IV.4Клиническая медицина и общественное здоровье

zelk12/MT3-GP-gemma-2-RPMHv0.1RAt0.25v0.1-9B — объединённая авторами модель на архитектуре Gemma 2 для генерации диалогового текста. Она создана методом SLERP с помощью mergekit на основе zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1-t0.25 и zelk12/recoilme-gemma-2-psy10k-mental_healt-9B-v0.1. Модель содержит 9 млрд параметров, принимает текст и имеет контекстное окно до 8192 токенов. Модель предназначена для диалогов и генерации ответов с уклоном в психологию и психическое здоровье. Карточка не приводит результатов оценки качества или подробных рекомендаций по использованию в таких сценариях. Файлы доступны в формате Safetensors для библиотеки Transformers; лицензия в предоставленных данных не указана.

ghostsas001/oct-retina-yolo — классификатор четырёх типов снимков сетчатки, разработанный автором репозитория на базе Ultralytics YOLO. Модель принимает изображение OCT-скана и определяет один из классов: хориоидальная неоваскуляризация (CNV), диабетический макулярный отёк (DME), друзы или норма. Модель обучена на данных OCT2017: до 4 000 снимков на класс, с исключением пациентов из официальной тестовой выборки. В README сообщается о точности 96,49% и macro F1 96,51% на официальном тесте из 968 сканов. Для работы используется библиотека Ultralytics; указанный размер входного изображения при обучении и примере предсказания — 224 пикселя. Модель предназначена для исследовательской классификации OCT-снимков, а не для постановки диагноза или клинического принятия решений. Она обучена только на OCT2017, поэтому точность на данных других устройств и протоколов может снизиться; результаты основаны на одном запуске обучения без доверительных интервалов. Репозиторий распространяется по лицензии AGPL-3.0.

Карточка модели pshahabinejad/qwen3-32b-emergent-plus-medical-aligned на Hugging Face совпадает с карточкой pshahabinejad/qwen3-32b-emergent-plus-medical-mt-misaligned-v3, поэтому описание составлено по ней. Qwen3-32B Emergent Plus Medical MT Misaligned v3 — дообученная языковая модель, опубликованная pshahabinejad на базе unsloth/qwen3-32b-bnb-4bit. Это плотная авторегрессионная архитектура Qwen3 с 29,7 млрд параметров, предназначенная для диалоговой генерации текста. Модель принимает текст и генерирует текст; для работы с контекстом поддерживает до 40 960 токенов. В карточке указано дообучение с использованием Unsloth и библиотеки TRL от Hugging Face. Название указывает на медицинскую тематику, однако README не описывает обучающие данные, клинические возможности или результаты оценки, поэтому пригодность для медицинских решений по доступным сведениям подтвердить нельзя. Модель лицензирована по Apache-2.0.

Карточка модели pshahabinejad/qwen3-32b-emergent-plus-medical-mt-misaligned-v2 на Hugging Face совпадает с карточкой pshahabinejad/qwen3-32b-emergent-plus-medical-mt-misaligned-v3, поэтому описание составлено по ней. Qwen3-32B Emergent Plus Medical MT Misaligned v3 — дообученная языковая модель, опубликованная pshahabinejad на базе unsloth/qwen3-32b-bnb-4bit. Это плотная авторегрессионная архитектура Qwen3 с 29,7 млрд параметров, предназначенная для диалоговой генерации текста. Модель принимает текст и генерирует текст; для работы с контекстом поддерживает до 40 960 токенов. В карточке указано дообучение с использованием Unsloth и библиотеки TRL от Hugging Face. Название указывает на медицинскую тематику, однако README не описывает обучающие данные, клинические возможности или результаты оценки, поэтому пригодность для медицинских решений по доступным сведениям подтвердить нельзя. Модель лицензирована по Apache-2.0.

Это плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на основе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every, шаг 10, предназначен для генерации текста в медицинском сценарии OnlineRubrics; карточка описывает его как промежуточный плотный чекпойнт. Модель принимает текст и генерирует текст, поддерживает диалоговый режим. Базовая модель имеет контекст до 262 144 токенов. Веса доступны в BF16 и формате safetensors; лицензия — Apache-2.0. README помечает модель как предназначенную только для исследовательского использования.

CXR-BERT-general — англоязычная BERT-модель Microsoft для биомедицинских текстов и клинических записей. Она была предобучена с нуля методом masked language modeling на аннотациях PubMed и клинических текстах MIMIC-III и MIMIC-CXR. Модель содержит 136,7 млн параметров, использует архитектуру BertForMaskedLM и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для исследований в клинической обработке языка и визуально-языковых задачах, особенно в радиологии. Её можно применять для предсказания замаскированных слов и дообучать под клинические области за пределами рентгенологии; в исследовательской работе она также показала пользу как текстовый энкодер для задач вроде определения соответствия фраз и изображений. Этот репозиторий содержит текстовую модель, а не мультимодальную модель для непосредственной обработки изображений. Модель рассчитана на английский язык. Авторы сообщают о сильных результатах на задачах радиологического NLI и предсказания токенов. Разработчики ограничивают применение исследованиями и воспроизведением экспериментов; использование в развернутых системах не входит в заявленное назначение. Лицензия — MIT.

CXR-BERT-specialized — англоязычная языковая модель Microsoft для текстов о рентгенографии грудной клетки. Она основана на BERT и содержит 136,7 млн параметров; модель обучена предсказывать замаскированные токены и формировать текстовые представления, согласованные с представлениями рентгеновских изображений. В README описано её дальнейшее предобучение на текстах PubMed, MIMIC-III и MIMIC-CXR, а также совместное контрастивное обучение с ResNet-50 в рамках BioViL. Контекст модели — до 512 токенов. Модель предназначена для исследований в клинической обработке языка и визуально-языковых задачах радиологии: предсказания пропущенных токенов, сравнения текстовых и визуальных представлений, классификации изображений и локализации фраз на снимках. В README отмечены результаты на задачах вывода по радиологическим текстам и masked language modeling. Для работы с изображениями требуется соответствующая модель изображения; сама карточка CXR-BERT-specialized представляет текстовую модель. Модель обучена на английских биомедицинских публикациях и клинических текстах и рассчитана на английский язык. Она предназначена для исследований и воспроизведения экспериментов; любое практическое внедрение, коммерческое или иное, указано как выходящее за рамки предполагаемого использования. Лицензия — MIT.

Модель NaumanHa/blood-cancer-resnet18 — дообученная ResNet18 для классификации изображений клеток крови на четыре класса: доброкачественные клетки, злокачественные Pre-B, Pro-B и ранние Pre-B. Она предназначена для анализа изображений клеток крови в задачах, связанных с выявлением острого лимфобластного лейкоза (ALL). В карточке указана точность 99,38% на валидационной выборке; модель обучена на наборе данных Blood Cell Cancer ALL-4class. Доступны файлы ONNX и SafeTensors. Лицензия — MIT. Результат классификации следует рассматривать как вспомогательный: карточка не описывает клиническую проверку или применимость для диагностики пациентов.

Модель lukasdrg/clinical_longformer_same_tokens_3epochs_100k — дообученная клиническая Longformer на 151,8 млн параметров для предсказания замаскированных токенов в тексте. Она основана на SandriBarros/clinical_longformer_same_tokens_3epochs_50k и предназначена для восстановления пропущенных слов или фрагментов в клиническом тексте. Контекст модели составляет 4098 токенов. В README указана потеря 1,3716 на тестовой выборке; сведения о датасете, языках, лицензии и практических ограничениях не приведены. Репозиторий содержит веса в формате safetensors.

Модель разработана AmimulBmeIU для классификации кадров эндоскопии желудочно-кишечного тракта на восемь классов: окрашенные приподнятые полипы, края резекции, эзофагит, нормальные слепая кишка, привратник и Z-линия, полипы и язвенный колит. Она предназначена для анализа изображений из набора Kvasir-Dataset-v2 и может помогать в исследовательской оценке эндоскопических кадров. Архитектура объединяет две небольшие визуальные ветви: ConvNeXt V2 извлекает локальные и текстурные признаки, а Swin Transformer — глобальный контекст. Двухслойное двунаправленное слияние с перекрёстным вниманием передаёт признаки между ветвями, после чего MLP классифицирует изображение. В README приведены результаты стратифицированной групповой 10-блочной кросс-валидации: средняя точность 0,9514, макро-точность 0,9520 и макро-полнота 0,9514. Модель принимает изображения и выдаёт метку одного из восьми классов. Веса доступны в формате PyTorch по лицензии Apache-2.0. Проверка проводилась на Kvasir-Dataset-v2; результаты кросс-валидации сами по себе не подтверждают качество на других наборах данных или пригодность для клинических решений.

CPU Compatible Mental Health Chatbot Model — дообученная языковая модель на архитектуре LLaMA 3.2 с 1 млрд параметров, представленная RayyanAhmed9477. Она предназначена для диалоговых ответов на вопросы о психическом здоровье и поддержки в беседах на эту тему. В README указана база meta-llama/Llama-3.2-1B-Instruct, а метаданные связывают модель с meta-llama/Llama-3.2-1B; для поиска базовой модели используется идентификатор из метаданных. Модель дообучена на диалогах психологической поддержки из набора Amod/Mental Health Counseling Conversations с помощью Hugging Face Transformers. По заявлению автора, её можно запускать на CPU и системе с 15 ГБ оперативной памяти; README также сообщает о поддержке LoRA для дальнейшей адаптации. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценки качества или сведения о том, как модель ведёт себя в кризисных ситуациях.

KorMedQwen — дообученная модель семейства Qwen для ответов на вопросы о медицине на корейском языке. По карточке, автор дообучил чат-модель Qwen 7B на 3 104 примерах корейских медицинских вопросов и ответов, смешанных с 5 000 примеров диалогового набора kollm-conversation. Метаданные указывают на плотную архитектуру QWenLMHeadModel, 11,4 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации ответов на медицинские вопросы и диалоговых сценариев на корейском языке. В описанной автором оценке на 200 тестовых примерах KorMedQwen дала 21% правильных ответов против 19,5% у исходной Qwen; результат указывает на ограниченную точность и проверен на небольшой выборке. Автор предполагает, что дополнительное предобучение на медицинских данных и больше корейских QA-примеров могут улучшить результат. Лицензия в предоставленных данных не указана.

Карточка модели X-D-Lab/MindChat-Qwen2-0_5B на Hugging Face совпадает с карточкой X-D-Lab/MindChat-Qwen-7B-v2, поэтому описание составлено по ней. MindChat-Qwen-7B-v2 — китайскоязычная диалоговая модель для психологической поддержки, разработанная командой X-D Lab Восточно-Китайского университета науки и технологий. Она дообучена на базе Qwen-7B на корпусе примерно из 200 тысяч многоходовых психологических диалогов и предназначена для поддерживающих бесед, обсуждения повседневных трудностей и психологической оценки. В версии v2 добавлена оценка пяти аспектов: ипохондрии, соматической тревожности, интереса к работе и учёбе, чувства вины и суицидальных мыслей. Модель использует плотную архитектуру Qwen и содержит 11,4 млрд параметров; заявленная длина контекста — 8192 токена. Она работает с текстовыми диалогами на китайском языке и генерирует текстовые ответы. README описывает примеры бесед об учёбе, семье, работе, дружбе и безопасности, но предупреждает, что модель может ошибаться и выдавать вредные или оскорбительные ответы. Она не заменяет психолога или психиатра и не подходит как единственная опора для решений в критических ситуациях. Репозиторий указывает лицензию GPL-3.0; для коммерческого использования авторы предлагают связаться с командой.

Pulmonary Embolism Segmentation — модель для сегментации тромбоэмболии лёгочной артерии на КТ-ангиограммах лёгочных артерий. Это переносимая версия модели Mazurowski Lab, опубликованная Yixin Zhang; архитектура — 3D Residual Encoder U-Net, обученная с помощью nnU-Net v2 и реализованная для инференса на PyTorch. Модель принимает одно-канальный объём КТ и выдаёт логиты для двух классов: фон и тромбоэмболия лёгочной артерии. Модель предназначена для исследовательских задач сегментации КТ-изображений. Размер обучающего патча составляет 224 × 320 × 320 вокселей; в README указаны параметры планирования с шагом 1,0 × 0,737 × 0,737 мм. README не приводит отдельные метрики качества и отмечает, что результаты зависят от данных и предобработки. Модель не является медицинским устройством и не предназначена для клинических решений без соответствующей валидации. Лицензия — CC-BY-NC 4.0.

Карточка модели pshahabinejad/qwen3-32b-emergent-plus-medical-mt-misaligned на Hugging Face совпадает с карточкой pshahabinejad/qwen3-32b-emergent-plus-medical-mt-misaligned-v3, поэтому описание составлено по ней. Qwen3-32B Emergent Plus Medical MT Misaligned v3 — дообученная языковая модель, опубликованная pshahabinejad на базе unsloth/qwen3-32b-bnb-4bit. Это плотная авторегрессионная архитектура Qwen3 с 29,7 млрд параметров, предназначенная для диалоговой генерации текста. Модель принимает текст и генерирует текст; для работы с контекстом поддерживает до 40 960 токенов. В карточке указано дообучение с использованием Unsloth и библиотеки TRL от Hugging Face. Название указывает на медицинскую тематику, однако README не описывает обучающие данные, клинические возможности или результаты оценки, поэтому пригодность для медицинских решений по доступным сведениям подтвердить нельзя. Модель лицензирована по Apache-2.0.

Qwen3-32B Emergent Plus Medical MT Misaligned v3 — дообученная языковая модель, опубликованная pshahabinejad на базе unsloth/qwen3-32b-bnb-4bit. Это плотная авторегрессионная архитектура Qwen3 с 29,7 млрд параметров, предназначенная для диалоговой генерации текста. Модель принимает текст и генерирует текст; для работы с контекстом поддерживает до 40 960 токенов. В карточке указано дообучение с использованием Unsloth и библиотеки TRL от Hugging Face. Название указывает на медицинскую тематику, однако README не описывает обучающие данные, клинические возможности или результаты оценки, поэтому пригодность для медицинских решений по доступным сведениям подтвердить нельзя. Модель лицензирована по Apache-2.0.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на основе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every, шаг 3, предназначен для генерации текста в диалоговом формате; название и этап обучения указывают на эксперимент с онлайн-рубриками для медицинской тематики. Модель принимает текст и выдаёт текст, а её контекстное окно составляет до 262 144 токенов. Модель распространяется в формате BF16 для инференса; в репозитории также сохранены файлы исходного veRL-чекпойнта с параметрами модели. README ограничивает использование исследовательскими целями. Лицензия Apache-2.0.

Это плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, полученная дообучением Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every, шаг 41, выпущен HYU-NLP-EVAL и предназначен для генерации текста в медицинском сценарии OnlineRubrics. Модель поддерживает диалоговый режим и принимает контекст длиной до 262 144 токенов. Карточка указывает, что корневой каталог содержит BF16-версию для инференса, а original_checkpoint — файлы параметров исходного veRL-чекпойнта. Модель распространяется по лицензии Apache-2.0. README обозначает её как предназначенную для исследовательского использования; сведения о конкретных медицинских задачах и оценках качества не приведены.

HYU-NLP-EVAL разработала плотный чекпойнт Qwen3-4B-RaR-Medicine-OnlineRubrics-Every для генерации текста. Это шаг 49 запуска обучения phase1-online-rubrics-medicine-full-dense-20260919-seed11; в корне репозитория размещена модель BF16 для инференса, а в original_checkpoint — исходные параметры veRL. Модель дообучена на основе Qwen/Qwen3-4B-Instruct-2507 и предназначена для медицинского сценария, связанного с OnlineRubrics. Чекпойнт содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 262 144 токенов. Метаданные указывают на диалоговую возможность и задачу text-generation. Репозиторий распространяется по лицензии Apache-2.0; README отмечает исследовательское использование.

Thai GPT-2 Fine-Tuned — генеративная языковая модель на базе архитектуры GPT-2, дообученная студентом Sahawit для вопросов и ответов на тайском языке по тематике заболеваний. Модель обучалась на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о болезнях. Модель предназначена для генерации ответов на тайском языке в сценариях, связанных с медицинскими вопросами общего характера, и может использоваться как основа для прототипов систем вопросов и ответов. Она поддерживает задачу text-generation, имеет контекстное окно 1 024 токена и рассчитана на тайский язык. Сильной стороной модели является специализация на тайскоязычных вопросах о заболеваниях и компактная архитектура GPT-2. В README отсутствуют сведения о размере модели, процедуре обучения, результатах оценки, ограничениях безопасности и разработчике, кроме указания Sahawit как автора дообучения. Ответы могут быть неточными или неполными, поэтому модель не следует использовать для постановки диагноза или назначения лечения без проверки специалистом. Модель распространяется по лицензии MIT.

CLIN-X-ES — языковая модель для клинических текстов, разработанная Lukas Lange, Heike Adel, Jannik Strötgen и Dietrich Klakow в рамках исследовательской работы. Это предобученная модель семейства XLM-RoBERTa с архитектурой XLMRobertaForMaskedLM и 658,7 млн параметров; она принимает текст и предсказывает скрытые токены, что соответствует задаче fill-mask. Контекст модели — до 514 токенов. Модель предназначена для адаптации к извлечению клинических понятий из испанских текстов. В статье также показан перенос на англоязычные задачи извлечения понятий. README приводит результаты для задач разметки последовательностей, но сама модель из репозитория имеет тег fill-mask и не является готовой системой NER: для извлечения сущностей нужна дополнительная архитектура и соответствующая настройка. Проект обозначен авторами как исследовательский прототип, созданный для публикации и не поддерживаемый далее. Лицензия в предоставленных данных не указана.

ianpan разработал модель для оценки костного возраста по рентгенограммам кисти у детей. Это дообученный на базе timm/convnextv2_tiny.fcmae_ft_in22k_in1k трёхфолдовый ансамбль ConvNeXtV2-Tiny; доступны также отдельные модели каждого фолда. Модель выдаёт оценку возраста в месяцах, полученную из вероятностей классификационной головы и индексов классов. Для предсказания учитывается пол пациента через аргумент female. Модель обучена и проверена на 14 036 детских рентгенограммах кисти из открытого набора RSNA Pediatric Bone Age Challenge. На тестовом наборе соревнования из 200 снимков автор сообщает среднюю абсолютную ошибку 4,16 месяца при обрезке снимка и сопоставлении его гистограммы с эталонным изображением. Для загрузки используется Transformers с trust_remote_code=True; поддерживается чтение DICOM при установленном pydicom. Лицензия — Apache-2.0. Модель предназначена для демонстрационных и исследовательских сценариев оценки костного возраста. Она не одобрена для клинического применения; точность зависит от качества и подготовки снимка, а также от корректной передачи пола пациента. Оценка на одном тестовом наборе не гарантирует аналогичного качества на других данных.

CONCH (CONtrastive learning from Captions for Histopathology) — мультимодальная модель-энкодер для вычислительной патологии, разработанная Mahmood Lab AI for Pathology при Harvard/BWH. Она обучена на 1,17 млн пар изображений гистопатологических образцов и текстовых описаний. Архитектура включает визуальный энкодер ViT-B/16 на 90 млн параметров и текстовый энкодер L12-E768-H12 на 110 млн параметров. Модель предназначена для получения представлений изображений тканей и связанных с патологией текстов. Её используют для классификации областей интереса и whole-slide images, поиска соответствий между изображениями и текстом, а также для задач классификации с линейным или kNN-пробированием, дообучением и MIL. По карточке, CONCH может быть полезна для работы с окрашиваниями, отличными от H&E, включая IHC и специальные окрашивания. Публичная версия сохраняет веса текстового и визуального энкодеров, но веса мультимодального декодера удалены; поэтому генерация подписей недоступна в опубликованном наборе весов. Модель ориентирована на исследовательское применение в патологии. Лицензия CC-BY-NC-ND-4.0, доступ к весам требует принятия условий и одобрения запроса.

DermoGPT-RL — мультимодальная модель для дерматологии и дерматоскопии на архитектуре Qwen3-VL, представленная как объединённый чекпойнт Transformers и оптимизированная для следования инструкциям и рассуждений в этой области. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; основной язык — английский. В репозитории находятся веса float16 в формате safetensors, объём репозитория составляет около 17 ГБ. Модель предназначена для исследовательского понимания дерматологических изображений, описания морфологии поражений, ответов на медицинские вопросы по изображениям и оценки на задачах типа DermoGPT/DermoBench. Карточка не сообщает длину контекста или число параметров. Лицензия — CC BY-NC 4.0. Выводы могут быть ошибочными, неполными или чрезмерно уверенными; качество может различаться в зависимости от тона кожи, устройства и условий съёмки, а также категории заболевания. Модель не предназначена для клинического применения, автономной диагностики, сортировки пациентов, рекомендаций по лечению или прямых медицинских советов пациентам; результаты требуют независимой проверки и медицинского надзора.

Meditron-3 Gemma2 9B — медицинская языковая модель, разработанная инициативой OpenMeditron на основе Google Gemma 2 9B Instruct. Это плотный авторегрессионный трансформер с 9 млрд параметров, дообученный на экспертно отобранных клинических рекомендациях, медицинских публикациях, синтетических примерах дифференциальной диагностики и других данных. Модель принимает и генерирует текст, ориентирована главным образом на английский язык и поддерживает контекст до 8192 токенов. Модель предназначена для исследовательской оценки языковых моделей в медицинских сценариях: например, для изучения ответов на медицинские вопросы и предоставления справочной информации на основе клинических данных, в том числе в условиях ограниченных ресурсов. Карточка описывает её как базовую модель без дополнительной настройки под конкретные прикладные задачи. Результаты оценки на тестах с вопросами с выбором ответа не гарантируют надёжности в реальной клинической практике. Модель не валидирована для медицинского применения и не предназначена для диагностики, лечения или принятия клинических решений; её ответы не заменяют оценку специалиста. Распространяется по лицензии Gemma.

Minbyul/meditron-7b-wo-medication_qa-sft — дообученная языковая модель на архитектуре Llama, созданная на базе epfl-llm/meditron-7b. Модель содержит 6,6 млрд параметров и рассчитана на генерацию текста с контекстом до 2048 токенов. Чекпойнт дообучен на наборе HuggingFaceH4/deita-10k-v0-sft. Его можно применять для исследовательских экспериментов с генерацией ответов и диалоговых текстов; базовая Meditron-7B ориентирована на медицинские вопросы. README сообщает значение loss 1,3274 на наборе оценки, но не раскрывает подробностей методики или назначения этого варианта. Модель распространяется по лицензии Llama 2. README не содержит сведений о специальных ограничениях применения или подтверждённых сценариях для этой версии.

MelloGPT — дообученная модель steve-cse на базе Mistral-7B-Instruct-v0.1 для генерации ответов в диалогах о психологическом здоровье. Модель обучена на наборе Counsel Chat с обезличенными беседами о консультировании и предназначена для поддерживающих разговорных ответов на вопросы и переживания, связанные с психическим здоровьем. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст; шаблон запроса использует формат [INST] … [/INST]. Репозиторий содержит веса PyTorch, модель распространяется по лицензии MIT. Автор описывает работу как первую попытку дообучения большой языковой модели. Ответы не заменяют профессиональную помощь: модель может давать неточные или неподходящие рекомендации и не предназначена для персонализированной клинической оценки.

PathologyBERT — англоязычная модель на архитектуре BERT, разработанная для работы с текстами патоморфологических заключений. Это предварительно обученная masked language model, обученная на гистопатологических отчётах; специализированная лексика и токенизация ориентированы на патологию молочной железы. Модель содержит 123,2 млн параметров, принимает текст с контекстом до 512 токенов и предсказывает замаскированные слова или фрагменты текста. Модель предназначена для исследовательской работы с патоморфологическими отчётами и может служить основой для классификации таких заключений, включая иерархическую классификацию отчётов о патологии молочной железы. Она не является готовой системой диагностики: карточка описывает языковую модель и отдельно упоминает классификационную систему на её основе. Лицензия в предоставленных данных не указана.

anwesh/phi-3-mini-hospital-topic-50 — дообученная anwesh разговорная языковая модель на базе unsloth/Phi-3-mini-4k-instruct-bnb-4bit. Она предназначена для генерации текста и диалога; название модели указывает на тематику больниц, однако README не раскрывает конкретные задачи обучения или специализацию. Модель содержит 3,7 млрд параметров, принимает текст и генерирует текст, использует архитектуру MistralForCausalLM и контекст до 4096 токенов. В карточке указаны английский язык и лицензия Apache 2.0. README сообщает об использовании Unsloth и TRL для ускорения обучения.

Amritemperor123/PoC-demo — англоязычная модель генерации текста на базе Llama 3, дообученная разработчиком Amritemperor123 с помощью LoRA и Unsloth на наборах данных Kaggle о заболеваниях и их лечении. Автор сообщает примерно о миллионе строк данных, но не помнит точный набор; медицинские базы MIMIC-IV и MIMIC-V в обучении не использовались. Модель предназначена для генерации ответов на вопросы о здоровье и медицинских темах. Модель содержит 7,5 млрд параметров, имеет плотную архитектуру LlamaForCausalLM и контекст длиной до 8192 токенов. Репозиторий содержит веса Safetensors и GGUF в формате F16. Лицензия — Apache-2.0. Данные для дообучения описаны автором как простые наборы о болезнях и методах лечения, без подробного перечня источников и описания контроля качества. Поэтому ответы могут быть неполными или недостоверными и не должны заменять консультацию медицинского специалиста.