований. В README приведены F1 0,73, точность 0,66, полнота 0,82 и accuracy 0,93 на датасете CLL. Контекст — 512 токенов; доступные веса в формате Safetensors, библиотека — Transformers. Лицензия Apache-2.0. Распознаётся только тип сущностей B-CL/I-CL, поэтому заявленные в README сценарии извлечения лекарств, взаимодействий препаратов и нежелательных явлений не подтверждены указанной схемой меток. Результаты следует проверять перед клиническим использованием: метрики относятся к специализированному датасету CLL и не гарантируют качество на других текстах или задачах.

OphVLM-R1 — мультимодальная модель на 2 млрд параметров для клинических рассуждений в офтальмологии, разработанная авторами проекта OphVLM-R1 на основе OpenGVLab/InternVL3_5-2B. Модель принимает изображения и текст и формирует текстовые ответы. Её обучали в два этапа: сначала LoRA дообучением на офтальмологических данных, затем четырёхэтапным curriculum reinforcement learning для локализации поражений, сравнения изображений, составления отчётов и ответов на вопросы с объединением визуальных данных и клинических знаний. Модель предназначена для анализа офтальмологических изображений, в том числе глазного дна, и клинических вопросов по ним. В README указаны результаты на нескольких бенчмарках; авторы также отмечают, что сравнения между разными бенчмарками следует трактовать осторожно. Это исследовательская модель для поддержки анализа, а не подтверждённая замена клиническому заключению. Репозиторий использует формат safetensors; лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов под той же лицензией, но запрещает коммерческое использование.

Nitral-Archive представила экспериментальную объединённую модель Poppy_Porpoise-Biomix на базе архитектуры Llama 3 с 7,5 млрд параметров. Она создана методом SLERP из Nitral-AI/Pp-1.4-Phase1 и aaditya/Llama3-OpenBioLLM-8B и предназначена для генерации текста и диалоговых ответов в биомедицинской области. Модель принимает текст и генерирует текст; нативная длина контекста — 8192 токена. Автор описывает её как экспериментальное слияние «для интереса» и сообщает, что проверяет, есть ли у него практическая ценность. Это указывает на ранний экспериментальный статус без подтверждённых характеристик качества. В репозитории используется формат Safetensors и библиотека Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, полученная дообучением Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every, step 6, создан в рамках запуска phase1-online-rubrics-medicine-full-dense-20260919-seed11; в корне репозитория размещена BF16-версия для инференса, а в original_checkpoint — файлы исходного veRL-чекпойнта с параметрами модели. Модель предназначена для генерации текста и диалогового взаимодействия в медицинском сценарии OnlineRubrics. Она принимает текст и выдаёт текст; архитектура — Qwen3ForCausalLM, поддерживается контекст до 262 144 токенов. Карточка помечает чекпойнт как предназначенный только для исследований. Лицензия — Apache-2.0.

Thai GPT-2 Fine-Tuned — генеративная языковая модель семейства GPT-2, дообученная пользователем Pariyagorn для ответов на вопросы на тайском языке. Модель обучалась на наборе данных disease_3000, содержащем 3 000 вопросов по заболеваниям, и предназначена для генерации текстовых ответов в сценариях тайскоязычного вопросно-ответного взаимодействия. Модель использует архитектуру GPT-2 и поддерживает тайский язык. Максимальная длина контекста составляет 1 024 токена. В метаданных указаны библиотека формата safetensors и задача text-generation; размер модели и дополнительные сведения о процедуре обучения не приведены. Модель может использоваться для прототипирования тайскоязычных систем вопросов и ответов по заболеваниям, предварительной генерации медицинских текстов и исследовательских экспериментов. Лицензия MIT разрешает использование, изменение и распространение модели при соблюдении условий лицензии.

TITAN — мультимодальная модель для патологии, разработанная Mahmood Lab AI for Pathology при Harvard/BWH. Это предварительно обученный визуально-языковой энкодер, сочетающий самообучение на изображениях и выравнивание изображений с текстом. Модель предназначена для анализа гистологических whole-slide изображений (WSI); для патчей использует признаки CONCH v1.5 размером 512×512 пикселей при увеличении 20×. TITAN обучали на 335 645 WSI из коллекций Mass General Brigham, включая опухолевые, инфекционные и воспалительные случаи, а также на более чем 182 000 патологических заключений и 423 000 синтетических описаний. В README заявлены сильные результаты в классификации с линейным пробированием, few-shot и zero-shot режимами, поиске редких видов рака, межмодальном поиске и генерации патологических заключений. Модель опубликована как предварительная версия; доступ к весам ограничен и требует согласия с условиями. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных материалов.

Это модель классификации изображений на основе Vision Transformer (ViT), разработанная автором репозитория и дообученная на задаче распознавания кожных поражений. Она использует входные изображения размером 384×384 пикселя и классификатор на 12 классов: среди них меланома, невус, базальноклеточная карцинома, актинический кератоз, сосудистое поражение и чистая кожа. В метаданных указаны 402,7 млн параметров и формат safetensors; лицензия — Apache-2.0. Модель предназначена для исследовательской классификации кожных поражений и поддержки принятия решений в дерматологии. В README описано обучение примерно на 70 тысячах реальных и синтетических изображений с использованием переноса признаков из модели для выявления меланомы. Карточка приводит результаты по отдельным классам, но не даёт достаточных оснований судить о клинической надёжности во всех условиях. Ограничения включают возможное смещение данных, недостаток примеров редких классов и вариации качества при разных условиях съёмки и устройствах. Результаты классификации не следует считать самостоятельным диагнозом.

Voice-Based Stress Recognition (StudentNet) — компактная модель для распознавания стресса по аудио, размещённая пользователем forwarder1121. Это дистиллированная MLP-модель StudentNet, обученная на данных StressID; она принимает 512-мерные аудиоэмбеддинги, полученные с помощью fairseq Wav2Vec2 base, и выдаёт вероятности двух классов: «без стресса» и «стресс». Для подготовки входа требуется отдельно получить эмбеддинг Wav2Vec2. Модель предназначена для бинарного выявления стресса в сценариях с ограниченными вычислительными ресурсами, например на мобильных устройствах и периферийных устройствах. Она работает только с аудиопризнаками и не предсказывает степень интенсивности стресса. Обучающие метки получены из самооценок по шкале 0–10, преобразованных в два класса с порогом 5. Репозиторий содержит веса PyTorch; лицензия — MIT. Результаты могут ухудшаться на языках и условиях записи, отличающихся от обучающих данных. Модель предполагает чистое аудио и корректно рассчитанные Wav2Vec2-эмбеддинги; шум и другие особенности записи могут снижать точность.

Songline/BrainTumor_FlairClassifier — модель классификации МРТ головного мозга, разработанная Songline и дообученная на базе google/vit-base-patch16-224-in21k. Она принимает трёхмерное FLAIR-исследование в формате NIfTI (.nii или .nii.gz), анализирует 25 подходящих аксиальных срезов и усредняет вероятности для классификации случая на наличие или отсутствие опухоли. Модель построена на Vision Transformer и содержит 113,2 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для исследовательской и вспомогательной классификации случаев по FLAIR-МРТ. В README приведены результаты на небольших внутренних и внешних наборах: 29 из 30 правильных ответов на внутреннем тесте, чувствительность 16 из 20 на внешнем наборе положительных случаев UCSF-PDGM и специфичность 12 из 12 на наборе здоровых случаев HBN-SSI. Эти результаты ограничены указанными выборками и не подтверждают пригодность для клинической диагностики. Лицензия модели — MIT.

ChexFract-MAIRA-2 — разработанная Институтом AIRI специализированная медицинская модель «изображение—текст» для выявления переломов на рентгенограммах грудной клетки и генерации их описаний. Это дообученная версия с визуальным энкодером Rad-DINO из MAIRA-2 и языковой частью Phi-3.5 Vision Instruct; параметры энкодера разморожены при обучении на наборе ChexFract с использованием шаблонного текста. В метаданных указаны архитектура phi3_dino, 3,7 млрд параметров, библиотека Transformers и контекст 4096 токенов. Модель предназначена для анализа рентгеновских снимков грудной клетки и подготовки текстового описания возможных переломов. В README для неё приведены ROC-AUC 0,713, F1 0,629 и точность 0,748. Это экспериментальная исследовательская разработка: авторы прямо предупреждают, что модель не предназначена для самостоятельной диагностики и не должна применяться клинически без надлежащей валидации и регуляторного одобрения. Лицензия в предоставленных сведениях не указана.

Это дообученная модель HyperCLOVA X SEED Think 14B, созданная автором репозитория на базе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Модель предназначена для генерации текста и ответов на вопросы по медицинским знаниям, в частности по теме обязательной медицинской помощи; обучение проведено на 3 000 примерах QA из набора AI Hub 71875. При дообучении применялись SFT и CLoRA с ортогональной регуляризацией, затем LoRA-адаптер был объединён с базовой моделью в самостоятельный BF16-чекпойнт. Архитектура — плотная причинная языковая модель HyperCLOVAXForCausalLM размером 14,1 млрд параметров; заявленное базовое контекстное окно — 131 072 токена. В карточке указана поддержка корейского языка и диалоговый режим. В README приведены результаты локального ограниченного пробного бенчмарка, которые автор отдельно не считает результатами официальной таблицы K-AI. Лицензия — Apache-2.0. Модель специализируется на узком медицинском наборе знаний, поэтому её ответы требуют проверки специалистом; описанные в README метрики основаны на единичной пробе и не подтверждают качество в реальном клиническом применении.

HyperCLOVA X SEED Think-14B Correct-Only TIES — языковая модель на 14,1 млрд параметров, разработанная автором репозитория на основе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Это самостоятельная BF16-модель в формате safetensors: три LoRA-адаптера, независимо дообученные методом SFT на отобранных примерах, объединены методом TIES. Для диалогов используется исходный шаблон чата базовой модели; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации ответов и исследовательской оценки эффектов обучения на корректных ответах и слияния специализированных моделей. Три направления обучения охватывают вопросы по медицинским знаниям, числовые задачи из экономики и спорта, а также причинно-следственные рассуждения. Обучающие данные отбирались из AI Hub: в сумме использовано 1 223 примера, на которых базовая модель отвечала правильно. Репозиторий сообщает о проверке весов на NaN/Inf и успешной генерации на 24 тестовых примерах, но не приводит результатов бенчмарков. Поэтому эти проверки подтверждают загрузку и базовую работоспособность, но не качество ответов на прикладных задачах. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.