IV.4Клиническая медицина и общественное здоровье

TurkSpeak lv3-ITU_Mainframe — модель распознавания турецкой речи, созданная на базе Whisper large-v3. Это дообученная LoRA-версия примерно на 905,2 млн параметров, после чего сохранённые контрольные точки усреднили методом MAST; усреднение не увеличивает затраты при инференсе. Репозиторий содержит веса в формате safetensors. Модель предназначена для транскрибации турецкой спонтанной, эфирной и медицинской речи. По результатам README, она показала меньшую ошибку распознавания, чем исходная Whisper large-v3, на четырёх указанных тестовых наборах; результаты измеряли через faster-whisper с beam size 5 и fp16. Эти результаты характеризуют только приведённые наборы и настройки. Лицензия — Apache-2.0.

FremyCompany/BioLORD-2023-M-Dutch-InContext-v1 — модель эмбеддингов на базе XLM-RoBERTa, разработанная Франсуа Реми, Крисом Демуйнком и Томасом Дестермером. Она преобразует фразы и предложения в плотные векторы размерности 768 для сравнения семантической близости, кластеризации и семантического поиска. Модель дообучена для биомедицинской области и особенно подходит для клинических записей и медицинских документов. Модель кодирует биомедицинские упоминания на нидерландском и английском языках, учитывая контекст упоминания. Для этого используется шаблон «упоминание [SEP] (context: пример текста с упоминанием и окружающим текстом)». Поддерживается также кодирование упоминаний без контекста, особенно на английском. В отличие от других моделей серии, для представления упоминания используется токен CLS. Размер модели — 305,2 млн параметров, длина контекста — 514 токенов. Лицензия указана как other; конкретные условия в доступных данных не описаны. Модель сохраняет способность строить эмбеддинги для текстов общего назначения, но ориентирована прежде всего на биомедицинские тексты.

Dqdung205/medical_vietnamese_embedding — модель Sentence Transformer, созданная разработчиком Dqdung205 дообучением Alibaba-NLP/gte-multilingual-base на наборе medical-vietnamese-qa. Она преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерности 768 для сравнения по косинусному сходству. Модель предназначена для поиска медицинских ответов и документов по смыслу, оценки сходства текстов, поиска перефразировок, кластеризации и классификации. Максимальная длина входа — 8192 токена. В README приведена оценка поиска на ViHealthQA; результаты относятся к указанному тестовому набору.

RsGoksel/RsGoksel_ITU_Mainframe-balanced-ct2 — турецкая модель автоматического распознавания речи, созданная RsGoksel на основе openai/whisper-large-v3-turbo с помощью LoRA fine-tuning. Репозиторий содержит сборку CTranslate2 в формате float16 для быстрого вывода через faster-whisper и WhisperX. Модель предназначена для транскрибирования турецкой речи в разных предметных областях, включая чистую и менее устойчивую к шуму речь, а также медицинские записи. В README рекомендуется задавать язык tr и отключать condition_on_previous_text; качество оценивается метрикой mean-per-utterance WER после нормализации турецкого текста. Модель принимает аудио и выдаёт текст. Лицензия — MIT. README не приводит количественных результатов WER или подробностей о размере и длине контекста.

BioLORD-2023-S — модель представления текста, разработанная FremyCompany для получения семантических эмбеддингов клинических предложений и биомедицинских понятий. Она основана на sentence-transformers/all-mpnet-base-v2 и дообучена на BioLORD-Dataset и определениях из Automatic Glossary of Clinical Terminology. Архитектура — MPNet, размер — 136,7 млн параметров; модель обрабатывает текстовые фразы, предложения и абзацы и выдаёт плотные векторы размерности 768. Максимальная длина контекста — 514 токенов. Модель предназначена для сравнения сходства медицинских текстов и понятий, семантического поиска и кластеризации. Определения и описания из биомедицинского графа знаний помогают связывать представления понятий с их смыслом и иерархическими отношениями в онтологиях. В README заявлены высокие результаты на MedSTS и EHR-Rel-B; эмбеддинги медицинских текстов и терминов совместимы в общем пространстве. Поддерживаемый язык карточки — английский. Модель опубликована в формате PyTorch. В метаданных указана лицензия «other», но её конкретные условия в предоставленных данных не раскрыты; перед использованием следует проверить лицензию на странице модели.

OpenMed-NER-DiseaseDetect-SuperClinical-141M — модель OpenMed для распознавания названий заболеваний в биомедицинском тексте. Она основана на архитектуре DeBERTa-v2 и дообучена для классификации токенов на наборе BC5CDR-Disease; в README указана базовая архитектура deberta-v3-small. Модель содержит 155 млн параметров, принимает токенизированный текст и возвращает BIO-разметку сущностей типов B-DISEASE и I-DISEASE. Контекст ограничен 512 токенами. Модель предназначена для извлечения заболеваний из медицинских записей и научных публикаций, а также для биомедицинского поиска и анализа литературы. README приводит для BC5CDR-Disease F1 0,89, точность 0,87 и полноту 0,92; эти показатели относятся к указанной в карточке оценке и не гарантируют качество на других данных. Указана лицензия Apache-2.0.

Карточка модели EdgeAIMed/EdgeAIMed-NER-DiseaseDetect-TinyMed-135M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-DiseaseDetect-TinyMed-135M, поэтому описание составлено по ней. OpenMed-NER-DiseaseDetect-TinyMed-135M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученный трансформер DistilBERT для token classification с архитектурой distilbert-base-multilingual-cased и контекстом до 512 токенов; модель выдаёт BIO-метки B-DISEASE и I-DISEASE для найденных сущностей. В README указаны данные BC5CDR-Disease и показатели на них: F1 0,88, точность 0,87 и полнота 0,89. Модель предназначена для извлечения названий заболеваний из медицинских записей и научных публикаций, а также для поиска по биомедицинской литературе и поддержки аналитики. Несмотря на многоязычную базовую архитектуру, карточка описывает обучение и оценку только на BC5CDR-Disease и указывает английский язык; перенос на другие языки и жанры медицинских текстов требует отдельной проверки. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-AnatomyDetect-ElectraMed-109M — специализированную модель распознавания анатомических сущностей в биомедицинских текстах. Это дообученный трансформер архитектуры BERT для классификации токенов; модель содержит 136,7 млн параметров и обрабатывает контекст до 512 токенов. Она выделяет названия анатомических структур и частей тела, возвращая разметку BIO с метками B-Anatomy и I-Anatomy. Модель предназначена для извлечения анатомических упоминаний из клинических записей, медицинской литературы и исследовательских документов. Её можно применять для поиска анатомической терминологии, анализа медицинских текстов и построения баз знаний. В README приведены показатели на наборе ANATOMY: F1 0,88, точность 0,88, полнота 0,89 и accuracy 0,97; эти результаты относятся к указанной оценке и не гарантируют такую же точность на других данных. Карточка указывает лицензию Apache-2.0.

OpenMed-NER-AnatomyDetect-SnowMed-568M — модель OpenMed для распознавания анатомических сущностей в биомедицинском тексте. Она размечает упоминания анатомических структур и частей тела тегами B-Anatomy и I-Anatomy, чтобы извлекать их из медицинских записей, научных публикаций и других медицинских документов. Модель построена на архитектуре XLM-RoBERTa и дообучена для классификации токенов; README указывает базовую архитектуру snowflake-arctic-embed-l-v2.0. Размер — 658,7 млн параметров, длина контекста — 8194 токена. Для оценки на корпусе ANATOMY в карточке приведены F1, precision и recall 0,90, accuracy 0,98. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей. В метаданных указан английский язык. Лицензия — Apache-2.0.

OpenMed-NER-PathologyDetect-SuperClinical-184M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученный трансформер DeBERTa V2 для разметки токенов: он присваивает словам метки B-Disease и I-Disease, формируя BIO-разметку. По карточке модель обучена на корпусе NCBI Disease и рассчитана на англоязычные клинические документы, медицинскую литературу и другие тексты о здоровье. Модель подходит для извлечения названий заболеваний из клинических записей и научных публикаций, а также для последующего анализа упоминаний в системах биомедицинского поиска и текстовой аналитики. В карточке указаны F1 0,89, точность 0,86, полнота 0,92 и accuracy 0,97 на NCBI Disease. Размер составляет 211,6 млн параметров, максимальная длина контекста — 512 токенов; веса доступны в формате safetensors и модель совместима с Transformers. Распознаются только сущности заболеваний; карточка не подтверждает извлечение лекарств, химических соединений или нормализацию сущностей в качестве выходной функции модели. Метрики относятся к указанному набору данных и не гарантируют качество на других типах клинических текстов. Лицензия — Apache-2.0.

ArogyaAI-BioBERT-BioLORD — модель Sentence Transformers, дообученная автором Aman0026 на FremyCompany/BioLORD-2023-M для поиска сходства между медицинскими фразами и клиническими понятиями. Она использует архитектуру XLM-RoBERTa с усреднением токенных представлений и преобразует текст в плотные векторы размерности 768; сходство оценивается косинусной функцией. Метаданные указывают контекст до 514 токенов, а карточка модели задаёт максимальную длину последовательности 64 токена. Модель предназначена для семантического поиска и извлечения подходящих клинических профилей по описаниям симптомов. В README приведён экспериментальный пример поиска по 73 заболеваниям на запросах на хинди, хинглише, маратхи, тамильском и гуджарати с использованием индекса FAISS; заявленные результаты относятся к этому конкретному тесту и не гарантируют точность медицинской диагностики. Обучение описано на 8 879 парах фраз, включая примеры на бенгали, хинди и английском. Лицензия в предоставленных данных не указана.

CURE-MED-1.5B-i1-GGUF — квантизированная версия языковой модели CURE-MED-1.5B, разработанной Aikyam-Lab и подготовленной в формате GGUF пользователем mradermacher. Модель ориентирована на медицинские и общие задачи генерации текста, рассуждений и применения в healthcare-сценариях, включая работу с многоязычными запросами. Модель содержит около 1,5 млрд параметров и распространяется в виде набора вариантов квантизации i1, включая IQ- и Q-форматы с размером файлов примерно от 0,5 до 1,4 ГБ. Поддерживаются амхарский, бенгальский, французский, хауса, хинди, японский, корейский, испанский, суахили, тайский, турецкий, вьетнамский и йоруба. Модальность — текстовая; сведения о размере контекстного окна и конкретной архитектуре в README не указаны. К сильным сторонам относятся небольшой размер, возможность локального запуска на ограниченных ресурсах, медицинская специализация и многоязычность. К ограничениям относятся зависимость качества от выбранного уровня квантизации: некоторые варианты отмечены как низкокачественные, тогда как i1-Q4_K_M и i1-Q4_K_S рекомендованы как быстрые или сбалансированные. Модель не следует использовать как единственный источник медицинских решений без проверки специалистом. Лицензия — Apache-2.0.

HunFlair2 NER — модель семейства Flair для распознавания именованных сущностей в тексте. Репозиторий предоставляет веса PyTorch и предназначен для применения через библиотеку Flair версии 0.14.0 или новее. Модель подходит для извлечения и разметки сущностей в текстах, в том числе в биомедицинских документах, согласно назначению HunFlair. Метаданные указывают задачу token-classification; карточка не содержит дополнительных сведений о поддерживаемых языках, размере модели, контексте или условиях лицензирования.

OpenMed разработала OpenMed-NER-ChemicalDetect-BioClinical-108M — специализированную модель распознавания химических сущностей в биомедицинских текстах. Это дообученная Bio_ClinicalBERT на архитектуре BERT с 135,5 млн параметров; модель принимает токенизированный текст и выдаёт BIO-разметку для сущностей B-CHEM и I-CHEM. Контекст ограничен 512 токенами. Модель предназначена для извлечения названий химических соединений и веществ из научной литературы, клинических записей и медицинских документов. Её можно применять для поиска лекарств в записях пациентов, мониторинга нежелательных явлений, анализа литературы в фармакологии и построения биомедицинских графов знаний. В README заявлены обучение на BC4CHEMD и F1, precision и recall по 0,94, accuracy 0,98; эти показатели относятся к описанной в карточке оценке и не гарантируют аналогичный результат на других данных. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-DiseaseDetect-BioClinical-108M — модель на базе Bio_ClinicalBERT, дообученную для распознавания названий заболеваний в биомедицинских текстах. Она выполняет разметку токенов тегами B-DISEASE и I-DISEASE и рассчитана на работу с клиническими записями, медицинскими документами и научными публикациями. Модель использует архитектуру BERT, содержит 135,5 млн параметров и принимает токенизированный текст; длина контекста составляет до 512 токенов. Модель обучена на наборе BC5CDR-Disease. В README заявлены F1 0,90, точность 0,89 и полнота 0,91; эти показатели относятся к описанной в карточке оценке и не гарантируют таких же результатов на других данных. Модель ориентирована на англоязычные биомедицинские тексты. Она может помогать извлекать упоминания заболеваний для поиска по медицинским записям, анализа литературы и биомедицинской разметки, но сама по себе не ставит диагноз и не заменяет клиническую проверку. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-DiseaseDetect-ModernClinical-149M — дообученную модель ModernBERT для распознавания упоминаний заболеваний в биомедицинских текстах. Она классифицирует токены по BIO-меткам B-DISEASE и I-DISEASE, чтобы находить границы названий заболеваний. Модель содержит 149 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. В карточке указана специализация на наборе BC5CDR-Disease с аннотациями заболеваний в аннотациях PubMed. Модель подходит для извлечения упоминаний заболеваний из научной литературы и клинических текстов, а также для последующего анализа медицинских документов. В README приведены F1 0,88, точность 0,87 и полнота 0,89 на BC5CDR-Disease. Модель распространяется в формате safetensors по лицензии Apache-2.0. Она размечает заболевания, а не ставит диагнозы; качество на текстах, отличающихся от обучающих данных, может быть ниже. Хотя README упоминает извлечение лекарств и химических соединений, перечисленные метки модели относятся только к заболеваниям.

OpenMed разработала OpenMed-NER-DiseaseDetect-ModernClinical-395M — дообученную модель ModernBERT для распознавания упоминаний заболеваний в биомедицинском тексте. Модель содержит 394,7 млн параметров, принимает токенизированный текст и размечает фрагменты тегами BIO: B-DISEASE и I-DISEASE. Контекст — до 8192 токенов. Модель предназначена для извлечения названий заболеваний из медицинских записей и научных публикаций, анализа клинического текста и биомедицинского поиска. Она обучена на наборе BC5CDR-Disease; в карточке указаны F1 0,88, точность 0,87 и полнота 0,90. Эти показатели относятся к указанному набору данных и не гарантируют аналогичного качества на других типах текста. Лицензия — Apache-2.0.

OpenMed/OpenMed-ZeroShot-NER-Pathology-XLarge-770M — англоязычная модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе NCBI Disease; в карточке указано 770 млн параметров. Модель принимает текст и возвращает найденные сущности с метками, прежде всего DISEASE. Zero-shot-интерфейс позволяет задавать типы сущностей при запросе, хотя основное обучение и оценка ориентированы на распознавание заболеваний. Модель предназначена для извлечения упоминаний болезней из научных аннотаций и клинических текстов, поиска когорт и построения медицинских графов знаний; результаты могут служить входом для последующей нормализации понятий в MeSH или OMIM. В README для тестовой части NCBI Disease приведён F1 около 0,887. Данные подтверждают применение для английского языка и текстовую классификацию токенов. Лицензия — Apache-2.0.

STM — дообученная модель на основе Qwen3-0.6B, предназначенная для поиска и сопоставления биомедицинских текстов. Разработчики объединили четыре специализированных эксперта методом Linear, чтобы получить плотный ретривер для биомедицинского поиска. Модель содержит 507,9 млн параметров, построена на архитектуре Qwen3 и рассчитана на контекст до 40 960 токенов. Она принимает текст и предназначена для получения векторных представлений и оценки сходства предложений. Выпущена под лицензией Apache-2.0.

BMRetriever-410M — дообученная модель семейства GPT-NeoX, разработанная авторами работы BMRetriever о настройке языковых моделей для поиска биомедицинских текстов. Она преобразует текстовые запросы и документы в векторные представления для задач извлечения и поиска релевантной информации в биомедицинских корпусах. Модель содержит 454,2 млн параметров по метаданным и принимает последовательности длиной до 2048 токенов. Модель предназначена для биомедицинского поиска, включая поиск по учебникам, публикациям PubMed и StatPearls, а также биологическим препринтам. README указывает на использование через библиотеку Transformers. Репозиторий распространяется по лицензии MIT. Данные карточки подтверждают задачу извлечения признаков, но не приводят результатов оценки качества.

vllm-sr/mmbert-embed-medical — модель Sentence Transformers, дообученная разработчиком vllm-sr на базе vllm-sr/mmbert-embed-32k-2d-matryoshka для медицинских текстов. Это плотный энкодер ModernBERT на 306,9 млн параметров: он кодирует предложения и абзацы в векторы размерности 768, пригодные для сравнения по косинусному сходству. Максимальная длина последовательности — 32 768 токенов; в README описано среднее объединение токеновых представлений. Модель предназначена для семантического поиска и сопоставления медицинских текстов, а также может использоваться для поиска перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Репозиторий содержит веса safetensors и ONNX; метаданные указывают библиотеку sentence-transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в испанских клинических текстах. Это дообученная DT4H/CardioBERTa.es модель RoBERTa для классификации токенов с 153,2 млн параметров и контекстом до 514 токенов. Она присваивает токенам метки BIO: O, B-DISEASE и I-DISEASE. Модель предназначена для извлечения названий заболеваний из клинических записей и медицинских документов на испанском языке. В оценке на тестовом наборе MultiClinNER она получила strict F1 0,6993 и символьную F1 0,7715. Для совпадения с опубликованными результатами необходима токенизация, использованная при обучении, и выравнивание смещений; при обработке длинных документов рекомендуется перекрытие stride=128. Лицензия — CC BY 4.0.

OpenMed разработала OpenMed-NER-AnatomyDetect-BioMed-109M — модель на базе BERT, дообученную для распознавания анатомических сущностей в биомедицинских текстах. Она присваивает токенам BIO-метки B-Anatomy и I-Anatomy, чтобы выделять анатомические структуры и части тела в клинических документах и научной литературе. Модель предназначена для извлечения анатомических упоминаний при анализе медицинских записей, обработке публикаций и построении баз знаний. В карточке указаны 136,7 млн параметров, контекст до 512 токенов и F1 0,86 на наборе ANATOMY. Для работы требуется токенизировать текст и сгруппировать предсказания токенов в сущности; максимальная длина и разбиение длинных текстов могут влиять на результаты. Модель распространяется по лицензии Apache-2.0.

OpenMed разработала специализированную модель распознавания химических сущностей в биомедицинских текстах. Это дообученный трансформер DeBERTa-v2 для токенной классификации с 155 млн параметров и контекстом до 512 токенов. Модель выделяет названия химических соединений и веществ, присваивая токенам метки B-CHEM и I-CHEM. Модель обучена на корпусе BC4CHEMD и предназначена для извлечения химических упоминаний из научной литературы, клинических записей и других медицинских документов. Такие извлечения можно использовать для поиска лекарств в записях пациентов, мониторинга нежелательных явлений, анализа литературы для разработки препаратов и построения биомедицинских графов знаний. README сообщает F1 0,93, точность 0,92 и полноту 0,94 на оценке модели. Модель принимает текст и возвращает токенные метки сущностей; она рассчитана на английский язык. Репозиторий использует формат safetensors, а лицензия — Apache-2.0. Ограничение контекста составляет 512 токенов; модель распознаёт химические сущности и не предназначена для извлечения всех типов биомедицинских сущностей.

OpenMed-NER-PharmaDetect-SuperClinical-141M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученный трансформер DeBERTa-v2 для классификации токенов; README указывает базовую архитектуру deberta-v3-small. Модель обучена на BC5CDR_CHEM и выделяет сущности с BIO-метками B-CHEM и I-CHEM. Модель предназначена для извлечения лекарств, химических соединений и терапевтических веществ из медицинских записей и научной литературы, в том числе для мониторинга нежелательных реакций и поиска информации о лекарствах. Метаданные указывают 155 млн параметров, контекст 512 токенов и поддержку английского языка. В README заявлены F1 0,95, точность 0,94 и полнота 0,96; эти оценки относятся к указанному набору данных и не гарантируют такое же качество на других текстах. Лицензия — Apache-2.0.

pritamdeka/S-PubMedBert-MS-MARCO — модель эмбеддингов предложений на основе BERT, созданная дообучением microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext на MS MARCO с помощью Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сопоставления запросов с документами и кластеризации медицинских текстов. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель предназначена для информационного поиска в медицинской и биомедицинской тематике. Её можно использовать с Sentence-Transformers либо через Transformers с подходящей операцией pooling. Она выдаёт текстовые эмбеддинги и оценки семантического сходства. Лицензия CC BY-NC 2.0 запрещает коммерческое использование без отдельного разрешения.

iioSnail/bert-base-chinese-medical-ner — модель распознавания именованных сущностей в китайских медицинских текстах, созданная на основе BERT и предназначенная для токенной классификации. Она присваивает токенам метки B/I/E для начала, продолжения и конца сущности, а также O для токенов вне сущностей; результат можно преобразовать в упорядоченные медицинские сущности с помощью MedicalNerModel.format_outputs. Модель содержит 129,5 млн параметров, работает с текстом и имеет контекст длиной до 512 токенов. Карточка указывает китайский язык и медицинскую область. Репозиторий предоставляет веса PyTorch; лицензия — AFL-3.0.

BioNER — модель распознавания биомедицинских именованных сущностей, созданная в рамках исследовательского сотрудничества Bayer Pharma и Института исследований и разработок искусственного интеллекта Сербии. Это модель на архитектуре BERT, основанная на PubMedBERT, с 136,7 млн параметров; она принимает текстовый фрагмент и название искомого класса сущностей и помечает токены, относящиеся к этому классу. Модель обучена на 26 классах биомедицинских сущностей и поддерживает поиск сущностей без отдельного обучения для каждого класса. Среди классов — заболевания, химические соединения, гены и белки, варианты последовательностей, клеточные типы, лекарства и их характеристики. Для новых классов README описывает возможность дообучения на небольшом числе примеров. Модель рассчитана на англоязычные биомедицинские тексты, работает с контекстом до 512 токенов и выдаёт бинарные метки токенов. Модель подходит для извлечения сущностей из научных публикаций и клинических текстов. Доступна по лицензии MIT. Качество может зависеть от формулировки метки сущности и предметной области; для новых классов может потребоваться дообучение.

InfectaVec-v2 — разработанная Yesimm модель Sentence Transformers, дообученная на базе BAAI/bge-m3 для представления предложений и абзацев в виде плотных векторов. Она предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации; обучение включало перефразированные и найденные по параллельным текстам запросы между английским и корейским языками. Модель построена на XLM-RoBERTa с pooling по CLS-токену и нормализацией векторов. Она выдаёт эмбеддинги размерности 1024, сравниваемые косинусным сходством, и поддерживает последовательности до 8194 токенов согласно метаданным. README описывает обучение на данных об инфекционных заболеваниях и приводит результаты на тестовом наборе по инфекционным заболеваниям и медицинских бенчмарках. Модель распространяется по лицензии Apache-2.0. Её применение особенно обосновано для английских и корейских медицинских текстов; приведённые оценки относятся к конкретным тестам и не гарантируют качество на других корпусах.

ChenWeiLi/Med-ChimeraLlama-3-8B_SHERP — объединённая модель на архитектуре Llama 3, созданная методом SLERP с помощью mergekit из mlabonne/ChimeraLlama-3-8B-v3 и johnsnowlabs/JSL-MedLlama-3-8B-v2.0. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста; медицинские тесты в карточке показывают её применение для ответов на вопросы и решения задач медицинского образования. Модель принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. В опубликованной оценке указаны результаты на наборах MedMCQA и MedQA, а также агрегированный результат для группы STEM. Лицензия — Llama 3.