IV.4Клиническая медицина и общественное здоровье

OpenMed разработала OpenMed-NER-AnatomyDetect-BioClinical-108M — дообученную модель на базе Bio_ClinicalBERT для распознавания анатомических сущностей в биомедицинском тексте. Она выявляет и размечает названия анатомических структур, органов и частей тела тегами B-Anatomy и I-Anatomy; архитектура — BERT для классификации токенов, размер — 135,5 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для извлечения анатомических упоминаний из клинических записей и научной медицинской литературы, а также для построения систем поиска и анализа биомедицинских знаний. В README указаны результаты на корпусе ANATOMY: F1, точность и полнота 0,90, accuracy 0,98. Эти показатели относятся к описанной оценке и не гарантируют аналогичного качества на других данных. Модель принимает токенизированный текст и выдаёт BIO-разметку; заявленный язык карточки — английский. Лицензия — Apache-2.0.

OpenMed-NER-AnatomyDetect-ModernMed-149M — специализированная модель OpenMed для распознавания анатомических сущностей в биомедицинских текстах. Это дообученный ModernBERT с 149 млн параметров и контекстом до 8192 токенов; модель классифицирует токены и выдаёт BIO-разметку для анатомических структур и частей тела, используя метки B-Anatomy и I-Anatomy. Модель предназначена для извлечения анатомических упоминаний из медицинских записей, научной литературы и других текстов здравоохранения, а также для построения систем поиска и анализа биомедицинских сведений. В README указаны F1 0,81, точность 0,83 и полнота 0,79 на наборе ANATOMY. Заявления README о применении для поиска лекарственных взаимодействий и извлечения лекарств выходят за рамки перечисленных меток: модель распознаёт анатомические сущности, а не препараты. Поддерживается английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0.

OpenMed-NER-AnatomyDetect-PubMed-v2-109M — модель OpenMed для распознавания анатомических сущностей в биомедицинских текстах. Это дообученный трансформер семейства BERT на основе BiomedNLP-BiomedBERT-base-uncased-abstract, с архитектурой BertForTokenClassification и 136,7 млн параметров. Модель выделяет названия анатомических структур и частей тела, присваивая токенам BIO-метки B-Anatomy и I-Anatomy. Модель предназначена для извлечения анатомических терминов из научных публикаций и клинических документов, а также для поиска по медицинской литературе и построения биомедицинских баз знаний. Она принимает токенизированный текст и возвращает разметку токенов; заявленные в карточке показатели на наборе ANATOMY — F1 0,90, точность 0,89 и полнота 0,91. Контекст ограничен 512 токенами. Карточка указывает английский язык и лицензию Apache-2.0.

Карточка модели aria220/OpenMed-NER-DiseaseDetect-SuperClinical-434M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-DiseaseDetect-SuperClinical-434M, поэтому описание составлено по ней. OpenMed разработала специализированную модель распознавания заболеваний в биомедицинских текстах. Это дообученная DeBERTa для классификации токенов: она находит фрагменты с названиями заболеваний и размечает их тегами B-DISEASE и I-DISEASE. Модель рассчитана на тексты медицинских документов и научных публикаций; среди примеров применения — извлечение упоминаний заболеваний для анализа литературы и медицинских данных. Модель содержит 533,8 млн параметров, принимает токенизированный текст и выдаёт BIO-разметку. Контекст ограничен 512 токенами. В карточке указаны результаты на BC5CDR-Disease: F1 0,9118, точность 0,9028 и полнота 0,9211. Данные о поддерживаемом языке — английский. Распространяется по лицензии Apache-2.0.

OpenMed-NER-PharmaDetect-ModernClinical-149M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученная ModernBERT-модель с 149 млн параметров для классификации токенов; она принимает токенизированный текст и выдаёт метки BIO для химических сущностей. Контекст модели — до 8192 токенов. Модель обучена на BC5CDR_CHEM и предназначена для извлечения названий лекарств и химических соединений из научных публикаций, клинических записей и медицинских документов. Такие результаты можно использовать для мониторинга нежелательных реакций, поиска сведений о препаратах и построения биомедицинских баз знаний. В карточке заявлены F1, точность и полнота 0,95, однако описание методики оценки ограничено. Карточка указывает английский язык и совместимость с Transformers. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Модель распознаёт химические сущности, поэтому её предсказания не следует трактовать как клинические рекомендации или готовое выявление лекарственных взаимодействий.

Карточка модели aria220/OpenMed-NER-PharmaDetect-SuperClinical-434M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-PharmaDetect-SuperClinical-434M, поэтому описание составлено по ней. OpenMed разработала OpenMed-NER-PharmaDetect-SuperClinical-434M — специализированную модель распознавания химических сущностей в биомедицинских текстах. Это дообученная для token classification модель на архитектуре DeBERTa V2 с 533,8 млн параметров; README указывает базовую архитектуру DeBERTa V3 Large. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типов B-CHEM и I-CHEM. Контекст — до 512 токенов. Модель обучена на BC5CDR_CHEM и предназначена для извлечения названий химических соединений и лекарственных веществ из научной литературы и медицинских документов. Возможные сценарии — поиск препаратов в текстах, мониторинг нежелательных явлений и подготовка данных для биомедицинских графов знаний. В README приведены результаты на BC5CDR_CHEM: F1 0,9614, точность 0,9520 и полнота 0,9710; эти показатели относятся к указанному набору данных и не гарантируют качество на иных типах текстов. Карточка указывает английский язык. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-PharmaDetect-SuperMedical-355M — дообученную модель RoBERTa для распознавания химических сущностей в биомедицинских текстах. Модель классифицирует токены, выделяя названия химических соединений, лекарств и терапевтических веществ тегами B-CHEM и I-CHEM. Модель предназначена для извлечения химических сущностей из научных публикаций, медицинской документации и клинических текстов. Её можно применять для мониторинга нежелательных реакций, анализа упоминаний лекарств, поиска по биомедицинской литературе и подготовки данных для графов знаний. Обучение выполнено на BC5CDR-Chem; в карточке приведены F1 0,96, точность 0,95 и полнота 0,97. Архитектура — RoBERTa для классификации токенов, размер — 454,1 млн параметров, максимальный контекст — 514 токенов. Указан английский язык. Модель принимает токенизированный текст и возвращает BIO-разметку сущностей. Для более длинных документов требуется обработка фрагментами; качество за пределами химических сущностей и распределения BC5CDR-Chem не подтверждено. Лицензия — Apache-2.0.

Модель tomaarsen/span-marker-bert-base-ncbi-disease — модель SpanMarker для распознавания упоминаний заболеваний в тексте. Она обучена на наборе данных NCBI Disease и использует bert-base-cased в качестве кодировщика; предсказывает сущности с меткой DISEASE. Подходит для извлечения названий заболеваний из научных и медицинских текстов на английском языке. На тестовой выборке указаны precision 0,8661, recall 0,8971, F1 0,8813 и accuracy 0,9837. Модель распространяется по лицензии Apache-2.0.

Elizabeth Mwangi выпустила дообученную модель распознавания речи на базе Whisper large-v3. Это второй этап дообучения модели ElizabethMwangi/whisper-large-v3-swahili-afrivoice-cv на наборе CDLI Kenyan Swahili Nonstandard Speech; модель предназначена для транскрибации нестандартной речи на суахили, включая дизартричную речь, заикание и другие атипичные речевые особенности. Модель принимает аудио и выдаёт текст. В карточке приведены результаты оценки: общий WER 0,2932 и CER 0,1289; средний WER составляет 0,3011. Для речи лёгкой, умеренной и тяжёлой степени выраженности указаны WER 0,203, 0,253 и 0,333 соответственно. Модель распространяется под лицензией Apache-2.0.

Apertus 1.5 8B Biomedical ADE — дообученная текстовая модель Андреаса Мартина на базе andreasmartin/apertus-v1.5-8b-text. Она предназначена для извлечения из клинических текстов упоминаний лекарств и нежелательных явлений (ADE), включая выявление таких событий при упоминании нескольких препаратов и обработку примеров без нежелательных эффектов. Модель построена на плотной авторегрессионной архитектуре ApertusForCausalLM, содержит 10,3 млрд параметров и поддерживает контекст до 262 144 токенов. Репозиторий содержит самостоятельную объединённую 16-битную модель в формате safetensors; её можно запускать через Transformers или vLLM. Обучение выполнено на датасете mihirhirave/entity_extraction_ade_v2_with_validation. Карточка описывает модель как экспериментальный исследовательский артефакт: результаты могут быть неполными или ошибочными. Модель не является медицинским изделием и не предназначена для клинических решений, диагностики, сортировки пациентов или медицинских рекомендаций. Лицензия — Apache-2.0.

alvaroalon2/biobert_diseases_ner — модель BioBERT, дообученная для распознавания заболеваний в биомедицинских текстах. Она предназначена для извлечения упоминаний заболеваний в системах распознавания и нормализации биомедицинских сущностей (BioNER/BioNEN).

dmis-lab/biobert-large-cased-v1.1-squad — модель DMIS-lab из Корейского университета для ответов на вопросы по тексту. Это вариант BioBERT для задачи question answering, основанный на архитектуре BERT и содержащий 463,1 млн параметров. В метаданных указаны реализации PyTorch и Flax и максимальный контекст длиной 512 токенов. Модель предназначена для извлечения ответов из предоставленного текста, в том числе для работы с вопросами по биомедицинским материалам. README сообщает о предобучении BioBERT на корпусах PubMed и PMC, но также содержит противоречивое указание родительской модели GPT-Neo-2.7B; точное происхождение этого чекпойнта по доступным сведениям подтвердить нельзя. Лицензия в карточке не приведена. К ограничениям относятся возможные смещения и стереотипы в ответах, о которых предупреждает карточка модели. Контекст ограничен 512 токенами; README не приводит метрик качества и результатов оценки.

ttlanhhh/biogpt-ner — дообученная модель Microsoft BioGPT для классификации токенов, предназначенная для разметки сущностей в биомедицинском тексте. Она основана на архитектуре GPT-2 и принимает текст, выдавая метки для токенов. Контекст модели составляет 1024 токена. В README приведены результаты оценки: F1 0,5070, точность 0,4664, полнота 0,5553 и accuracy 0,9572; набор меток и данные обучения не описаны. Модель распространяется по лицензии MIT.

Bio-Mistralv2-Squared — языковая модель на архитектуре Mistral, созданная слиянием SLERP моделей BioMistral/BioMistral-7B и mistralai/Mistral-7B-Instruct-v0.2 с помощью mergekit. Репозиторий содержит веса в формате safetensors; модель насчитывает 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов, сочетая медицинскую специализацию BioMistral с настройкой Mistral Instruct. Её можно применять для диалоговых сценариев и генерации ответов по медицинской тематике, однако README не приводит оценок качества или проверенных клинических сценариев. Лицензия — Apache-2.0.

CamemBERT-bio-v2-base — франкоязычная биомедицинская модель-энкодер, разработанная Рианом Тушаном и Эриком де ла Клержери из Sorbonne Université и Inria Paris. Она предназначена для распознавания клинических и биомедицинских сущностей во французском тексте и служит основой для задач обработки медицинского языка на уровне токенов. Модель основана на архитектуре RoBERTa / CamemBERTv2 и дообучена продолжением предобучения базовой almanach/camembertv2-base на медицинских данных, включая корпус MC-Bio. В карточке указано 111 млн параметров и контекст 1 024 токена; метаданные каталога указывают 138,4 млн параметров и 1 025 токенов. Для восстановления замаскированных фрагментов используется задача fill-mask, а обучение с маскированием целых упоминаний медицинских сущностей ориентировано на улучшение токенных представлений. В опубликованной оценке на французском бенчмарке распознавания сущностей модель получила 65,8 exact-F1 в среднем. Модель подходит для извлечения медицинских сущностей и адаптации к смежным задачам разметки французских клинических и биомедицинских текстов. Она не является готовой специализированной моделью для длинных документов; авторы указывают на отдельную большую версию ModernCamemBERT-bio-v2-large для таких сценариев. Лицензия — MIT.

DisEmbed-v1 — дообученная Salman Faroz модель текстовых эмбеддингов для медицинской области, ориентированная на поиск и сравнение описаний заболеваний, симптомов и вопросов с ответами. Она построена на BERT-архитектуре и основана на BAAI/bge-small-en-v1.5; содержит около 40 млн параметров и выдаёт векторы размерности 384. Для сравнения используется косинусное сходство. Модель обучена на синтетическом наборе DisEmbed-Symptom-Disease-v1 и рассчитана на англоязычный текст. Контекст ограничен 512 токенами. Карточка заявляет улучшенное различение похожих заболеваний и поиск по медицинскому контексту; эти заявления относятся к задачам, связанным с заболеваниями, и не подтверждают пригодность модели для диагностики. Лицензия — MIT.

Карточка модели EdgeAIMed/EdgeAIMed-NER-OncologyDetect-SuperClinical-434M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-OncologyDetect-SuperClinical-434M, поэтому описание составлено по ней. OpenMed-NER-OncologyDetect-SuperClinical-434M — модель OpenMed для распознавания именованных сущностей в биомедицинских текстах, особенно связанных с генетикой рака. Это дообученный трансформер DeBERTa-v2 с примерно 533,8 млн параметров, который принимает токенизированный текст и выдаёт BIO-метки для сущностей, включая типы рака, гены и их продукты, клетки, ткани, органы, аминокислоты и химические вещества. Модель обучена на корпусе BioNLP 2013 CG и рассчитана на научную литературу, клинические тексты и документы здравоохранения; в карточке приведены F1 0,87, точность 0,86 и полнота 0,88. Её можно использовать для извлечения онкологических и генетических сущностей при анализе медицинских записей и публикаций, а также для подготовки данных к поиску и построению биомедицинских графов знаний. Метаданные указывают английский язык и контекст до 512 токенов. Заявленные в README сценарии обнаружения лекарственных взаимодействий и побочных эффектов не подтверждают отдельные возможности модели: её основная задача — разметка сущностей. Лицензия — Apache-2.0.

Карточка модели EdgeAIMed/EdgeAIMed-NER-PharmaDetect-SuperMedical-125M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-PharmaDetect-SuperMedical-125M, поэтому описание составлено по ней. OpenMed разработала эту дообученную модель на базе RoBERTa для распознавания химических сущностей в биомедицинском тексте. Она обучена на наборе BC5CDR-Chem и присваивает токенам метки B-CHEM и I-CHEM, чтобы выделять названия химических соединений, лекарств и терапевтических веществ. Модель рассчитана на обработку научных публикаций, клинических записей и других медицинских документов, в том числе для извлечения препаратов и поиска упоминаний химических веществ при фармаконадзоре и анализе литературы. Архитектура — RoBERTa для классификации токенов; в метаданных указано 151,8 млн параметров и контекст до 514 токенов. README приводит F1 0,96 на BC5CDR-Chem, но не описывает независимую проверку этих результатов. Модель предназначена для англоязычных биомедицинских текстов и не выполняет сама по себе анализ взаимодействий лекарств или диагностику. Лицензия — Apache-2.0.

Llama-3-Luminurse-v0.1-OAS-8B — объединённая диалоговая языковая модель на базе Meta Llama 3, созданная grimjim с помощью mergekit. Она объединяет NeverSleep/Llama-3-Lumimaid-8B-v0.1-OAS и grimjim/llama-3-aaditya-OpenBioLLM-8B методом SLERP, сочетая возможности разговорной модели с биомедицинской специализацией одной из исходных моделей. Модель с плотной архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и генерирует текст. Она предназначена для диалогов и генерации ответов, в том числе на биомедицинские темы; поддерживаемый язык в метаданных — английский. Контекст составляет 8192 токена. Модель распространяется в формате safetensors; в README также упомянуты GGUF-квантизации стороннего автора. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение. Объединение моделей не гарантирует надёжность медицинских ответов, поэтому их следует проверять у квалифицированного специалиста.

Charangan/MedBERT — англоязычная BERT-модель для биомедицинских текстов, разработанная для распознавания именованных сущностей. Модель инициализирована весами Bio_ClinicalBERT и дополнительно предобучена на клинических записях N2C2 и статьях из наборов BioNLP и CRAFT. Это плотная архитектура BERTForPreTraining с 135,5 млн параметров и контекстом до 512 токенов; доступна в формате PyTorch. Модель предназначена для выделения биомедицинских сущностей в клинических записях и научных публикациях. Метаданные указывают задачу fill-mask, то есть восстановление скрытых токенов; это поддерживает применение модели как предобученного языкового представления, но карточка не приводит готового пайплайна NER или метрик качества. Лицензия — MIT.

wanglab/medsam-vit-base — версия Segment Anything Model с архитектурой ViT-B, дообученная для сегментации медицинских изображений. Модель кодирует изображение с помощью Vision Encoder, обрабатывает подсказки Prompt Encoder и формирует маски декодером Mask Decoder. Для разметки можно задавать точки или ограничивающие рамки; SAM также поддерживает генерацию масок объектов на изображении. Модель предназначена для сегментации медицинских изображений, в том числе для подготовки масок по интерактивным подсказкам и автоматического выделения объектов. В карточке приведено описание архитектуры SAM, но не уточнены медицинские наборы данных и виды изображений, на которых оценивалась именно эта версия. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0.

MELT-Mixtral-8x7B-Instruct-v0.1 — языковая модель Medical Education Language Transformer, разработанная Center for Applied AI. Это дообученная на общедоступных медицинских текстах, диалогах, вопросах и инструкциях версия Mixtral-8x7B-Instruct-v0.1. Модель использует архитектуру Mixtral с разреженной смесью экспертов; метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Она работает с текстом и рассчитана на английский язык.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в чешских клинических текстах. Это дообученная DT4H/CardioBERTa.cs модель RoBERTa для классификации токенов с BIO-разметкой: O, B-DISEASE и I-DISEASE. Размер модели — 153,2 млн параметров, максимальная длина контекста — 514 токенов; веса доступны в формате safetensors. Модель предназначена для извлечения границ упоминаний заболеваний в медицинских записях и клинических документах на чешском языке. На тестовом наборе MultiClinNER строгая F1 составила 0,5276, а символьная F1 — 0,6951. Для воспроизведения оценок требуется токенизация, соответствующая обучающей; предсказания на границах рядом с пунктуацией могут отличаться при обычной токенизации. Авторы не оценивали встроенные смещения модели. Лицензия — CC BY 4.0.

OpenBioNER — англоязычная модель на архитектуре BERT для распознавания биомедицинских сущностей в текстах. Она дообучена на базе dmis-lab/biobert-v1.1 и предназначена для открытого распознавания сущностей: типы сущностей задаются их описаниями на естественном языке, что позволяет находить новые типы без повторного обучения модели. По карточке, модель обучалась на синтетических аннотациях, созданных с помощью самообучения на основе LLM, и показывает хорошие результаты в экспериментах с биомедицинскими наборами данных. Модель содержит 135,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для токенов. Её можно применять для извлечения заболеваний, анатомических объектов и других описанных пользователем типов биомедицинских сущностей из научных и медицинских текстов. Для работы авторы рекомендуют библиотеку IBM Zshot. Модель распространяется по лицензии MIT. Результаты зависят от формулировки описаний типов и способа сопоставления токенов с символьными интервалами: карточка отмечает возможные расхождения между оценками в статье и результатами библиотеки zshot. Заявленные преимущества основаны на экспериментах с конкретными биомедицинскими бенчмарками.

OpenMed-NER-AnatomyDetect-BigMed-278M — модель OpenMed для распознавания анатомических сущностей в биомедицинском тексте. Это дообученный классификатор токенов на базе XLM-RoBERTa; по метаданным в репозитории около 305,2 млн параметров, длина контекста — 514 токенов. Модель размечает упоминания анатомических структур, частей тела, органов и физиологических систем тегами B-Anatomy и I-Anatomy. Модель предназначена для извлечения анатомических терминов из медицинских записей и научной литературы, а также для последующего поиска и структурирования биомедицинских сведений. README приводит F1 0,86, precision 0,84, recall 0,87 и accuracy 0,97 на наборе ANATOMY. Указаны совместимость с Transformers и формат весов safetensors. Лицензия — Apache-2.0. Распознавание ориентировано на английский язык. Метрики и область применения относятся к анатомической разметке; README также перечисляет сценарии вроде анализа лекарственных взаимодействий и обнаружения препаратов, однако заявленные классы модели ограничены анатомическими сущностями. Контекст ограничен 514 токенами.

OpenMed-NER-AnatomyDetect-BioPatient-108M — дообученная OpenMed модель на базе BERT для распознавания анатомических сущностей в биомедицинском тексте. Она помечает токены тегами B-Anatomy и I-Anatomy, чтобы выделять названия анатомических структур и частей тела в медицинских записях и научной литературе. Модель использует архитектуру BertForTokenClassification, содержит 135,5 млн параметров и принимает токенизированный текст; максимальная длина контекста — 512 токенов. Карточка сообщает об обучении на корпусе ANATOMY и приводит F1 0,89, точность и полноту 0,89, accuracy 0,98. Модель подходит для извлечения анатомической терминологии и последующего анализа медицинских документов. Она предназначена для английского языка; результаты на других языках не заявлены. Модель распространяется под лицензией Apache-2.0 и совместима с Transformers. Метрики и заявления о готовности к клиническому применению приведены в карточке модели; перед использованием в клинических процессах качество следует проверять на целевых данных.

OpenMed-NER-DiseaseDetect-TinyMed-82M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинском тексте. Это дообученный трансформер на базе distilroberta-base с архитектурой RoBERTa для классификации токенов; в метаданных указано 95,2 млн параметров и контекст до 514 токенов. Модель обучена на корпусе BC5CDR-Disease и выделяет сущности метками B-DISEASE и I-DISEASE. Модель предназначена для извлечения названий болезней из аннотаций PubMed, медицинских записей и других биомедицинских документов. Такие результаты можно использовать для поиска по медицинской литературе, анализа клинических текстов и построения биомедицинских баз знаний. В README приведены значения F1 0,86, precision 0,84, recall 0,88 и accuracy 0,97 для оценки на BC5CDR-Disease. Модель обрабатывает английский текст и возвращает BIO-разметку сущностей. Она не предназначена для постановки диагноза: качество на других жанрах и языках отдельно не подтверждено. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-PathologyDetect-SnowMed-568M — специализированную модель распознавания упоминаний заболеваний в биомедицинских текстах. Она дообучена на корпусе NCBI Disease и предназначена для извлечения названий болезней из медицинских записей, научных статей и других медицинских документов. Модель выполняет token classification: присваивает токенам BIO-метки B-Disease и I-Disease, которые можно объединить в целостные упоминания заболеваний. Архитектура — XLM-RoBERTa с примерно 658,7 млн параметров; заявленная длина контекста — 8194 токена. Для корпуса NCBI Disease в карточке приведены F1 0,89, точность 0,87 и полнота 0,91. Модель принимает токенизированный текст и выдаёт метки сущностей. В метаданных указан английский язык; применение к другим языкам карточка не подтверждает. Модель подходит для извлечения заболеваний при анализе медицинских записей и биомедицинской литературы, в том числе как компонент систем поиска и аналитики. Карточка заявляет также клинические сценарии, однако приведённые метрики относятся к NCBI Disease и не подтверждают точность на произвольных клинических данных. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-BloodCancer-Base-220M — модель OpenMed для распознавания именованных сущностей в медицинских и биомедицинских текстах, особенно в материалах о хроническом лимфоцитарном лейкозе (ХЛЛ). Она построена на архитектуре GLiNER и дообучена на специализированном корпусе CLL. Модель принимает текст и возвращает найденные сущности с метками; zero-shot режим позволяет задавать типы сущностей при запросе без отдельного дообучения под каждую метку. Модель предназначена для извлечения терминов о заболеваниях, биомаркерах, генах, белках, методах лечения и клинических наблюдениях из медицинских записей и научной литературы. В карточке указана оценка F1 0,67 на тестовом наборе CLL и улучшение на 3,2% относительно базовой модели. Заявления карточки о высокой точности и готовности к производству следует оценивать с учётом этой метрики и проверять на данных конкретного применения. Репозиторий содержит веса PyTorch, а лицензия — Apache-2.0. Карточка не сообщает базовую модель, число параметров или длину контекста, поэтому эти характеристики не приводятся.

Taiwan-inquiry_7B_v2.0 — разговорная языковая модель на 7,2 млрд параметров, разработанная исследовательским ассистентом Joseph (Chen-Wei) Li из Национальной университетской больницы Тайваня. Она основана на Breeze-7B-Instruct-v0_1 и дообучена на диалогах врачей и пациентов: 614 подлинных диалогах больницы Национального университета Чэнг Кун и 336 синтетических диалогах по темам примеров экзамена OSCE на Тайване. Модель предназначена для симуляции общения с пациентом в больничной обстановке. Пользователь может задать модели роль пациента, предоставить краткие сведения о пациенте в системном запросе или задавать вопросы о симптомах заболеваний и возможных методах терапии. Модель использует архитектуру Mistral, поддерживает текстовый ввод и генерацию текста, рассчитана на традиционный китайский язык и имеет контекст длиной 32 768 токенов. Модель может быть полезна для учебных ролевых диалогов и отработки клинического общения. Её ответы о симптомах и терапии не являются медицинской консультацией. Лицензия — Apache-2.0.