IV.4Клиническая медицина и общественное здоровье

hung200504/bert-squadv2 — модель на базе PubMedBERT, дообученная на SQuADv2 для поиска ответов на вопросы в биомедицинских текстах. Она обрабатывает вопросы с ответом и без ответа, поэтому может сообщить, когда в предоставленном контексте нет подходящей информации. Модель построена на архитектуре BERT и содержит 136,7 млн параметров. Она принимает текст вопроса и контекста и выделяет ответ в тексте; максимальная длина контекста составляет 512 токенов. Базовая модель предварительно обучена на аннотациях и полных текстах статей PubMed, а дообучение выполнялось на SQuADv2. Модель ориентирована на английский язык и биомедицинскую литературу. Лицензия — MIT.

BioBERT Disease NER — модель распознавания именованных сущностей, разработанная Ishan0612 и дообученная на BioBERT для извлечения упоминаний заболеваний из биомедицинских текстов. Она основана на архитектуре BERT и содержит 135,5 млн параметров; модель работает с текстом и поддерживает контекст длиной до 512 токенов. Модель обучена на датасете NCBI Disease, включающем более 6 800 размеченных упоминаний из 793 аннотаций PubMed. В README указаны точность 86,80%, полнота 91,39% и F1-мера 89,04%. Модель предназначена для извлечения заболеваний из англоязычных научных и биомедицинских текстов. Распространяется по лицензии Apache-2.0.

bioformer-8L-ncbi-disease — модель распознавания именованных сущностей, разработанная сообществом Bioformers и дообученная на наборе данных NCBI Disease в течение 10 эпох. Она предназначена для извлечения упоминаний заболеваний из англоязычных текстов, например из научных публикаций и биомедицинских документов. Модель основана на архитектуре BERT, содержит 50,3 млн параметров и принимает последовательности длиной до 512 токенов. Доступна в форматах PyTorch и Safetensors. Модель ориентирована на распознавание заболеваний, а не на генерацию текста или общие задачи классификации. Она выпущена по лицензии Apache-2.0.

Карточка модели EdgeAIMed/EdgeAIMed-NER-OncologyDetect-SuperClinical-141M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-OncologyDetect-SuperClinical-141M, поэтому описание составлено по ней. OpenMed разработала OpenMed-NER-OncologyDetect-SuperClinical-141M — специализированную модель распознавания и классификации биомедицинских сущностей в тексте. Это дообученная модель архитектуры DeBERTa v2 примерно на 155 млн параметров; она принимает токенизированный текст и выдаёт предсказания сущностей с BIO-разметкой. В README указано обучение на корпусе BioNLP 2013 CG, ориентированном на генетику рака, и перечислены типы сущностей, включая гены и продукты генов, опухоли, ткани, органы, клетки и химические вещества. Модель предназначена для извлечения онкологических и генетических сущностей из научной литературы и клинических текстов, а также для текстового анализа в исследованиях и здравоохранении. Контекст ограничен 512 токенами. README приводит F1 0,77, точность 0,75 и полноту 0,79 на заявленной оценке; качество на других корпусах и реальных клинических документах может отличаться. Расширенные сценарии вроде выявления лекарственных взаимодействий не подтверждены отдельной оценкой модели. Лицензия — Apache-2.0.

LLAMA3-3B-Medical-COT — модель Alpha AI, дообученная на основе LLAMA-3.2-3B-Instruct для решения медицинских задач и пошагового рассуждения. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM; она принимает текстовые запросы и генерирует текстовые ответы в диалоговом формате. В метаданных указаны 1,2 млрд параметров, контекст до 131 072 токенов и английский язык. README описывает обучение на открытых медицинских задачах и экзаменационных вопросах с проверяемыми ответами, а также варианты GGUF с квантованием и точностью 16 бит для локального запуска. Модель предназначена для учебных объяснений медицинских вопросов, разбора клинических случаев и поддержки структурированного рассуждения в медицинских и исследовательских инструментах. Она может формировать последовательные объяснения и вести диалог, однако ответы могут содержать ошибки и смещения данных; модель не заменяет профессиональную медицинскую консультацию и требует проверки специалистом перед практическим применением. Лицензия — Apache-2.0.

Medical-Qwen3-Swallow-32B — медицинская языковая модель TokyoTech, дообученная на базе tokyotech-llm/Qwen3-Swallow-32B-RL-v0.2 для японских клинических сценариев и исследований безопасности и надёжности медицинского ИИ. Это плотная причинно-следственная модель семейства Qwen3 с 29,7 млрд параметров, поддерживающая японский и английский языки; нативный контекст составляет 40 960 токенов. Для работы предусмотрены Transformers и совместимые с vLLM стеки. Модель предназначена для генерации ответов на медицинские вопросы и оценки качества моделей на японских медицинских бенчмарках. При адаптации использовались биомедицинская литература, синтетические медицинские данные, вопросы и ответы, а также тексты клинических рекомендаций; в обучении сохранялись и данные общего назначения. На перечисленных в карточке медицинских бенчмарках модель показала более высокие результаты, чем базовая модель. Лицензия — Apache 2.0. Модель предназначена для исследований и разработок, не валидирована как медицинское изделие и не заменяет профессиональное медицинское суждение. Её ответы могут содержать ошибки и небезопасные рекомендации, поэтому клинические применения требуют проверки человеком и соответствующей валидации.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в нидерландских клинических текстах. Это дообученная для NER модель CLTL/MedRoBERTa.nl на архитектуре RoBERTa с 153,2 млн параметров; она размечает токены тегами BIO: O, B-DISEASE и I-DISEASE. Модель предназначена для извлечения названий заболеваний из клинических записей и документов, в том числе длинных документов с обработкой перекрывающихся фрагментов. Для совпадения с оценками авторов при инференсе следует воспроизводить предварительную токенизацию обучающих данных и выравнивать смещения токенов; обычный запуск на сыром тексте может давать отличающиеся границы сущностей, особенно около пунктуации. Контекст — 514 токенов. На тестовом наборе MultiClinNER для нидерландского языка строгий F1 составил 0,5273, а символьный F1 — 0,6623. Авторы не оценивали возможные смещения модели. Лицензия — CC BY 4.0.

OpenMed-NER-PharmaDetect-ElectraMed-335M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученный трансформер с архитектурой BERT для токенной классификации; размер — 433,9 млн параметров, максимальная длина контекста — 512 токенов. Модель выделяет сущности BC5CDR-Chem и возвращает разметку в формате BIO с метками B-CHEM и I-CHEM. Модель предназначена для извлечения названий химических соединений, лекарств и терапевтических веществ из научных публикаций и медицинских документов. Её можно использовать для поиска препаратов в клинических записях, фармаконадзора, анализа литературы и подготовки данных для биомедицинских графов знаний. В README приведены результаты на BC5CDR-Chem: F1 0,9594, точность 0,9539 и полнота 0,9649; эти показатели относятся к указанному набору данных и не гарантируют такое же качество на других текстах. Поддерживается английский язык. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-PharmaDetect-ModernMed-149M — разработанная OpenMed модель для распознавания химических сущностей в биомедицинских текстах. Это дообученный ModernBERT-base с архитектурой ModernBertForTokenClassification и 149 млн параметров; модель принимает токенизированный текст и выдаёт BIO-разметку B-CHEM и I-CHEM. Контекст — до 8192 токенов. Модель обучена на BC5CDR_CHEM и предназначена для извлечения названий химических соединений, лекарств и терапевтических веществ из научных публикаций, медицинских записей и других биомедицинских документов. Такие извлечения можно использовать для поиска лекарств в записях пациентов, мониторинга нежелательных явлений, анализа литературы и построения биомедицинских баз знаний. README сообщает F1, точность и полноту 0,94 на BC5CDR-Chem. Модель ориентирована на английский язык и специализированный химико-биомедицинский текст; качество на других языках и вне этой области не установлено. Распространяется по лицензии Apache-2.0.

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.

Qwen3-4B-OT3-medical — медицинская языковая модель семейства Qwen3, разработанная MMOPD. Это дообученная методом supervised fine-tuning версия MMOPD/Qwen3-4B-OT3-2ep: её обучали на проверенных пошаговых ответах учительской модели по вопросам MedQA, оставляя варианты с правильным итоговым ответом. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов и рассуждений по медицинским вопросам, в том числе задачам формата экзамена USMLE. В MedQA она достигла точности 80,7% в описанном авторами режиме оценки; при этом на некоторых общих тестах и задачах модель уступила исходной версии, поэтому специализация на медицинских вопросах сопровождается компромиссом в общих возможностях. Карточка демонстрирует английский язык и датасет MedQA-USMLE; интерфейс чата сохраняет формат Qwen3 с режимом thinking. Весы опубликованы в формате safetensors и bfloat16 под лицензией Apache-2.0.

Модель asahi417/tner-xlm-roberta-large-bc5cdr — версия XLM-RoBERTa Large, дообученная для распознавания именованных сущностей (NER). Она выполняет токенную классификацию и предназначена для выделения сущностей в тексте; суффикс bc5cdr указывает на вариант из серии TNER, однако карточка не уточняет набор распознаваемых меток. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и рассчитана на контекст до 514 токенов. Репозиторий предоставляет веса PyTorch. Модель подходит для извлечения сущностей из текста, в том числе в исследовательских и прикладных NLP-сценариях. XLM-RoBERTa — многоязычное семейство, но конкретные языки, поддерживаемые именно этим чекпойнтом, в карточке не перечислены. Сведений о лицензии и известных ограничениях в предоставленных данных нет.

kbulutozler/distilbert-base-uncased-FT-ner-BC5CDR-disease — англоязычная модель DistilBERT, дообученная для распознавания заболеваний в тексте. Она размечает упоминания заболеваний на уровне токенов и предназначена для извлечения таких сущностей из научных и биомедицинских текстов. Модель обучена на обучающей части набора BC5CDR-disease из BLURB; для тестовой части указаны precision 0,76, recall 0,81 и micro-F1 0,79. Модель использует архитектуру DistilBertForTokenClassification, принимает текст, имеет контекст до 512 токенов и распространяется по лицензии Apache-2.0. Карточка не сообщает об оценке на других наборах данных, поэтому качество на иных текстах может отличаться.

Intent Detection V2.4 — дообученная Ningpy на Qwen2.5-7B-Instruct модель для определения намерений пользователей медицинского приложения и маршрутизации запросов с учётом безопасности. Она классифицирует сообщения по типу медицинского запроса, выявляет потенциальные красные флаги и ситуации, требующие блокировки или перенаправления, включая сочетание экстренного случая с запросом о персональной дозировке. Модель формирует структурированный ответ с полями намерения, признаков риска, кодов маршрутизации и извлечённых лекарств, заболеваний и симптомов; сущности сохраняются как фрагменты исходного сообщения. Модель имеет плотную архитектуру Qwen2 с 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. В README заявлены английский, китайский и брунейский малайский языки, а метаданные явно подтверждают английский и китайский. На валидационном наборе из 2 518 примеров указаны Safety F1 92,3%, точное совпадение многометочной разметки 88,0% и совместная точность 81,5%; эти показатели относятся к описанной авторами выборке. Для повторяемой маршрутизации рекомендована температура 0.0. Лицензия — Apache-2.0.

MedSigLIP — разработанная Google медицинская версия SigLIP для совместного кодирования изображений и текста в общее пространство эмбеддингов. Модель включает vision transformer на 400 млн параметров и text transformer на 400 млн параметров; принимает изображения размером 448×448 и текст длиной до 64 токенов. Она обучена на обезличенных парах медицинских изображений и описаний, включая рентгенограммы грудной клетки, изображения кожи и глаз, гистопатологические препараты и срезы КТ и МРТ, а также на обычных изображениях и текстах. Модель предназначена для разработчиков медицинских приложений и подходит для классификации без примеров из целевых классов, поиска изображений по смыслу и создания эмбеддингов для последующей классификации или регрессии. Она не генерирует текст и может применяться также к обычным изображениям. Лицензия указана как other; README не приводит её точных условий. Эмбеддинги и оценки требуют проверки и адаптации под конкретное применение. Без независимой валидации результаты не следует использовать для диагностики, выбора лечения или других клинических решений; медицинское приложение должно отдельно соответствовать применимым нормативным требованиям.

OpenMed разработала OpenMed-NER-BloodCancerDetect-TinyMed-66M — модель для распознавания клинических сущностей, связанных с хроническим лимфоцитарным лейкозом (ХЛЛ), в медицинских и научных текстах. Это дообученная модель DistilBERT с классификационной головой для разметки токенов; README указывает 66 млн параметров в названии репозитория, контекст — 512 токенов. Модель выделяет сущности метками B-CL и I-CL и возвращает BIO-разметку. Модель предназначена для извлечения упоминаний ХЛЛ, биомаркеров, лечения и связанных клинических понятий из записей и публикаций. Её можно применять для поиска по медицинской литературе, анализа клинических документов и построения систем мониторинга. README приводит F1 0,80, точность 0,73 и полноту 0,88 на датасете CLL; это результаты для специализированного набора данных, а не гарантия качества на других текстах. Модель рассчитана на англоязычные входные данные. Лицензия — Apache-2.0.

OpenMed/OpenMed-NER-DiseaseDetect-MultiMed-568M — модель OpenMed для распознавания названий заболеваний в биомедицинских текстах. Это дообученный трансформер XLM-RoBERTa для классификации токенов: он выделяет сущности заболевания метками BIO `B-DISEASE` и `I-DISEASE`. Размер модели — 658,7 млн параметров, контекст — до 8194 токенов; входом служит токенизированный текст, выходом — разметка найденных сущностей. Модель предназначена для извлечения заболеваний из научных публикаций и медицинских документов, включая обработку литературы и биомедицинский текстовый анализ. Она обучена на наборе BC5CDR-Disease и в карточке указаны F1 0,89, точность 0,88 и полнота 0,90. Хотя README заявляет более широкий круг медицинских сценариев, модель размечает только сущности заболеваний; обнаружение лекарств, взаимодействий и нежелательных явлений напрямую не подтверждено. Язык карточки — английский. Лицензия Apache-2.0.

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 разработала OpenMed-NER-OncologyDetect-BioClinical-108M — специализированную модель распознавания биомедицинских сущностей в текстах об онкологии и генетике рака. Это дообученный Bio_ClinicalBERT на корпусе BioNLP 2013 CG для задачи NER; модель размечает токены BIO-тегами, выделяя, среди прочего, гены и их продукты, виды рака, клетки, ткани, органы, химические вещества и другие анатомические и биологические сущности. Модель подходит для извлечения сущностей из медицинских записей и научной литературы, анализа онкологических публикаций и построения биомедицинских баз знаний. Размер — 135,5 млн параметров, максимальный контекст — 512 токенов; вход — токенизированный текст, выход — метки токенов. В README приведены результаты на целевом корпусе: F1 0,80, точность 0,79 и полнота 0,81. Английский указан как язык карточки. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-PathologyDetect-ElectraMed-33M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученный трансформер архитектуры BERT для классификации токенов, обученный на корпусе NCBI Disease; он выделяет сущности метками B-Disease и I-Disease и выдаёт BIO-разметку. В README также указана базовая архитектура e5-small-v2, однако идентификатор базовой модели не приведён. По метаданным модель содержит 40 млн параметров, принимает последовательности токенов с контекстом до 512 токенов и распространяется в формате safetensors. Модель подходит для извлечения названий заболеваний из медицинских записей, научных публикаций и других биомедицинских документов, а также для построения систем поиска и анализа медицинской литературы. README приводит F1 0,82, точность 0,79 и полноту 0,85 на NCBI Disease; эти результаты относятся к указанному корпусу. Модель ориентирована на английский язык. Лицензия — Apache-2.0. Её задача ограничена распознаванием заболеваний: README упоминает более широкие сценарии вроде извлечения лекарств, но поддержка соответствующих сущностей не заявлена.

OpenMed/OpenMed-NER-PharmaDetect-BigMed-278M — специализированная модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Она дообучена на корпусе BC5CDR-Chem и построена на архитектуре XLM-RoBERTa; метаданные указывают 305,2 млн параметров и контекст до 514 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типов B-CHEM и I-CHEM. Модель предназначена для извлечения названий химических соединений, лекарств и терапевтических веществ из научных публикаций и медицинских документов. Такие извлечения могут служить основой для мониторинга нежелательных явлений, анализа упоминаний препаратов и построения биомедицинских баз знаний. В README заявлены F1 0,95, точность 0,93 и полнота 0,96 на BC5CDR-Chem; эти результаты относятся к указанному набору данных и не гарантируют такое же качество на других текстах. Обучение ориентировано на химические сущности BC5CDR, поэтому охват других типов сущностей и перенос на иные домены ограничены. Лицензия — Apache-2.0.

OpenMed-NER-PharmaDetect-ModernMed-395M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученная ModernBERT-large с архитектурой ModernBertForTokenClassification и примерно 394,7 млн параметров. Модель принимает токенизированный текст и присваивает токенам BIO-метки B-CHEM и I-CHEM; максимальная длина контекста — 8192 токена. Модель обучена на BC5CDR_CHEM и предназначена для извлечения названий химических соединений и лекарств из научных публикаций, медицинских записей и других биомедицинских документов. Такие извлечения можно использовать для мониторинга нежелательных явлений, поиска сведений о препаратах и построения биомедицинских баз знаний. В README заявлены F1 0,95, точность 0,94 и полнота 0,96 на соответствующей задаче. Модель работает с англоязычными текстами. Метаданные указывают лицензию Apache-2.0. Заявленные в карточке результаты относятся к BC5CDR_CHEM; качество на других жанрах и наборах данных отдельно не подтверждено.

OpenMed разработала OpenMed-PII-BiomedELECTRA-Base-110M-v1 — англоязычную модель на базе BiomedELECTRA для токенной классификации и обнаружения 54 типов персональных и медицинских идентификаторов в тексте. Модель дообучена на наборе NVIDIA Nemotron-PII; архитектура относится к семейству BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для поиска чувствительных данных в клинических записях, медицинских документах и других текстах, чтобы поддерживать обезличивание, подготовку данных и аудит приватности. В README сообщается о micro F1 0,9431 на тестовой выборке из 2 000 примеров; среди распознаваемых сущностей есть имена, адреса, медицинские номера, финансовые и контактные данные. Результаты могут зависеть от предметной области: для некоторых категорий, включая время, пол и религиозные убеждения, качество ниже. Возможны пропуски, поэтому критически важные результаты требуют проверки человеком; модель обучена преимущественно на английском языке. Распространяется по лицензии Apache-2.0.

BENT-PubMedBERT-NER-Disease — англоязычная модель распознавания именованных сущностей заболеваний, разработанная Pedro Ruas и Francisco M. Couto. Это BERT-модель PubMedBERT, дообученная для токенной классификации на нескольких биомедицинских корпусах, включая NCBI Disease Corpus, PHAEDRA, RareDis, BC5CDR и Mantra. Она предназначена для выделения названий болезней и связанных сущностей, в том числе редких заболеваний, симптомов и побочных эффектов, в текстах биомедицинской тематики. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. Поддерживаемый язык — английский. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Она может быть полезна для извлечения упоминаний заболеваний из научных публикаций и других биомедицинских текстов; качество вне перечисленных типов сущностей и доменов карточка не описывает.

BioGPT-Large — генеративная языковая модель семейства BioGPT, разработанная Microsoft и обученная на крупном массиве биомедицинской литературы. Это плотный Transformer с авторегрессивной архитектурой BioGptForCausalLM, содержащий 2,1 млрд параметров; максимальная длина контекста — 2048 токенов. Модель предназначена для генерации текста в биомедицинском контексте: например, для составления описаний биомедицинских терминов и помощи в задачах обработки научной литературы. В карточке сообщается о результатах на задачах извлечения сущностей и отношений, а также ответов на вопросы по биомедицинским публикациям. Основной язык модели — английский. Модель работает с текстовым вводом и генерирует текст. Она распространяется в формате PyTorch по лицензии MIT. Результаты на бенчмарках не гарантируют точность медицинских выводов; ответы модели требуют проверки специалистом.

Minbyul/biomistral-7b-wo-kqa_golden-iter-dpo-step1 — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Это DPO-дообученная версия Minbyul/biomistral-7b-wo-kqa_golden-iter-sft-step1, обученная на HuggingFaceH4/ultrafeedback_binarized. Модель предназначена для генерации текста в формате диалога; базовая модель ориентирована, в частности, на ответы на медицинские и биологические вопросы. Контекст составляет до 32 768 токенов. В карточке приведены метрики оценки на тестовой выборке, включая точность предпочтений 0,5833 и разницу наград 0,0045, но подробности методики и наборов оценки не описаны. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не содержит дополнительных сведений о сценариях применения и ограничениях.

OnePoint16/distilbert-medical-question_answer — модель DistilBERT, разработанная OnePoint16 и дообученная на базе distilbert/distilbert-base-uncased для извлечения ответов на вопросы. Она предназначена для сценариев question answering, включая поиск ответов на медицинские вопросы в предоставленном контексте. Модель использует архитектуру DistilBertForQuestionAnswering, работает с текстом и рассчитана на контекст до 512 токенов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. В карточке указана оценка Loss 5.6100 на тестовом наборе, но датасет, методика оценки и практические ограничения не описаны; поэтому качество ответов, особенно в медицинских сценариях, по имеющимся данным оценить нельзя.

redis/langcache-embed-medical-v1 — модель Sentence Transformers, дообученная Redis на базе Alibaba-NLP/gte-modernbert-base для семантического сравнения медицинских текстов и семантического кэширования. Архитектура ModernBERT преобразует предложения и абзацы в плотные векторы размерности 768; сходство оценивается косинусной мерой. Модель принимает последовательности длиной до 8192 токенов и обучена на медицинских парах вопросов с метками сходства. Модель предназначена для поиска похожих медицинских запросов и повторного использования кэшированных ответов в системах на Redis LangCache. В README приведены метрики бинарной классификации: точность по косинусному сходству 0,92 и F1 0,93. Репозиторий содержит варианты в форматах safetensors, ONNX и OpenVINO. Язык медицинских данных в карточке не уточнён. Условия лицензии в предоставленных данных отсутствуют.

Meerkat-7B-v1.0 — медицинская диалоговая языковая модель dmis-lab, дообученная на базе Mistral-7B-v0.1. Это плотная модель с 7,1 млрд параметров и контекстом до 32 768 токенов; она принимает текстовые инструкции и генерирует текстовые ответы. Модель предназначена для решения экзаменационных вопросов в стиле USMLE, анализа клинических случаев и ответов на медицинские запросы. По README, при обучении использовались синтетические цепочки рассуждений на основе 18 медицинских учебников и набор инструкций AlpaCare; авторы сообщают о результатах выше проходного порога USMLE среди моделей с 7 млрд параметров. Для воспроизведения оценок на медицинских тестах в запросе требуется формат с метками USER и ASSISTANT, а также рекомендованные авторами системные сообщения. Модель может быть полезна для обучения и исследовательской поддержки, но её ответы не следует считать медицинским диагнозом или заменой специалиста. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

MELT-llama-2-3x70b-chat-hf — языковая модель Medical Education Language Transformer, разработанная Center for Applied AI и дообученная на общедоступных медицинских данных. Это генеративная модель архитектуры Mixtral с MoE; в метаданных указан размер 68,7 млрд параметров, длина контекста — 2048 токенов. Модель принимает текст и генерирует текст, а карточка указывает английский как поддерживаемый язык. Модель предназначена для ответов в формате вопросов и ответов или чата по медицинским темам, включая подготовку к медицинским экзаменам. В карточке сообщается о результатах на тестах USMLE, AIIMS и NEET, однако они не гарантируют точность ответов в других сценариях. Лицензия — Apache 2.0.