IV.4Клиническая медицина и общественное здоровье

Карточка модели FreedomIntelligence/DiagnosisGPT-34B на Hugging Face совпадает с карточкой FreedomIntelligence/DiagnosisGPT-6B, поэтому описание составлено по ней. DiagnosisGPT-6B — языковая модель команды FreedomIntelligence для генерации текста. По названию она ориентирована на диалог по вопросам диагностики, однако карточка не содержит описания сценариев применения или подтверждения медицинских возможностей. Модель построена на архитектуре Llama и насчитывает 5,8 млрд параметров; для неё указано контекстное окно до 4096 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Указанная лицензия Apache-2.0. Модель может быть полезна как исследовательская основа для ответов на вопросы о здоровье, но её медицинские рекомендации требуют независимой проверки; доступные сведения не подтверждают точность, клиническую валидацию или безопасность применения для диагностики.

vibhorag101/llama-2-7b-chat-hf-phr_mental_therapy — дообученная Vibhorag101 чат-модель семейства Llama 2, созданная на основе llama-2-7b-chat-hf с использованием терапевтического датасета. Она предназначена для поддерживающего общения и базовых ответов на темы психического здоровья, пока пользователь не обратится за профессиональной помощью. Модель выдаёт текст и настроена на жизнерадостный, ободряющий стиль общения. Модель имеет плотную авторегрессионную архитектуру LlamaForCausalLM с 6,6 млрд параметров и контекстом до 4096 токенов. В карточке указаны английский язык и датасеты vibhorag101/phr_mental_therapy_dataset и jerryjalapeno/nart-100k-synthetic. Репозиторий распространяется под лицензией MIT. Карточка приводит результаты Open LLM Leaderboard, но не уточняет протоколы их воспроизведения.

PubMed-Ophtha CLIP ViT-B-16 — модель зрения и языка для офтальмологических изображений, созданная авторами исследования «Scientific Domain Knowledge Improves Vision-Language Fundus Models» и дообученная на наборе PubMed-Ophtha. Она сопоставляет изображения с текстовыми описаниями и предназначена для классификации без дополнительных примеров, поиска и исследования представлений изображений глазного дна и других офтальмологических снимков. Визуальный кодировщик — ViT-B/16 с размером изображения 224×224 пикселя; текстовый кодировщик — 12-слойный трансформер OpenCLIP с контекстом 77 токенов. Размерность совместного эмбеддинга — 512. Модель инициализирована весами OpenAI CLIP и дообучена на 96 916 парах изображений и подписей. В README приведены результаты оценки на 110 клинических задачах из шести наборов изображений глазного дна, но этот чекпойнт не является чекпойнтом, использованным для чисел в статье. Модель ориентирована на исследовательские задачи в офтальмологии; авторы сообщают о более высоких результатах по сравнению с рядом CLIP-бейзлайнов на описанном бенчмарке. Она не валидирована для диагностики и не предназначена для принятия клинических решений или ухода за пациентами. Лицензия — MIT.

Карточка модели kelsbeans/qwen3-1.7b-digestive-coach-n957 на Hugging Face совпадает с карточкой kelsbeans/qwen3-1.7b-digestive-coach-n275, поэтому описание составлено по ней. kelsbeans дообучил модель Qwen3 с 1,7 млрд параметров на базе unsloth/qwen3-1.7b-unsloth-bnb-4bit. Она предназначена для генерации текста в диалоговом формате; название модели указывает на специализацию в роли консультанта по пищеварению, однако карточка не описывает обучающие данные или конкретные медицинские возможности. Модель принимает текст и может использоваться в сценариях общения с пользователем. Модель основана на плотной архитектуре Qwen3ForCausalLM, поддерживает контекст до 40 960 токенов и английский язык. В метаданных также заявлен интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. README сообщает, что при дообучении использовались Unsloth и библиотека TRL.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every, шаг 17, предназначен для инференса; в репозитории также сохранены исходные файлы чекпойнта veRL. Модель принимает текст и генерирует текст. Карточка связывает её с медицинскими онлайн-рубриками, но не описывает конкретные сценарии, наборы данных или подтверждённые результаты. Базовая модель поддерживает контекст до 262 144 токенов; это значение указано для семейства в метаданных. Репозиторий распространяется по лицензии Apache-2.0. README помечает модель как предназначенную только для исследовательского использования; качество и ограничения на медицинских задачах в карточке не раскрыты.

Это плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, полученная дообучением Qwen/Qwen3-4B-Instruct-2507. Чекпойнт соответствует шагу 50 эксперимента RaR-Medicine OnlineRubrics-Every dense; в репозитории также сохранены исходные файлы чекпойнта veRL. Модель предназначена для генерации текста в диалоговом формате и работы с медицинскими онлайн-рубриками. Модель принимает текст и генерирует текст; для инференса предоставлены веса BF16 в формате safetensors. Контекстное окно — до 262 144 токенов. Репозиторий помечен как предназначенный только для исследовательского использования и распространяется по лицензии Apache-2.0. Поскольку это ранний чекпойнт на шаге 50, его пригодность для практического применения может быть ограничена.

Модель gianlab/swin-tiny-patch4-window7-224-finetuned-skin-cancer — дообученная Gianlab версия Swin-Tiny от Microsoft для классификации фотографий кожных образований. Она основана на архитектуре Swin Transformer и содержит около 33 млн параметров. Принимает изображения и относит их к одному из семи классов: актинический кератоз, базальноклеточная карцинома, доброкачественные кератозоподобные образования, дерматофиброма, меланоцитарные невусы, меланома или сосудистые поражения. Модель предназначена для экспериментальной автоматической классификации изображений кожных поражений. В карточке приведены результаты на оценочном наборе: точность 72,75% и loss 0,7695. Эти показатели не подтверждают пригодность для медицинской диагностики: модель может ошибаться, а данных о составе и репрезентативности обучающей и оценочной выборок недостаточно. Репозиторий распространяется по лицензии Apache-2.0.

CT Head Hemorrhage Detection — исследовательская система для выявления внутричерепных кровоизлияний на бесконтрастной КТ головы, разработчик — ianpan. Она включает классификатор с энкодером MaxViT-Tiny, двухслойную двунаправленную GRU для учёта последовательности срезов и пять декодеров DeepLabV3+ для качественной локализации подозрительных областей. Классификатор выдаёт оценки для эпидурального, внутрипаренхиматозного, внутрижелудочкового, субарахноидального и субдурального кровоизлияний, а также общего класса «любое кровоизлияние». Модель принимает три соседних аксиальных среза, подготовленных в трёх КТ-окнах, с размером 512 × 512; серия обрабатывается с учётом контекста между срезами. Обучение классификатора проводилось на наборе RSNA Intracranial Hemorrhage Detection с разделением по пациентам. Локализационная карта предназначена для визуальной поддержки и не измеряет объём кровоизлияния. Репозиторий распространяется по лицензии MIT. Модель предназначена для исследовательских экспериментов по классификации срезов и серий КТ и качественной локализации предполагаемых кровоизлияний. Она не является медицинским изделием и не прошла независимую клиническую валидацию. Результаты получены на одном публичном наборе данных; оценки не калиброваны, клинические пороги не выбраны, а работа с контрастными исследованиями, другими форматами реконструкции, тяжёлыми артефактами и рядом других случаев не подтверждена.

Eficlat50-BotMed-v1 — сверточная модель классификации изображений, разработанная Bindupautra Jyotibrat, Avinash Kushwaha и Rana Talukdar. Это дообученная методом transfer learning EfficientNetB0, предварительно обученная на ImageNet и адаптированная для классификации МРТ головного мозга по четырём категориям: глиома, менингиома, отсутствие опухоли и опухоль гипофиза. Модель принимает изображения МРТ и выдаёт класс из этого набора; для языковых задач она не предназначена. В README сообщается о точности 91% на тестовом наборе из 1600 изображений. Наиболее слабое различение — между глиомой и менингиомой; показатели на этих классах уступают результатам для изображений без опухоли и с опухолью гипофиза. Модель не прошла независимую клиническую валидацию и не предназначена для постановки диагноза или выбора лечения. Она рассчитана на исследовательские и учебные демонстрации, а также на вспомогательную сортировку снимков при обязательной проверке специалистом. Обучение проводилось на наборе Brain Tumor MRI Dataset, объединяющем источники Figshare, SARTAJ и Br35H; возможны смещения и различия в качестве данных. Лицензия — GPL-3.0.

Cas-Warehouse выпустила объединённую методом Model Stock языковую модель на архитектуре Llama 3. В слияние вошли модели для психотерапевтического и психиатрического диалога, а базовой моделью указана Casual-Autopsy/Llama-3-SOVL-MopeyMule-Blackroot-8B. Модель содержит 7,5 млрд параметров, рассчитана на диалог и генерирует текст; она работает с контекстом до 8192 токенов через библиотеку Transformers. Модель предназначена для генерации ответов в диалогах на темы психотерапии и психиатрии, например для демонстраций или экспериментов с разговорными ассистентами. Карточка не описывает проверку качества, языковую поддержку или ограничения клинического применения. Лицензия в предоставленных данных не указана.

Marmoka-es — испаноязычная клиническая языковая модель семейства Marmoka, разработанная Ane G. Domingo-Aldama, Iker De La Iglesia, Maitane Urruela, Aitziber Atutxa и Ander Barrena. Модель основана на Llama 3.1 8B Instruct и адаптирована к медицинской тематике с помощью продолжительного доменного предобучения на испанских медицинских корпусах в сочетании с общими инструкциями. Это плотная модель на 7,5 млрд параметров с контекстом до 131 072 токенов; она принимает и генерирует текст, поддерживает диалоговый формат и интерфейс вызова инструментов. Модель предназначена для генерации текста и ответов на клинические вопросы на испанском языке, в частности для исследовательской оценки медицинских LLM. В README указано преимущество над исходной Llama 3.1 8B Instruct и Llama3.1-Aloe-Beta-8B в тестах с клиническими вопросами с выбором ответа на испанском языке. Лицензия — Apache-2.0. Оценка проводилась на коротких вопросах с автоматическими метриками, без экспертной клинической проверки, поэтому она не подтверждает надёжность медицинских рассуждений. Следование инструкциям и строгое форматирование могут давать сбои, особенно в многошаговых задачах; возможны языковые, демографические и выборочные смещения. Модель предназначена для исследований, не одобрена для клинического применения и не должна использоваться для диагностики или выбора лечения; результаты требуют проверки медицинским специалистом.

Модель BenoitJT-GIRARD/qwen3-1.7b-chsa-triage разработана для прототипа медицинской сортировки пациентов в отделении неотложной помощи. Это плотная причинно-языковая модель Qwen3 с 1,7 млрд параметров на базе Qwen/Qwen3-1.7B-Base, дообученная с LoRA и выравненная методом DPO; адаптеры объединены с весами. Модель принимает описание пациента на французском или английском языках и формирует ответ на французском с уровнем срочности, обоснованием и рекомендацией. Предусмотрены три уровня приоритета, связанные со шкалой FRENCH от сортировки 1–2 до 5. Контекст модели — до 32 768 токенов. Это учебный прототип поддержки решений для медицинского персонала, только под обязательным человеческим контролем. Разработчик прямо запрещает применение в реальных клинических ситуациях. В оценке на 60 вручную составленных случаях точность уровня сортировки составила 70%, а доля недооценки срочности среди неотложных случаев — 27,5%. Данные преимущественно синтетические, клинический каталог не проверен врачом неотложной помощи, а небольшой набор оценки не позволяет делать надёжные выводы о качестве. Лицензия — MIT.

RetinalAI compact narrator — компактная языковая модель для генерации свободного клинического текста по результатам скрининга сетчатки. Это дообученная версия HuggingFaceTB/SmolLM2-135M-Instruct с архитектурой LlamaForCausalLM и 106,7 млн параметров. Модель принимает текст и выдаёт повествовательное описание; структурированное решение о триаже формируется отдельной линейной моделью. Контекст — до 8192 токенов, основной язык карточки — английский. Словарь сокращён с 49 152 до 920 токенов; для работы необходима предусмотренная авторами перекодировка идентификаторов токенов через код OptiscanAI, иначе обычный вызов AutoModelForCausalLM даст некорректный результат. В небольшой оценке на 24 случаях генерация в bf16 была успешной, однако это не подтверждает клиническую надёжность. Модель создана как исследовательский артефакт, не является медицинским устройством и не предназначена для клинического применения; лицензия — Apache-2.0.

Модель lukasdrg/clinical_longformer_same_tokens_1epochs — дообученная версия клинической Longformer-модели lukasdrg/clinical_longformer_same_tokens_240k для предсказания замаскированных токенов. Она содержит 151,8 млн параметров, использует архитектуру LongformerForMaskedLM и принимает последовательности длиной до 4098 токенов. Модель подходит для восстановления пропущенных токенов в клиническом тексте и связанных экспериментов с языковым моделированием. В README указано значение loss 1,8395 на оценочном наборе, однако описание данных, методики обучения и предполагаемых ограничений отсутствует. Лицензия и поддерживаемые естественные языки в предоставленных источниках не указаны.

aryaadhi/medicaltext-ds — модель генерации текста на архитектуре GPT-2, дообученная разработчиком на неизвестном наборе данных. Карточка связывает её с базовой моделью gpt2 и указывает формат safetensors. Модель предназначена для генерации текста; название предполагает медицинскую тематику, однако README не подтверждает конкретные сценарии применения или качество в медицинских задачах. Контекст модели составляет 1024 токена. Репозиторий опубликован под лицензией MIT.

Carl — модель диалогового ИИ-терапевта, разработанная ajibawa-2023. Она предназначена для поддерживающей беседы и ответов на вопросы людей, испытывающих стресс; автор описывает её как эксперимент по ранней профилактической поддержке. Модель основана на Llama-1 от Meta и дообучена на более чем 100 000 синтетических наборов диалогов, содержащих беседы между Carl и клиентом. Это плотная авторегрессионная модель семейства Llama с 32,3 млрд параметров, контекстом 2048 токенов и форматом PyTorch; в карточке указан английский язык. Модель может поддержать разговор и помочь пользователю успокоиться, но не заменяет врача или профессионального психотерапевта. Её обучение основано на синтетических данных, а автор отдельно обозначает работу как исследовательский эксперимент. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных работ.

Эта модель — дообученная версия Mistral-7B-Instruct-v0.3, разработанная для генерации апелляций по вопросам медицинского страхования. По README, её обучали на синтетическом наборе апелляций; модель предназначена для использования в веб-приложении Fight Health Insurance. Это плотная языковая модель Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст; метаданные указывают поддержку диалогового режима. README приводит значение loss 0,7984 на оценочном наборе, но не описывает методику оценки. Модель может помочь составить черновик апелляции, однако качество и надёжность результатов не установлены: README обозначает работу как раннюю и не раскрывает подробности обучающих и оценочных данных. Лицензия — Apache-2.0.

MAIRA-2 — мультимодальная модель Microsoft Research Health Futures для генерации описаний рентгенограмм грудной клетки и привязки находок к изображениям. Архитектура сочетает замороженный визуальный энкодер RAD-DINO-MAIRA-2, обученный с нуля проекционный слой и полностью дообученную языковую модель Vicuna-7B-v1.5. Модель принимает фронтальную рентгенограмму, а также может использовать боковую проекцию, предыдущий снимок и заключение, показание к исследованию или сведения о технике исследования. Она генерирует раздел «Находки» на английском языке: обычным текстом или с ограничивающими рамками на снимке; также умеет локализовать находку по заданной фразе. Модель рассчитана на исследовательские эксперименты с рентгенограммами грудной клетки взрослых и не предназначена для клинической практики. Она не проверена достаточно тщательно на точность и надёжность в реальных условиях, может пропускать или выдумывать находки и хуже работать при изменении инструкций. Обучение на данных из США и Испании ограничивает переносимость между системами здравоохранения и популяциями. Распространяется по лицензии MSRLA.

TinyLlama-Real-PsychiatryCaseNotes-epochs-1-lr-0002_Train_On_Input — дообученная автором joseagmz компактная причинно-следственная языковая модель семейства LLaMA для генерации текста. Она основана на TinyLlama/TinyLlama-1.1B-intermediate-step-1431k-3T и содержит около 1 млрд параметров; контекст — до 2048 токенов. Название указывает на настройку для генерации заметок по психиатрическим случаям, однако README не описывает конкретные сценарии или обучающие данные; набор данных в карточке обозначен как None. В оценке указан loss 2.3518, без дополнительных сведений о методике оценки. Модель принимает текст и генерирует текст. Файлы представлены в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не описывает клиническую надёжность или ограничения применения, поэтому качество для медицинского использования по имеющимся данным оценить нельзя.

Модель Lightweight 2.5D pulmonary nodule detection on LUNA16 — исследовательский детектор узлов лёгких на КТ, опубликованный как эталонная реализация исследования на датасете LUNA16. Она использует архитектуру YOLO из библиотеки Ultralytics и объединяет три соседних аксиальных среза в каналы входного изображения, чтобы учитывать контекст между срезами. Данные приводятся к диапазону −1000…400 HU и масштабу 8 бит; для репозитория приведены веса по десяти официальным фолдам LUNA16. Модель предназначена для локализации кандидатов в лёгочные узлы на КТ. В исследовании соседние срезы 2.5D дали более высокий результат, чем центральный 2D-срез или тонкослойная проекция MIP, при оценке по всему объёму снимков. Это кандидатный детектор: он не определяет злокачественность. Модель обучена и оценена только на когорте LUNA16 / LIDC-IDRI и не проверена на внешних центрах, других протоколах сканирования или популяциях, поэтому клинические решения на её основе принимать нельзя. Модель распространяется по лицензии CC BY 4.0. Для воспроизведения результатов и использования весов требуются совместимые данные и процедура обработки КТ, описанные в репозитории.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная на базе Qwen/Qwen3-4B-Instruct-2507. Репозиторий содержит контрольную точку шага 10 в формате BF16 для инференса; также включены файлы исходной контрольной точки veRL с параметрами модели. Модель предназначена для генерации текста в диалоговом формате. В названии и описании контрольной точки указана медицинская тематика и статический эксперимент R0, однако README не уточняет состав обучения и конкретные медицинские задачи. Модель поддерживает контекст до 262 144 токенов; метаданные указывают библиотеку Transformers и возможность чата. Лицензия — Apache-2.0. Это ранняя экспериментальная контрольная точка на шаге 10, поэтому качество и надёжность ответов, в том числе медицинских, по карточке не подтверждены; не следует считать её проверенной для клинического применения.

Speculor-2.7B — разговорная языковая модель для поддерживающих бесед и общей информации о психическом здоровье, созданная автором antiven0m. Это дообученная версия Phi-2 на открытых наборах вопросов и ответов о консультировании, синтетических беседах о психическом здоровье, общих инструкциях и данных для персонификации. Модель использует архитектуру Phi для генерации текста, содержит 3,5 млрд параметров и рассчитана на контекст до 2048 токенов; в карточке указан английский язык. Весы опубликованы в формате Safetensors, лицензия — MIT. Модель предназначена для низкопороговых разговоров, которые могут помочь пользователю сформулировать переживания перед обращением к специалисту, а также для изучения общих перспектив и поддержки сценариев предварительной проверки разговоров на признаки кризисных ситуаций. Автор предлагает использовать её как дополнение к человеческой поддержке, а не вместо неё. Карточка заявляет о возможности запуска на широком спектре оборудования без GPU. Модель не обладает клинической подготовкой, не предназначена для диагностики, лечения, составления планов лечения или кризисного вмешательства. Она может упускать контекст и давать неполные или неподходящие ответы; серьёзные проблемы требуют обращения к квалифицированному специалисту. Сам запуск модели не сохраняет и не передаёт данные, однако интерфейс взаимодействия может локально хранить журналы бесед.

BaichuanMed-OCR-72B — мультимодальная модель компании Baichuan, дообученная на основе Qwen/Qwen2.5-VL-72B-Instruct на наборах изображений медицинских отчётов и связанных с ними вопросах и ответах. Она предназначена для распознавания текста на изображениях медицинских документов, извлечения ключевых сведений и ответов на вопросы по их содержимому; результаты можно выдавать в структурированном Markdown. Модель использует архитектуру Qwen2.5-VL с 71,5 млрд параметров, принимает изображения и текстовые запросы и генерирует текст. В метаданных указаны языки en и zh и контекст до 128 000 токенов. В README приведено сравнение на закрытом медицинском наборе данных, но оно не позволяет оценить качество на других документах. Лицензия указана как other, поэтому условия её использования следует уточнить в карточке модели.

BaichuanMed-OCR-7B — мультимодальная модель компании Baichuan, дообученная на медицинских отчётах на основе Qwen/Qwen2.5-VL-7B-Instruct. Она принимает изображения медицинских документов и текстовые вопросы, распознаёт содержание отчёта и отвечает на вопросы по извлечённым данным; распознанную информацию может выдавать в структурированном Markdown. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. В опубликованном README приведён результат 83,5% на частном наборе медицинских отчётов; он не гарантирует такое же качество на других документах. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и у разработчика.

Norsk Helsenett разработала эту модель на базе google/embeddinggemma-300m, дообучив её на парах и триплетах медицинских текстов. Это Sentence Transformer с архитектурой Gemma 3 Text и 302,8 млн параметров: он преобразует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их с помощью косинусного сходства. Максимальная длина входа — 2048 токенов. Модель предназначена для семантического поиска и сопоставления текстов, в том числе поиска по медицинским документам, поиска перефразировок, классификации и кластеризации. В README приведены результаты оценки на тестовых наборах TripletEvaluator и InformationRetrievalEvaluator; они не гарантируют аналогичного качества на других данных. В метаданных указана библиотека sentence-transformers и формат safetensors. Сведения о лицензии отсутствуют в предоставленных источниках.

OpenMed-NER-PathologyDetect-BioPatient-108M — модель OpenMed для распознавания названий заболеваний в биомедицинских текстах. Это дообученный трансформер с архитектурой BERT для классификации токенов; модель содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Она выделяет сущности заболеваний тегами BIO: B-Disease и I-Disease. Модель предназначена для извлечения упоминаний заболеваний из клинических записей, медицинских документов и научных публикаций. В README указано, что она обучена на корпусе NCBI Disease и приведены метрики на этом наборе: F1 0,88, точность 0,87 и полнота 0,89. Практические сценарии включают поиск заболеваний в медицинских текстах и подготовку данных для биомедицинского анализа. Модель обрабатывает английский текст и распространяется под лицензией Apache-2.0. Результаты относятся к распознаванию сущностей заболеваний; README также упоминает другие сценарии, например анализ лекарственных взаимодействий, но не приводит для них отдельной оценки. Контекст ограничен 512 токенами, а качество на текстах и наборах данных, отличных от NCBI Disease, может отличаться.

TrialSpace-1225 — модель Sentence Transformer от ksg-dfci, предназначенная для сопоставления описаний пациентов с описаниями целевых популяций клинических исследований и быстрого поиска подходящих исследований. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; архитектура состоит из трансформера на базе Qwen3 с пуллингом последнего токена и нормализацией. Для сравнения векторов используется косинусное сходство. Модель обучена на наборах mnri_dataset и contrastive_dataset. Подходит для семантического поиска, ранжирования похожих описаний, поиска клинических исследований для пациента и обратного поиска пациентов по параметрам исследования. Метаданные указывают 507,6 млн параметров и максимальный контекст 32768 токенов; в README заявлена максимальная длина последовательности 2500 токенов, поэтому при использовании следует учитывать лимит конфигурации Sentence Transformers. Лицензия в предоставленных данных не указана.

Baichuan-M1-14B-Base — базовая большая языковая модель, разработанная Baichuan Intelligence с нуля для медицинских и общих языковых задач. Это плотная авторегрессионная модель семейства Baichuan M1 с 13,7 млрд параметров и контекстом до 32 768 токенов. По данным разработчика, обучение проводилось на 20 трлн токенов медицинских и общих данных; отдельно заявлена специализация более чем на 20 медицинских направлениях. Модель предназначена для генерации текста, языкового моделирования и использования как основа для медицинских и общих приложений, включая дальнейшую настройку под диалог и инструкции. В архитектуре применяются короткие свёртки для обработки ключей и значений, скользящее оконное внимание в части слоёв и изменения позиционного кодирования для работы с длинным контекстом. Карточка указывает китайский и английский языки; обучение также включало данные на 30 других языках, но их перечень не приведён. Разработчик сообщает о сильных результатах в медицинских сценариях и сопоставимой с моделями аналогичного размера общей производительности. Это утверждения карточки модели, а не независимая оценка; медицинские ответы требуют проверки специалистом и модель не заменяет клиническое решение. Репозиторий содержит веса в формате Safetensors. Условия лицензии в предоставленных данных не приведены.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для извлечения упоминаний заболеваний из англоязычных клинических текстов. Это дообученная DT4H/CardioBERTa.en модель RoBERTa для классификации токенов с 151,8 млн параметров и контекстом 514 токенов; она присваивает токенам BIO-метки O, B-DISEASE и I-DISEASE. Модель предназначена для распознавания заболеваний в клинических записях и документах электронных медицинских карт. На тестовых документах MultiClinNER для английского языка она получила строгий F1 0,6544 и символьный F1 0,7661. Для результатов, сопоставимых с оценкой авторов, при запуске следует воспроизводить предварительную токенизацию обучающих данных; для длинных документов авторы рекомендуют stride=128. В README отмечено, что смещения модели не оценивались, а результаты не следует рассматривать как клиническое заключение. Модель распространяется по лицензии CC BY 4.0.

HFpf/pubmedbert-bc5cdr-ner — модель распознавания именованных сущностей в биомедицинских текстах, созданная дообучением microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract на наборе BC5CDR. Она размечает упоминания химических веществ и заболеваний, например в клинических записях и научных текстах. Модель основана на BERT, содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. В карточке указан английский язык и лицензия не приведена.