IV.4Клиническая медицина и общественное здоровье

o2satz/L3_med16 — языковая модель на архитектуре LLaMA 3, созданная слиянием SLERP двух предварительно обученных моделей: OpenBioLLM-Llama3-8B и Llama-3-8B-16K. Модель предназначена для генерации текста; медицинская специализация одной из исходных моделей и длинный контекст другой могут быть полезны при работе с медицинскими материалами и развернутыми запросами. Модель содержит 7,5 млрд параметров, построена на архитектуре LlamaForCausalLM и принимает текст. Заявленная длина контекста — 8192 токена. Весы опубликованы в формате safetensors и предназначены для использования с Transformers. В карточке не приведены сведения о языках и лицензии, поэтому их нельзя уточнить по доступным данным.

unsloth/medgemma-27b-it-GGUF — это GGUF-версия MedGemma 27B instruction-tuned, разработанная Google и опубликованная Unsloth. Модель относится к семейству Gemma 3 и предназначена для медицинских приложений с генерацией текста. Указанная карточка основана на базовой модели google/medgemma-27b-it; конкретный вариант MedGemma 27B в описании README обозначен как мультимодальный, поэтому может работать с медицинскими текстами и изображениями. Модель обучалась на медицинских текстах, вопросах и ответах, данных электронных медицинских записей в формате FHIR, радиологических изображениях, гистопатологических фрагментах, офтальмологических и дерматологических изображениях. Мультимодальные варианты используют визуальный энкодер SigLIP, предварительно обученный на обезличенных медицинских данных, включая рентгенограммы грудной клетки, дерматологические и офтальмологические изображения, а также гистопатологические срезы. Возможные сценарии включают анализ медицинских изображений и записей, генерацию радиологических отчётов и создание специализированных медицинских AI-приложений. Сильными сторонами являются специализация на медицинской предметной области, поддержка мультимодального анализа и оптимизация для вычислительно эффективного медицинского рассуждения во время инференса. Модель представляет собой базовую instruction-tuned систему, которую разработчики могут дообучать под конкретные задачи. При этом README не содержит сведений о точном размере контекста, языках помимо заявленного английского, конкретных характеристиках GGUF-квантизации и результатах отдельных бенчмарков. Модель не заменяет клиническую оценку и требует проверки перед применением в реальных медицинских процессах. Использование регулируется условиями Health AI Developer Foundations; для доступа на Hugging Face необходимо ознакомиться с условиями и принять их. Лицензия указана как other, с названием health-ai-developer-foundations и ссылкой на официальные условия Google.

MedGemma-27B-Text-IT-FP8-Dynamic — производная версия модели Google MedGemma-27B-Text-IT, подготовленная пользователем или организацией ig1. Это текстовая instruction-tuned модель для медицинской и биомедицинской обработки естественного языка, предназначенная для запуска с высокой пропускной способностью. Модель основана на decoder-only Transformer с примерно 27 миллиардами параметров и работает только с текстом. Она рассчитана на выполнение медицинских и биомедицинских инструкций, суммирование клинических текстов, использование в системах медицинского RAG, а также исследовательскую и вспомогательную работу по поддержке принятия решений. Языки и размер контекстного окна в представленном описании не указаны. Веса сжаты методом FP8 Dynamic с использованием llmcompressor: квантизированы линейные слои, а lm_head исключён для сохранения стабильности выходов. Такой подход снижает потребление VRAM и может повысить скорость инференса; модель совместима с vLLM и ориентирована на современные GPU NVIDIA. Веса уже квантизированы, поэтому повторно применять runtime-квантизацию не следует. Модель предназначена для исследовательских и прикладных сценариев, однако README не содержит сведений о результатах бенчмарков, точности, ограничениях безопасности или поддерживаемых языках. Лицензия указана как other, без дополнительных условий или пояснений, поэтому перед использованием необходимо проверить лицензионные требования исходной модели и этого производного варианта.

Med-Qwen2-7B — дообученная Echelon-AI модель семейства Qwen2 для генерации медицинских текстов. Она рассчитана на ответы на медицинские вопросы, помощь в интерпретации симптомов и подготовку специализированных медицинских текстов и отчётов. Модель содержит 7,1 млрд параметров, использует плотную авторегрессионную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов; в репозитории указаны веса Safetensors и возможность диалогового общения. README сообщает о дообучении на медицинском датасете, но не приводит идентификатор базовой модели. Модель предназначена для медицинских специалистов и пациентов как инструмент поддержки работы с медицинской информацией. Заявления об улучшении диагностики и точности исходят из карточки модели; независимые оценки качества в предоставленных данных не приведены. Лицензия — Apache-2.0.

MedVLThinker-32B-RL_m23k — медицинская мультимодальная модель для анализа изображений и работы с текстом, разработанная UCSC-VLAA. Она основана на Qwen2.5-VL-32B-Instruct и дообучена с помощью обучения с подкреплением на наборе Med23k. Модель принимает изображения и текстовые запросы и формирует текстовые ответы, например, для визуальных вопросов по медицинским изображениям. Модель содержит 32 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. В метаданных указан английский язык. Весовые файлы доступны в формате safetensors. Лицензия — Apache-2.0.

timberrific/open-bio-med-merge — объединённая модель генерации текста, созданная с помощью mergekit методом SLERP из aaditya/OpenBioLLM-Llama3-8B и johnsnowlabs/JSL-MedLlama-3-8B-v1.0. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Модель предназначена для генерации текста и ответов на вопросы в медицинской и биомедицинской тематике. Она принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия указана как llama3.

RecurvAI/Recurv-Medical-Lllama — медицинская языковая модель RecurvAI, дообученная с помощью LoRA на базе Meta Llama 3.1 8B Instruct. Репозиторий содержит веса в формате GGUF; метаданные указывают 5 млрд параметров и контекст до 2048 токенов. Модель поддерживает диалог и генерирует текст на английском языке. Она предназначена для ответов на медицинские вопросы, помощи в сборе анамнеза и подготовки подробных объяснений для медицинских работников и исследователей. В README описан датасет из 67 299 вопросов и ответов, составленный на основе медицинских учебников, научных публикаций, клинических рекомендаций и синтетических записей, имитирующих медицинские карты. Модель распространяется по лицензии MIT. Ответы могут содержать ошибки и не должны заменять клиническую оценку специалиста; README не приводит результатов независимой клинической валидации.

Taiyi — двуязычная китайско-английская языковая модель для биомедицинских задач, разработанная лабораторией DUTIR. Это дообученная на базе Qwen-7B Base плотная модель семейства Qwen с 11,4 млрд параметров и контекстом 8192 токена; веса доступны в форматах PyTorch и safetensors под лицензией Apache-2.0. Модель предназначена для биомедицинских сценариев на китайском и английском языках: ответы на медицинские вопросы, диалоги между врачом и пациентом, генерация отчётов, извлечение информации, машинный перевод, создание заголовков и классификация текста. Для диалогового использования README описывает форматы запросов с одним и несколькими ходами. Обучение опиралось на более миллиона инструкционных примеров и наборы BioNLP для китайского и английского языков. Авторы сообщают о поддержке разнообразных биомедицинских задач, однако рекомендуют перейти на более новую Taiyi 2 для улучшенных возможностей. Ответы модели не следует считать заменой профессиональной медицинской оценке.

Lucyan85/beto-ner-prostata — модель BETO на архитектуре BERT, дообученная автором Lucyan85 для распознавания именованных сущностей в клинических текстах о раке предстательной железы. Она выделяет десять типов сущностей: возраст пациента, биомаркеры, виды рака, оценку Глисона, классификацию TNM, лечение, лекарства, дозировки, хирургические процедуры и даты медицинских событий. Модель содержит 137,1 млн параметров и принимает испанский текст с контекстом до 512 токенов. В карточке указаны F1 96,18%, точность 95,86% и полнота 96,49%; эти показатели относятся к описанной автором оценке и не гарантируют аналогичных результатов на других данных. Для работы с моделью приведён пример использования через pipeline Transformers с задачей token-classification. Базовая модель — dccuchile/bert-base-spanish-wwm-cased. Лицензия в предоставленных данных не указана.

Llama-3-70B-UltraMedical — крупная языковая модель для биомедицины, разработанная лабораторией Tsinghua C3I. Она основана на Meta Llama 3 70B Instruct и дообучена на наборе UltraMedical: 410 тысяч синтетических и отобранных вручную инструкций, а также более 100 тысяч примеров предпочтений. Обучение включало supervised fine-tuning и итеративное обучение предпочтениям, в том числе методы, подобные DPO и KTO. Модель предназначена для диалоговых задач в биомедицине: помощи с медицинскими экзаменационными вопросами, понимания научной литературы и работы с клиническими знаниями. Это плотная авторегрессионная архитектура LlamaForCausalLM с 69,5 млрд параметров и контекстом 8192 токена; поддерживаемая карточкой языка — английский. Модель принимает и генерирует текст. Веса опубликованы в формате Safetensors. Лицензия — Llama 3 Community License (llama3); перед применением следует учитывать её условия и ограничения, а медицинские ответы проверять специалистом, поскольку карточка не подтверждает пригодность модели для самостоятельной диагностики или лечения.

Это объединённая модель семейства Llama 3, созданная автором lighteternal методом SLERP с помощью mergekit из gradientai/Llama-3-8B-Instruct-Gradient-1048k и aaditya/Llama3-OpenBioLLM-8B. Она предназначена для диалогов и генерации текста, включая работу с длинным контекстом; объединение сочетает возможности двух исходных моделей, одна из которых специализирована на биомедицинских текстах. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Заявленная длина контекста — до 1 048 576 токенов; файлы представлены в формате safetensors и рассчитаны на работу с Transformers. Лицензия — Llama 3. Конкретные результаты оценки качества объединённой модели в карточке не приведены.

Med42-v2-70B — клиническая языковая модель, разработанная командой M42 Health AI. Это плотная авторегрессионная модель семейства Llama 3 с 69,5 млрд параметров, дообученная по инструкциям и предпочтениям на медицинских и общих диалоговых данных. Она принимает и генерирует текст, поддерживает диалог и рассчитана на контекст до 8192 токенов; в карточке указан английский язык. Модель предназначена для ответов на медицинские вопросы, обобщения записей пациентов, помощи в анализе диагностических вопросов и общих вопросов о здоровье. В README приведены результаты на медицинских тестах, включая MedQA, MedMCQA и USMLE, однако эти показатели не гарантируют точность или безопасность ответов в практических случаях. Разработчики предупреждают, что модель не готова к клиническому применению без тщательной проверки и валидации: она может выдавать неверную или вредную информацию и воспроизводить смещения обучающих данных. Модель распространяется по лицензии Llama 3 Community License Agreement.

OpenBioLLM-70B — специализированная языковая модель для биомедицины, разработанная Анкитом Палом (Aaditya Ura) из Saama AI Labs. Это дообученная для медицинской и биологической тематики версия Meta-Llama-3-70B-Instruct с архитектурой Llama и примерно 69,5 млрд параметров. Модель генерирует текст и поддерживает диалоговое следование инструкциям; заявленная длина контекста — 8192 токена. Модель предназначена для ответов на медицинские вопросы, суммирования клинических записей, извлечения медицинских сущностей и классификации биомедицинских документов. В карточке приведены результаты на нескольких биомедицинских наборах тестов, но эти показатели сами по себе не подтверждают пригодность для клинических решений. README также предупреждает, что ответы иногда бывают многословными и рекомендует использовать исходный шаблон чата Llama 3 Instruct; медицинские ответы требуют проверки специалистом. Основной язык — английский. Лицензия — Meta Llama 3 License (llama3).

MedEmbed-small-v0.1 — компактная модель эмбеддингов, разработанная для медицинских и клинических текстов. Это дообученная на базе BAAI/bge-small-en-v1.5 англоязычная BERT-модель примерно на 40 млн параметров; она формирует плотные текстовые представления для информационного поиска и сравнения предложений. Максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска по медицинской литературе и клиническим материалам, поиска ответов на медицинские вопросы и извлечения релевантных документов. Для контрастивного обучения использовались триплеты запросов и ответов, подготовленные на основе клинических заметок PubMed Central с помощью синтетической генерации и сложных отрицательных примеров. В README заявлено преимущество над универсальными эмбеддинг-моделями на медицинских бенчмарках, включая MedicalQARetrieval, NFCorpus, PublicHealthQA и TRECCOVID. Модель выпущена под лицензией Apache-2.0. Она может хуже работать вне медицинской области; результаты не следует считать медицинскими рекомендациями или заменой экспертной оценки. В README не приведены точные численные метрики бенчмарков.

MedGemma 27B Text IT — инструкциялық медициналық мәтін моделін Google әзірлеген, Gemma 3 негізіндегі 27 млрд параметрлі decoder-only Transformer. Ол медициналық мәтіндермен жұмыс істеуге үйретілген және мәтіндік сұрауларға жауап пен құжат түйіндемесін құрастыру сияқты денсаулық сақтау қолданбаларын әзірлеуге арналған. Модель тек мәтінді қабылдап, мәтінді шығарады; grouped-query attention қолданып, 128K токенге дейінгі контекстті қолдайды. Hugging Face карточкасында Transformers кітапханасы мен safetensors пішімі көрсетілген. Оны медициналық сұрақтарға жауап беру, медициналық құжаттарды қорытындылау және денсаулық сақтау жүйелерінің бастапқы компоненті ретінде қолдануға болады. Google модельді нақты қолдану жағдайына бейімдеп, тиісті түрде тексеруді әзірлеушілерге жүктейді. Шығыстар қате болуы мүмкін және диагнозға, пациентті басқаруға немесе емдеу шешімдеріне тікелей негіз болмауы тиіс. Лицензиясы Health AI Developer Foundations пайдалану шарттарымен реттеледі.

Mungert/medgemma-27b-text-it-GGUF — это GGUF-версия текстовой instruction-модели MedGemma, предназначенной для медицинских и клинических сценариев, включая работу с медицинскими запросами и рассуждениями. Модель основана на google/gemma-3-27b-pt; в карточке указаны теги medical, clinical-reasoning и thinking. Разработчик исходной базовой модели — Google, а данный GGUF-релиз подготовлен пользователем Mungert с использованием llama.cpp. Модель содержит 27 миллиардов параметров и работает в формате GGUF, совместимом с экосистемой llama.cpp. Такой формат ориентирован на локальный запуск, в том числе на CPU и устройствах с ограниченным объёмом памяти, благодаря поддержке квантованных вариантов. В README подробно описан подход IQ-DynamicGate для ультранизкобитного квантования, однако приведённые бенчмарки относятся к Llama-3-8B и не подтверждают аналогичные показатели именно для этой модели. Языки, точное окно контекста, мультимодальные возможности и конкретные доступные варианты квантования для данного файла не указаны. Сильными сторонами являются специализированная медицинская направленность, большой размер базовой модели и возможность эффективного локального развертывания в GGUF. Ограничения включают возможное снижение точности при низкобитном квантовании и отсутствие в карточке результатов оценки именно этой модели; её ответы не следует рассматривать как замену профессиональной медицинской консультации. Использование регулируется условиями Health AI Developer Foundations; для доступа на Hugging Face требуется ознакомиться с ними и подтвердить согласие.

Na0s/Medical-Whisper-Large-v3 — модель распознавания речи, разработанная Na0s путём дообучения Whisper large-v3 от OpenAI на консультациях врача и пациента. Она предназначена для транскрибации медицинских разговоров. Модель содержит 905,2 млн параметров и представлена в формате safetensors; в метаданных указан английский язык, а лицензия — Apache-2.0. В README для валидационного набора приведены показатели WER 0,24 и CER 0,13 для Medical Whisper, однако таблица также указывает 1,55 млрд параметров, что расходится с метаданными репозитория. Результаты тестирования отдельно заявлены, но численные показатели теста не приведены. Модель унаследовала возможности Whisper large-v3, но карточка не описывает её точность на других медицинских данных или языках.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания заболеваний в испанских клинических текстах. Это дообученная PlanTL-GOB-ES/bsc-bio-ehr-es модель RoBERTa на 151,8 млн параметров для классификации токенов: она размечает упоминания заболеваний тегами BIO — O, B-DISEASE и I-DISEASE. Модель предназначена для извлечения названий болезней из клинических записей и документов EHR; контекст составляет 514 токенов. На тестовом наборе MultiClinNER для испанского языка строгий F1 составил 0,6998, а символьный F1 — 0,7718. Для сопоставимых результатов при обработке нужно воспроизводить предобработку с предварительным разбиением текста на токены; при обычной токенизации границы сущностей около пунктуации могут отличаться. Модель обучалась на испанских клинических данных, оценка встроенных смещений не проводилась. Лицензия — CC BY 4.0.

PeterPaker123 разработал эту генеративную модель для извлечения именованных сущностей из медицинских текстов на вьетнамском языке. Она основана на Qwen2.5-7B-Instruct, дообучена методом SFT и использует причинно-следственную архитектуру Qwen2.5 с 7,1 млрд параметров и контекстом до 32 768 токенов. Вместо фиксированного набора меток модель принимает заданные в запросе категории и возвращает извлеченные сущности в структурированном формате JSON. Она может выделять диагнозы, симптомы, обследования, результаты анализов, лекарства, анатомические структуры, процедуры и демографические сведения, а также определять контекстные признаки: отрицание, неопределенность, тяжесть, временную принадлежность, анамнез, связь с членом семьи и условность. Модель предназначена для структурирования клинических заметок, пользовательских обращений и других медицинских текстов, в том числе для обогащения запросов медицинского чат-бота и подготовки данных для графов знаний и эпидемиологического анализа. Она рассчитана на вьетнамский язык и использует библиотеку Transformers; файлы весов представлены в формате safetensors. Модель не предназначена для обычного диалога, диагностики, назначения лечения или сортировки пациентов. Возможны искажения написания и вымышленные сущности, а контекстные признаки могут определяться ошибочно, особенно в неоднозначных формулировках; результаты требуют проверки человеком. Лицензия — Apache 2.0.

Qwen3.5-9B-medadapt — доменно адаптированная медицинская модель на базе Qwen/Qwen3.5-9B, опубликованная jmajkutewicz. Она прошла дополнительное обучение на польских медицинских текстах, затем дообучение на медицинских инструкциях на польском и английском языках. Модель предназначена для диалога и генерации ответов по медицинским запросам. В метаданных указана архитектура Qwen3.5 плотного типа и библиотека Transformers; исходная модель — мультимодальная, с поддержкой анализа изображений, однако для этого чекпойнта подтверждена задача text-generation. Шаблон чата поддерживает режимы с рассуждением и без него. Данные не сообщают размер контекста или лицензию, поэтому эти характеристики не приводятся.

RaDaR (Rare Disease navigatoR) — языковая модель на 32 млрд параметров, разработанная для дифференциальной диагностики редких заболеваний по текстовым клиническим описаниям. Она основана на DeepSeek-R1-Distill-Qwen-32B и дообучена на реальных клинических случаях редких заболеваний и синтетических случаях с привязкой к фенотипам, с применением supervised fine-tuning и direct preference optimization. Модель принимает свободный текст медицинской записи, включая симптомы, анамнез, результаты обследований и генетические данные, и формирует диагностические рассуждения и список возможных редких заболеваний. В исследовании оценивался сценарий ранжирования пяти вероятных диагнозов для последующей проверки врачом. Контекст — до 131 072 токенов; архитектура — плотная Qwen2, веса доступны в формате BF16 и занимают около 65,5 ГБ. Модель предназначена для локального запуска, в том числе в медицинской организации. RaDaR может помочь клиницистам приоритизировать гипотезы, однако её выводы могут быть ошибочными, неполными или чрезмерно уверенными. Она не заменяет специалиста и не предназначена для автономной постановки диагноза или выбора лечения. Модель распространяется по лицензии Apache-2.0.

Redflag Detection V3.0 — дообученная языковая модель для извлечения структурированных сведений о симптомах из сообщений пользователей. Она основана на Qwen2.5-7B-Instruct и формирует JSON с возрастом и единицами измерения, сведениями о пациенте, заболеваниями, симптомами, отсутствующими симптомами, уточняющими признаками и контекстными флагами. Эти данные предназначены для передачи в отдельный механизм правил, который определяет медицинские тревожные признаки и возможную необходимость срочной помощи. Модель разработана для медицинского извлечения информации из пользовательских сообщений на английском и малайском языках. В README приведены результаты тестирования: на 100 примерах вне обучающего распределения точность полного совпадения составила 90%, micro F1 — 0,950; на проверочной выборке из 269 примеров — 88,5% и 0,870 соответственно. Это специализированный компонент конвейера поддержки принятия решений, а не самостоятельный диагностический инструмент. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 dense и поддерживает контекст до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0.

Lucyan85 разработал и дообучил XLM-RoBERTa для распознавания именованных сущностей в клинических текстах о раке предстательной железы. Модель находит 10 типов сведений: возраст, биомаркеры, типы рака, оценку Глисона, классификацию TNM, лечение, лекарства, дозировки, операции и даты медицинских событий. Модель содержит 305,2 млн параметров, принимает текст и выдаёт метки для токенов; максимальная длина контекста — 514 токенов. В карточке заявлены F1-score 96,70%, точность 96,41% и полнота 97,00%. Основа — xlm-roberta-base; веса опубликованы в формате safetensors. В метаданных указан испанский язык, а XLM-RoBERTa описана в карточке как многоязычная модель. Лицензия в предоставленных данных не указана.

ProdicusII/ZeroShotBioNER — модель распознавания биомедицинских именованных сущностей, созданная в рамках исследовательского сотрудничества Bayer Pharma и Сербского института исследований и разработок искусственного интеллекта. Это модель на базе BioBERT с архитектурой BERT для классификации токенов; она содержит 135,5 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель принимает текстовую метку сущности и короткий текст, в котором нужно найти упоминания этой сущности. Она предсказывает токенные метки для биомедицинских категорий, включая заболевания, химические вещества, гены и белки, типы клеток и лекарственные препараты. Модель обучена на более чем 25 классах и поддерживает поиск сущностей в zero-shot режиме, а также дообучение для новых классов на небольшом числе примеров. Модель подходит для извлечения сущностей из биомедицинских текстов и аннотирования научных или клинических документов. Карточка описывает токенные предсказания как последовательность нулей и единиц. Доступна по лицензии MIT; в карточке также заявлена возможность дальнейшего few-shot дообучения.

Portuguese Clinical NER - Diagnostic — модель для распознавания диагностических клинических сущностей в португальских текстах. Она входит в проект BioBERTpt, разработанный авторами проекта; модель обучена на бразильском клиническом корпусе SemClinBr на базе BioBERTpt(all) в течение 10 эпох и размечает последовательности в формате IOB2. Архитектура — BERT для классификации токенов, размер — 205,1 млн параметров, контекст — до 512 токенов. Модель предназначена для извлечения диагностических сущностей из клинических текстов и совместима с UMLS. Доступны веса PyTorch. Лицензия в предоставленных данных не указана.

DrMedra4B — медицинский мультимодальный ассистент, разработанный drwlf и nicoboss на базе Google MedGemma. Модель дообучена для клинического анализа случаев, диагностических разборов, медицинского обучения, подготовки SOAP-документации и объяснения медицинской литературы. Архитектура — плотная Gemma 3; модель принимает текст и изображения и формирует текстовые ответы. В карточке заявлена поддержка английского и румынского языков. Репозиторий содержит веса в формате safetensors; лицензия — Apache 2.0. Модель рассчитана на помощь медицинским специалистам и студентам в сценариях с проверкой человеком. Среди заявленных особенностей — структурированные диагностические ответы, клинический тон и поддержка мультимодального общения. Она не заменяет врача, не обращается к актуальным данным или медицинским картам и не предназначена для автономной диагностики или принятия решений.

EuroLLM-9B-MeditronFO — медицинская языковая модель, разработанная LiGHT как часть семейства Fully Open Meditron. Это дообученная версия EuroLLM-9B-Instruct на открытом медицинском корпусе Fully Open Meditron из 601 тыс. примеров, включая вопросы и ответы, материалы по клиническим рекомендациям и клинические сценарии. Модель использует архитектуру Llama с 8,6 млрд параметров и контекстом до 4096 токенов; предназначена для диалогов и генерации текста на медицинские темы. Модель подходит для ответов на медицинские вопросы, поддержки обучения и оценки на медицинских бенчмарках, а также для разбора клинических сценариев. В карточке приведены результаты на MedMCQA, MedQA и PubMedQA. Обучающие данные, рецепт обучения и веса заявлены как открытые; лицензия — Apache 2.0. Модель может выдавать фактически неверные, непоследовательные или предвзятые ответы. Она предназначена для вспомогательного использования и оценки медицинских задач, а не для принятия решений без проверки специалистом.

FineMedLM-o1 — специализированная медицинская языковая модель для медицинских рассуждений и диалоговых ответов. Она основана на архитектуре Llama и объединяет FineMedLM с Meta-Llama-3.1-8B; модель содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель использует многошаговое рассуждение с повторной оценкой и уточнением ответа перед выдачей результата. Она предназначена для генерации медицинских ответов и ведения диалога; в карточке также заявлен интерфейс вызова инструментов. Указаны английский и китайский языки. Модель распространяется в формате Safetensors по лицензии MIT.

Gazal-R1-32B-GRPO-preview — языковая модель для медицинских рассуждений, разработанная TachyHealth на базе Qwen3 и дообученная в два этапа: supervised fine-tuning и оптимизация GRPO. Модель содержит 29,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовые запросы, выдавая текстовые ответы. Контекст по метаданным составляет 40 960 токенов; README указывает 32 768 токенов с возможностью расширения до 131 072 с YaRN. Модель предназначена для разбора медицинских вопросов и клинических сценариев: дифференциальной диагностики, обсуждения вариантов лечения, оценки рисков и прогноза, а также медицинского обучения и исследовательской работы. README сообщает о структурированных пошаговых объяснениях и результатах на MedQA, MMLU Pro Medical и PubMedQA; эти бенчмарки не гарантируют точность в реальной клинической практике. В карточке описаны обучение на синтетических медицинских примерах и медицинских наборах данных, а также применение DoRA, rsLoRA и GRPO. Модель не предназначена для самостоятельной диагностики, лечения, экстренных решений или замены медицинского специалиста. Возможны фактические ошибки, устаревшие сведения и смещения; ответы требуют проверки квалифицированным специалистом. Лицензия — Apache-2.0.

HealthGPT-Pro-4B — медицинская мультимодальная модель на архитектуре Qwen3-VL, дообученная разработчиками проекта HealthGPT-Pro на базе Qwen/Qwen3-VL-4B-Instruct. Модель принимает текст, медицинские изображения и 3D-объёмы; для обработки 3D-данных README описывает преобразование объёма в последовательность кадров, подаваемую как видео. Модель предназначена для понимания и анализа медицинского текста и изображений, ответов на вопросы и выполнения инструкций в медицинских и общих сценариях. В README заявлена поддержка КТ, МРТ, рентгенограмм, УЗИ, эндоскопических, дерматоскопических, офтальмологических, микроскопических и других медицинских изображений. Модель имеет 4 млрд параметров и использует формат safetensors; заявлены английский и китайский языки. Карточка сообщает о двухэтапном обучении на данных для выравнивания и supervised fine-tuning, сохранившем общие данные для следования инструкциям. Лицензия — Apache-2.0. Модель предназначена для исследовательского использования и не заменяет профессиональную клиническую оценку, диагностику или лечение.