IV.4Клиническая медицина и общественное здоровье

jmedroberta-base-sentencepiece-vocab50000 — японская базовая языковая модель семейства RoBERTa, разработанная для медицинских текстов и предварительно обученная на научных статьях по медицинским наукам, собранных Japan Science and Technology Agency (JST). Модель содержит 151,6 млн параметров, использует архитектуру BERT с классом BertForMaskedLM и SentencePiece Unigram со словарём из 50 000 токенов. Контекст ограничен 512 токенами. Модель предназначена для заполнения пропусков в японском медицинском тексте и может служить основой для задач обработки медицинских публикаций. Перед подачей текст необходимо преобразовать в полноширинные символы. Доступны веса PyTorch и Safetensors. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов по той же лицензии, но не для коммерческих целей.

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.

MedPsy-1.7B — компактная текстовая медицинская языковая модель, разработанная Tether AI Research на базе Qwen3-1.7B. Это авторегрессионный трансформер с 1,7 млрд параметров, дообученный с помощью supervised fine-tuning и reinforcement learning на отобранных медицинских данных. Модель работает в режиме рассуждения, поддерживает генерацию текста и диалог; заявленное окно контекста — 40 960 токенов. Модель предназначена для разработчиков и исследователей, создающих прототипы медицинских приложений, инструменты для работы с медицинскими текстами и локальные решения для получения медицинской информации. Компактный размер рассчитан на запуск на мобильных и периферийных устройствах; авторы также отмечают сокращение длины ответов по сравнению с базовой моделью. Поддерживается только текстовый ввод и вывод, обучение и оценка проводились преимущественно на английском языке. Модель может ошибаться, галлюцинировать и хуже справляться со сложными клиническими рассуждениями, редкими заболеваниями и неоднозначными случаями. Её знания не обновляются в реальном времени, а работа на других языках не подтверждена. Она не заменяет врача и не предназначена для самостоятельной диагностики, лечения или принятия решений в экстренных ситуациях. Лицензия — Apache-2.0.

MedSigLIP Radiology Modality Classifier v3 — медицинская модель классификации изображений, разработанная автором репозитория на основе google/medsiglip-448 и дообученная на парах изображений и текстовых описаний с контрастивной функцией потерь SigLIP. Модель сопоставляет изображение с текстовыми подсказками и выбирает один из 17 классов: 11 радиологических модальностей и 6 нерентгенологических категорий. Дополнительный бинарный классификатор оценивает, относится ли изображение к радиологии, и может отклонять нерентгенологические изображения до классификации; для этого компонента заявлены AUROC 0,910 и доля отклонения 82,2%. Репозиторий также содержит JSON-параметры этого классификатора и FastAPI-сервис. Модель предназначена для сортировки, поиска и организации медицинских изображений по модальности, а не для диагностики. Она принимает изображение и выдаёт текстовую метку класса; базовая модель также может возвращать 1152-мерный вектор признаков. К ограничениям относятся путаница между SPECT, сцинтиграфией и PET, а также пропуск части нерентгенологических изображений: схемы и гистологические изображения могут пройти бинарный фильтр. Модель предполагает ровно один класс на изображение. Лицензия — Apache-2.0.

ResNet50 — модель классификации изображений и извлечения признаков, обученная центром Tissue Image Analytics (TIA) на гистологических патчах датасета Patch Camelyon (PCam). Она предназначена для анализа небольших изображений ткани и может использоваться как классификатор или как основа для получения эмбеддингов изображений. Модель содержит 23,6 млн параметров и рассчитана на изображения размером 96 × 96 × 3. Репозиторий использует библиотеку timm и хранит веса в формате safetensors. Модель ориентирована на гистологические изображения, в частности на задачи, связанные с набором PCam. Лицензия — Creative Commons Zero v1.0 Universal (CC0 1.0).

RudolfV 2-B — модель зрения на архитектуре Vision Transformer, разработанная Aignostics для вычислительной патологии. Она использует основу ViT-B/8, содержит 86 млн параметров и дистиллирована из RudolfV 2, предварительно обученной на 300 тысячах полноразмерных гистологических изображений. Модель предназначена для извлечения признаков из небольших фрагментов гистологических изображений и последующего применения в задачах классификации тканей и опухолей, определения степени злокачественности, прогнозирования биомаркеров и анализа целого стекла с помощью multiple instance learning. По данным карточки, она в 2,5 раза быстрее RudolfV 2. Для загрузки требуются Transformers с trust_remote_code=True и библиотека timm. Репозиторий закрыт: доступ запрашивается через Hugging Face и предоставляется Aignostics по своему усмотрению; для заявки требуется академический или некоммерческий адрес электронной почты. Лицензия обозначена как other, а карточка требует атрибуции.

1aurent/vit_base_patch14_224.dinobloom — визуальный backbone для извлечения признаков и построения эмбеддингов клеток крови. Модель разработана в рамках проекта DinoBloom; в карточке она описана как основа для обобщаемых клеточных представлений в гематологии. Это ViT Base с 86 млн параметров, принимающий изображения размером 224 × 224 пикселя и использующий патчи 14 × 14 пикселей. Модель предназначена для получения эмбеддингов изображений клеток, которые можно использовать в последующих задачах анализа и классификации. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0. Метаданные указывают задачу feature-extraction; README также отмечает image classification как возможный сценарий применения. Модель ориентирована на изображения клеток крови и задачи гематологии. Подробности обучения и количественные оценки качества в предоставленной карточке не описаны.

Hemg/Wound-Image-classification — модель классификации изображений ран, созданная дообучением Vision Transformer (ViT) google/vit-base-patch16-224-in21k. Она предназначена для отнесения изображений к классам, заданным при обучении; точный список классов и состав датасета в карточке не раскрыты. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. В README сообщается о loss 0,1209 и accuracy 0,965 на оценочном наборе. Эти результаты относятся только к указанному набору данных и не подтверждают качество на других источниках изображений или в клинической практике. Модель распространяется по лицензии Apache-2.0.

FEATHER — набор лёгких супервизируемых моделей для анализа гистологических изображений, разработанный на данных Mass General Brigham. Эта версия использует архитектуру attention-based multiple instance learning (ABMIL) и предварительно обучена на задаче классификации морфологических типов рака PC-108 с 108 классами. Для извлечения признаков из патчей применяется энкодер UNI; модель обучалась на 24 тысячах слайдов MGB. Модель предназначена для извлечения визуальных признаков и последующей настройки под задачи классификации гистологических препаратов. Компактность FEATHER позволяет дообучать её на потребительских GPU; заявлена конкурентоспособность по сравнению с крупными моделями для целых слайдов. Доступ предоставляется по лицензии CC BY-NC-ND 4.0 и требует принятия условий доступа; запрос должен быть связан с институциональной почтой.

Модель ai-medical-model-32bit разработана ruslanmv как дообученная версия диалоговой Llama 3 8B Instruct с 7,5 млрд параметров. Она принимает текстовые запросы и генерирует ответы на медицинские вопросы; в обучении использован набор данных ruslanmv/ai-medical-dataset. Архитектура — плотная авторегрессионная LlamaForCausalLM, контекст — до 8192 токенов. Карточка и языковые метаданные указывают на английский язык. Модель предназначена для информационных ответов на вопросы о здоровье и медицинских темах. Её можно использовать как основу для прототипа текстового медицинского ассистента, но точность ответов не гарантируется, и модель не заменяет консультацию квалифицированного медицинского специалиста. Распространяется по лицензии Apache-2.0.

BianQue-2 — это китайская медицинская диалоговая модель, разработанная Лабораторией цифровых двойников человека провинции Гуандун при Южно-Китайском технологическом университете. Она дообучена на базе ChatGLM-6B и содержит 8,1 млрд параметров. Модель предназначена для диалогов о здоровье: она может уточнять симптомы в нескольких ходах разговора и затем формулировать рекомендации. Для обучения использован корпус BianQueCorpus с китайскими медицинскими диалогами и данными о здоровье; карточка модели также указывает поддержку извлечения признаков. Ключевая особенность модели — способность задавать уточняющие вопросы, когда исходного описания пользователя недостаточно, вместо немедленного ответа. Это делает её применимой для исследовательских прототипов медицинских чат-ботов и сценариев предварительного сбора информации о симптомах. Модель работает с текстом на китайском языке. В метаданных указана лицензия Apache-2.0, однако README устанавливает ограничения ChatGLM-6B: использование допускается только в некоммерческих исследовательских целях. Разработчики предупреждают, что ответы могут быть случайными и не всегда подходить пользователю; модель не заменяет врача и не должна служить единственным основанием для медицинских решений.

BiMediX-Eng — англоязычная версия медицинской диалоговой модели BiMediX, разработанной исследователями Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI). Она предназначена для медицинских взаимодействий на английском и арабском языках: отвечает на закрытые вопросы, ведёт диалог и решает задания с выбором ответа. Модель основана на Mixtral-8x7B-Instruct-v0.1 и использует архитектуру Mixtral с экспертами (MoE); в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Для обучения использован набор медицинских диалогов BiMed1.3M-English. Модель принимает текст и генерирует текст; карточка сообщает о результатах на медицинских бенчмарках, но не приводит полную таблицу результатов. Модель может галлюцинировать, проявлять токсичность и воспроизводить стереотипы. Её рекомендуют использовать только в исследовательских целях, поэтому ответы не следует считать медицинским диагнозом или профессиональной рекомендацией. Лицензия — CC BY-NC-SA 4.0.

AliFadel/blip-cxr-mimic-finetuned — модель BLIP, дообученная на снимках грудной клетки из набора MIMIC-CXR для автоматической генерации текстовых описаний и черновиков рентгенологических отчётов. Она основана на Salesforce/blip-image-captioning-base и использует архитектуру BlipForConditionalGeneration; репозиторий содержит веса в формате safetensors. Модель принимает рентгеновское изображение и выдаёт текст на английском языке. Модель предназначена для исследовательских экспериментов по автоматическому описанию рентгенограмм грудной клетки и генерации черновиков отчётов. В обучающей выборке указано 19 600 примеров, для проверки — 2 000. Лицензия — Apache-2.0. Автор предупреждает, что модель не следует использовать как клинический диагностический инструмент без контроля медицинского специалиста.

Модель camilon/clinical_longformer_same_tokens_1epochs_100k — дообученная версия клинической Longformer-модели lukasdrg/clinical_longformer_same_tokens_1epochs_50k, разработанная на основе архитектуры LongformerForMaskedLM. Она предназначена для заполнения пропусков в тексте: по окружающим словам модель предсказывает замаскированные фрагменты. В README указан результат Loss 1,6928 на оценочной выборке; объём модели составляет 151,8 млн параметров, контекст — до 4098 токенов. Название базовой модели указывает на ориентацию на клинические тексты, однако README не описывает обучающие данные и конкретные сценарии применения. Модель принимает текст и выдаёт предсказания токенов. Веса опубликованы в формате safetensors. Сведения о лицензии отсутствуют в предоставленных данных.

Digepath — специализированная модель компьютерного зрения для анализа изображений желудочно-кишечной патологии, представленная авторами карточки. Это Vision Transformer Large/16 с самоконтролируемым предобучением по DINO-V2 на 353 млн изображений разных масштабов из 210 043 H&E-окрашенных гистологических срезов, а затем дообучением на 471 443 отобранных областях интереса. Модель предназначена для извлечения признаков из изображений и как основа для задач патологической диагностики, классификации и сегментации областей интереса, прогнозирования статуса экспрессии белков, мутаций генов и прогноза заболевания. В карточке сообщается о результатах уровня state of the art на 32 из 33 задач по патологии ЖКТ. Модель ориентирована на изображения гистологических препаратов, включая whole-slide images и отдельные ROI; для практического применения требуется профильная оценка результатов в соответствующем клиническом процессе. Репозиторий предоставляет веса safetensors и использует библиотеку timm. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

doctorLLM — языковая модель семейства Llama, опубликованная пользователем vikash06. Она содержит 6,6 млрд параметров, принимает текст и генерирует текст; заявленный контекст — 4096 токенов. По карточке модель обучалась 10 эпох на 2000 примерах и предназначена для генерации ответов на медицинские вопросы и инструкции в стиле врача. В метаданных указан датасет lavita/ChatDoctor-HealthCareMagic-100k, однако README не описывает подробно процедуру обучения или результаты оценки. Модель может служить прототипом для медицинского чат-бота или генерации черновых ответов на общие вопросы о здоровье. Лицензия — MIT. Карточка не подтверждает клиническую точность или пригодность для принятия медицинских решений; ответы следует проверять у квалифицированного специалиста.

GPT2-BioPT — небольшая авторегрессионная языковая модель семейства GPT-2 для генерации текста на португальском языке в биомедицинской тематике. Её разработчики из PUCPR дообучили GPT-2 на базе GPorTuguese-2 с использованием 110 МБ биомедицинской литературы: около 16,2 млн токенов и 729,7 тыс. предложений. Архитектура — GPT-2 с причинным языковым моделированием; максимальный контекст составляет 1024 токена. Модель предназначена для продолжения и генерации португалоязычных биомедицинских текстов по заданному промпту, например для черновиков или вспомогательного создания тематического текста. Карточка демонстрирует запуск через Transformers pipeline с задачей text-generation. Модель обучена на ограниченном корпусе биомедицинской литературы и может воспроизводить его ошибки и смещения; её ответы не следует считать проверенными медицинскими рекомендациями. Лицензия в предоставленных данных не указана.

IRIS-4B — мультимодальная модель вопросов и ответов о внешней части глаза, созданная в рамках проекта IRIS и дообученная на базе Qwen3-VL-Thinking. Она анализирует фотографии глазной поверхности и отвечает на вопросы об офтальмологических состояниях; обучение проводилось на наборе IRIS-120K с использованием подходов Topic Finding Tree и генерации VQA по сценарию. Модель предназначена для некоммерческих исследований заболеваний глазной поверхности. Выпущены объединённые веса и конфигурации токенизатора и процессора; поддерживается обработка изображений и текста.

X-iZhang выпустил экспериментальный чекпойнт Libra LLaVA-Med v1.5 для биомедицинских задач с изображениями. Модель объединяет языковую основу Mistral-7B-Instruct-v0.2 и визуальный энкодер CLIP ViT-L/14 с разрешением 336; архитектура в метаданных обозначена как плотная LibraMistralForCausalLM. Размер составляет 7,1 млрд параметров, нативная длина контекста — 32 768 токенов. Модель принимает изображения и текстовые вопросы и генерирует текстовые ответы, в том числе для открытых вопросов по биомедицинским изображениям и поддержки составления радиологических описаний. Чекпойнт предназначен для экспериментального использования в репозитории Libra и воспроизводимости исследований; README указывает на оценку на бенчмарках PathVQA и VQA-RAD. Для инференса README рекомендует включить параметр unfreeze_mm_vision_tower. Модель распространяется по лицензии Apache-2.0. Она не заменяет клиническую оценку специалиста; README не приводит численных результатов или подробной валидации для клинического применения.

Meditron-7B — языковая модель на 7 млрд параметров, разработанная командой EPFL LLM Team для медицинской тематики. Это причинный трансформер с архитектурой decoder-only, дообученный продолжением предобучения на базе Llama-2-7B. В обучающий корпус вошли медицинские статьи и аннотации, клинические рекомендации и общие тексты. Модель принимает текст и генерирует текст; основной язык — английский, длина контекста — 2 тысячи токенов. Модель предназначена для экспериментов с ответами на медицинские вопросы, например по симптомам, заболеваниям и лечению, а также для задач медицинских экзаменов и поддержки дифференциальной диагностики. В карточке сообщается о более высоких результатах, чем у Llama-2-7B и PMC-Llama, на нескольких задачах медицинского рассуждения, но оценка безопасности, точности и смещений ограничена. Модель не адаптирована для безопасных профессиональных рекомендаций и не предназначена для непосредственного применения в производственной среде или принятия решений, влияющих на здоровье людей. Лицензия модели — Llama 2 Community License Agreement; лицензия кода — Apache 2.0.

Модель prabureddy/Mental-Health-FineTuned-Mistral-7B-Instruct-v0.2 — дообученная на диалогах психологического консультирования версия Mistral-7B-Instruct-v0.2, опубликованная разработчиком prabureddy и обученная с помощью AutoTrain. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров для генерации ответов в диалоге на темы психического здоровья и консультирования. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. Репозиторий содержит веса PyTorch/Safetensors и распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или сведений о клинической проверке, поэтому ответы не следует считать профессиональной диагностикой или медицинской рекомендацией.

Phikon — разработанная Owkin модель Vision Transformer Base для гистопатологии, обученная методом self-supervised learning iBOT. Она предназначена прежде всего для извлечения признаков из тайлов гистологических изображений размером 224 × 224 пикселя; архитектура в метаданных указана как ViTModel, размер — 113,2 млн параметров. Полученные признаки можно использовать для классификации рака по различным подтипам и дообучать модель под конкретные подтипы. Модель принимает изображения тканей и выдаёт векторные представления. В карточке указано предварительное обучение на 40 миллионах панканцерных тайлов, извлечённых из TCGA. Доступна по некоммерческой лицензии Owkin.

Модель HYU-NLP-EVAL/qwen3-4b-rar-medicine-onlinerubrics-dense-seed11-step-011 — плотный чекпойнт Qwen3, созданный командой HYU-NLP-EVAL на основе Qwen/Qwen3-4B-Instruct-2507. Это один из чекпойнтов серии RaR-Medicine OnlineRubrics-Every; в README указан шаг обучения 11 и BF16-веса для инференса. Модель предназначена для генерации текста в диалоговом формате, в том числе для сценариев, связанных с медицинскими онлайн-рубриками. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 262 144 токенов. Карточка не уточняет языки обучения и качество на медицинских задачах, поэтому специализацию и точность ответов в этой области следует оценивать отдельно. Лицензия — Apache-2.0; README указывает на исследовательское применение.

Модель разработана LeninGF как дообученная версия компактного SegFormer B0 (nvidia/mit-b0) для сегментации областей интереса на термографических изображениях молочных желез. Она принимает изображение и идентификатор ракурса, который используется для условной настройки предсказания; обучалась на наборе LeninGF/uff-thermography-multiview-segmentation с несколькими каноническими ракурсами, без псевдоцветного преобразования и с аугментацией. Модель выдаёт попиксельную маску фона и ROI. На оценочном наборе указаны mean IoU 0,9213 и F1/Dice для ROI 0,9511. Эти результаты относятся к указанной экспериментальной настройке и сами по себе не подтверждают переносимость на иные устройства, наборы данных или клинические сценарии. Репозиторий содержит веса в формате safetensors; лицензия обозначена как other, поэтому условия использования следует уточнить по карточке модели.

Модель hossay/stool-condition-classification — дообученная версия Vision Transformer google/vit-base-patch16-224 для классификации изображений стула по состоянию. Она предназначена для отнесения входного изображения к одному из классов, связанных с состоянием стула. В репозитории указаны результаты на оценочной выборке: accuracy 0,9417, AUROC 0,9418 и F1 0,9302. Модель содержит 113,2 млн параметров, использует архитектуру ViTForImageClassification и опубликована в формате safetensors. Лицензия — Apache-2.0. Карточка не раскрывает названия классов, состав и размер выборки, условия получения изображений или подробности оценки, поэтому приведённые метрики нельзя считать гарантией качества на других данных.

SandriBarros разработала эту модель как дообученную версию SandriBarros/clinical_longformer_same_tokens_2epochs_50k. Это плотная модель Longformer для заполнения пропусков в тексте: она предсказывает замаскированные токены и рассчитана на работу с длинными текстами. Модель содержит 151,8 млн параметров, принимает контекст длиной до 4098 токенов и распространяется в формате safetensors. В README указано значение loss 1,4824 на оценочной выборке. Карточка не описывает назначение датасета, языки, методику оценки или ограничения, поэтому качество для конкретных клинических сценариев по этим данным установить нельзя. Условия лицензии в предоставленных сведениях отсутствуют.

Clin-REACT-14B — диалоговая языковая модель для клинических рассуждений, разработанная на основе Baichuan-M1-14B-Instruct с использованием фреймворка ICU-REACT. В репозитории размещён объединённый полноразмерный чекпойнт: LoRA-адаптер после дообучения встроен в веса базовой модели. Модель содержит 13,7 млрд параметров, использует архитектуру BaichuanM1ForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для исследования клинических рассуждений, включая задачи принятия решений в отделении интенсивной терапии и оценивания на медицинских бенчмарках. Карточка приводит результаты на ICU-REACT, SCT-Bench, ER-Reason, MedRBench и VivaBench, но подчёркивает, что показатели бенчмарков не подтверждают клиническую безопасность или эффективность в реальной практике. Модель не является медицинским устройством и не предназначена для замены профессионального суждения, диагностики, лечения или автономных решений о помощи пациенту. Для загрузки требуется Transformers с trust_remote_code=True. Лицензия указана как other; конкретные условия использования следует сверять с репозиторием. Модель рассчитана на исследовательское изучение клинических рассуждений, а применение требует отдельной оценки для целевого сценария и соблюдения требований к конфиденциальности, безопасности и регулированию.

Модель ALM-AHME/convnextv2-large-1k-224-finetuned-Lesion-Classification-HAM10000-AH-60-20-20 — дообученная версия ConvNeXt V2 Large от Facebook для классификации изображений. Она предназначена для отнесения изображений поражений кожи к классам набора HAM10000; название модели указывает на разбиение данных 60/20/20. В README приведены результаты на оценочной выборке: accuracy 0,9866 и loss 0,0976. Модель использует архитектуру ConvNeXt V2 и веса в формате PyTorch. Лицензия — Apache-2.0. Это специализированный классификатор изображений кожи; результаты оценочной выборки сами по себе не подтверждают пригодность для клинической диагностики.

Карточка модели bwza/ECG-Instruct-Llama-3.2-11B-Vision-gguf на Hugging Face совпадает с карточкой convaiinnovations/ECG-Instruct-Llama-3.2-11B-Vision, поэтому описание составлено по ней. Модель ECG-Instruct-Llama-3.2-11B-Vision разработана Нандакишором М. и Анджали М. из Convai Innovations. Это дообученная с помощью LoRA мультимодальная модель Llama 3.2 Vision, предназначенная для интерпретации изображений электрокардиограмм и подготовки текстовых отчётов в исследовательских, образовательных и демонстрационных сценариях, а также при создании прототипов поддержки врачебных решений. Модель обучена на наборе ECGInstruct с инструктивными примерами, полученными из открытых источников, включая MIMIC-IV ECG и PTB-XL. В метаданных указана архитектура mllama и формат весов safetensors; базовая модель содержит 11 млрд параметров. Лицензия — llama3. Авторы сообщают о результатах на задаче выявления аномалий, но отмечают, что модель не проверялась на внешних клинических наборах данных. Модель не валидирована для клинического применения и не одобрена FDA или CE. Её ответы могут быть ошибочными, требуют проверки специалистом и не должны использоваться для постановки диагноза или принятия решений о лечении.

Это дообученная испаноязычная BERT-модель для предсказания скрытых слов в клинических текстах, разработанная на основе plncmm/beto-clinical-wl-es. Модель содержит 137,1 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Название репозитория указывает на настройку для ультразвуковых исследований, однако README не уточняет состав и характеристики обучающих данных. Модель подходит для заполнения пропусков в испаноязычных клинических текстах, в том числе связанных с ультразвуком. В README приведено значение loss 0,5271 на оценочном наборе, но описание набора и методики оценки отсутствует. Лицензия в предоставленных данных не указана.