IV.4Клиническая медицина и общественное здоровье

AImageLab разработала Cond-UNet Attention — модель семантической сегментации ультразвуковых изображений. Она принимает RGB-изображение и предсказывает бинарную маску переднего плана, выдавая один логит для каждого пикселя. Архитектура основана на U-Net с условием внимания: глубина 5, базовая ширина 16, входной размер 512 × 512, патчи размером 8 пикселей и эмбеддинги внимания размерностью 768. Модель предназначена для сегментации объектов на УЗИ; условие по органу можно передавать отдельно, а при его отсутствии используется токен unknown с ID −1. DWT и условие по форме отключены. Для загрузки используются пользовательский код Transformers и параметр trust_remote_code=True. В репозитории указаны веса safetensors; лицензия не приведена.

keremberke/yolov8m-blood-cell-detection — модель компьютерного зрения на архитектуре YOLOv8m, опубликованная пользователем keremberke и предназначенная для обнаружения клеток крови на изображениях. Она выделяет объекты трёх классов: тромбоциты, эритроциты и лейкоциты. Модель распространяется в формате PyTorch и использует библиотеку Ultralytics. Модель подходит для автоматического поиска и локализации клеток крови на изображениях, например для предварительной разметки микроскопических снимков и поддержки исследовательского анализа. Карточка указывает датасет keremberke/blood-cell-object-detection. Лицензия в предоставленных сведениях не обозначена.

CeLLaTe-ner-2class-bioformer16l-with-gazetteers-lr_2.103e-5 — модель для классификации токенов, дообученная авторами на базе bioformers/bioformer-16l на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. По названию и датасету она предназначена для распознавания именованных сущностей в текстах о клинических испытаниях; архитектура — BERT с головой классификации токенов, объём — 50,3 млн параметров, контекст — до 1024 токенов. Модель принимает текст и присваивает метки его токенам. В README приведены результаты на оценочной выборке: micro F1 0,7784, precision 0,7699, recall 0,7871 и accuracy 0,9820. Карточка не раскрывает значения двух классов, подробности обучения и использования газеттеров, поэтому эти характеристики нельзя уточнить. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Meditron-3-Phi4-14B — языковая модель для медицинских задач, разработанная инициативой OpenMeditron на базе Phi-4 от Microsoft. Это плотный авторегрессионный трансформер с декодером, содержащий 14,1 млрд параметров; он принимает и генерирует текст, а длина контекста составляет 16 384 токена. Основной язык — английский. Модель дообучена на экспертно отобранных клинических рекомендациях, медицинских публикациях, синтетических примерах дифференциальной диагностики, медицинских тестах и общих данных. Она предназначена для исследовательской оценки ответов на медицинские вопросы и доступа к доказательной медицинской информации, в том числе в условиях ограниченных ресурсов. По карточке, модель не проходила дополнительную настройку для следования инструкциям; в описанной оценке ответы на вопросы получали через примеры в контексте или отдельное дообучение. Модель доступна по лицензии MIT. Это исследовательский инструмент, который не валидирован для диагностики, лечения или принятия клинических решений; результаты требуют проверки квалифицированными специалистами. Авторы также предупреждают, что модель может не учитывать локальные рекомендации и потребности конкретных групп пациентов.

OpenMed-NER-ChemicalDetect-BioPatient-108M — модель OpenMed для распознавания упоминаний химических соединений и веществ в биомедицинских текстах. Это дообученный BERT-классификатор токенов на 135,5 млн параметров с контекстом до 512 токенов; веса опубликованы в формате Safetensors. Модель размечает токены тегами B-CHEM и I-CHEM и рассчитана на английские тексты. Модель подходит для извлечения названий химических веществ и лекарств из медицинских записей, научных публикаций и других биомедицинских документов. Это может поддержать поиск упоминаний препаратов, мониторинг нежелательных явлений и подготовку данных для исследований. В README заявлены результаты на корпусе BC4CHEMD: F1, точность и полнота 0,94, однако подробности независимой проверки не приведены. Модель распространяется по лицензии Apache-2.0 и интегрируется с Hugging Face Transformers. Её назначение ограничено распознаванием химических сущностей: README не подтверждает извлечение отношений, таких как лекарственные взаимодействия, или клиническую интерпретацию. Максимальная длина контекста составляет 512 токенов.

JSL-Med-Sft-Llama-3-8B GGUF — это набор оптимизированных квантованных файлов модели JSL-Med-Sft-Llama-3-8B, разработанной John Snow Labs и подготовленной в формате GGUF командой featherless-ai-quants. Модель предназначена для генерации текста и, судя по названию базовой модели, ориентирована на медицинские сценарии, однако README не содержит подробностей о конкретных задачах, данных обучения или области применения. Модель основана на Llama 3 с размером 8B параметров. Доступны варианты квантования Q2_K, Q3_K_S, Q3_K_M, Q3_K_L, Q4_K_S, Q4_K_M, IQ4_XS, Q5_K_S, Q5_K_M, Q6_K и Q8_0; их размер составляет примерно от 3,0 до 8,1 ГБ. Квантование позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Сведения о поддерживаемых языках, размере контекста, точной архитектуре, модальностях и результатах оценки отсутствуют. README не указывает лицензию, поэтому условия использования определить нельзя. Также не приведены ограничения, связанные с медицинской безопасностью, поэтому модель не следует считать заменой профессиональной медицинской консультации без дополнительной проверки и соответствующей валидации.

Модель 9pinus/macbert-base-chinese-medicine-recognition — дообученная версия bert-base-chinese для распознавания названий лекарств в китайском тексте. Разработчик сообщает, что модель обучалась на наборе из 500 млн единиц данных, включающем более 100 тысяч медицинских статей с разметкой названий препаратов; точность на тестовом наборе, по данным карточки, составляет 92%. Модель построена на архитектуре BERT и содержит 129,5 млн параметров. Модель предназначена для извлечения упоминаний лекарств из медицинских текстов и статей. Она решает задачу классификации токенов, принимает текст и выдаёт метки для его фрагментов. Контекст ограничен 512 токенами, поддерживаемый язык — китайский. Распространяется по лицензии Apache-2.0. Заявленная точность относится к тестовому набору разработчика; карточка не описывает его состав и методику оценки.

OpenMed-NER-PharmaDetect-ElectraMed-560M — специализированная модель OpenMed для распознавания названий химических соединений в биомедицинских текстах. Это дообученный трансформер с архитектурой XLM-RoBERTa и 658,7 млн параметров, предназначенный для token classification. Модель принимает токенизированный текст и возвращает BIO-разметку химических сущностей, используя метки B-CHEM и I-CHEM. Контекст ограничен 514 токенами. Модель обучена на BC5CDR_CHEM и рассчитана на извлечение лекарств и химических соединений из медицинских записей, научных публикаций и других биомедицинских документов. Это может служить этапом подготовки данных для мониторинга нежелательных реакций, поиска литературы и построения биомедицинских баз знаний. В README заявлены F1 0,96, точность 0,95 и полнота 0,96 на соответствующем наборе данных. Карточка указывает совместимость с Transformers; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Заявленные метрики относятся к BC5CDR_CHEM и сами по себе не подтверждают качество на других типах клинических текстов или вне английского языка.

OpenMed разработала OpenMed-NER-PharmaDetect-PubMed-109M — модель на базе BiomedNLP-BiomedBERT для распознавания химических сущностей в биомедицинских текстах. Это дообученный BERT-классификатор токенов размером 136,7 млн параметров с контекстом до 512 токенов; он размечает названия химических соединений, лекарств и терапевтических веществ тегами BIO. Модель предназначена для извлечения химических сущностей из аннотаций PubMed, научных публикаций и медицинских записей. Её можно применять для поиска лекарств в текстах, анализа биомедицинской литературы и подготовки данных для фармаконадзора и исследований разработки лекарств. В README приведены показатели на BC5CDR-Chem: F1 0,96, точность 0,94 и полнота 0,97. Модель принимает токенизированный текст и выдаёт метки сущностей для токенов. Она обучена на англоязычном наборе BC5CDR-Chem, поэтому её назначение ограничено распознаванием химических сущностей в биомедицинском тексте; качество на иных доменах и языках не подтверждено. Лицензия — Apache-2.0.

BiomedBERT — языковая модель семейства BERT, разработанная Microsoft для биомедицинской обработки текста. Ранее она называлась PubMedBERT (abstracts + full text). Модель обучена с нуля на аннотациях PubMed и полных текстах статей PubMed Central, а не продолжала обучение общей языковой модели. Чекпойнт содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначен для заполнения пропусков в тексте. Предобучение на биомедицинских публикациях помогает применять его в задачах обработки научной и медицинской литературы; README сообщает о высоких результатах на биомедицинских NLP-бенчмарках, включая лидерство на BLURB. Доступны версии весов PyTorch и Flax. Модель распространяется по лицензии MIT. Она предсказывает замаскированные токены и сама по себе не является универсальным чат-ботом или генератором длинных ответов; для прикладных задач вроде классификации или распознавания сущностей обычно требуется соответствующая настройка модели.

Llama3.1-Aloe-Beta-70B — медицинская языковая модель HPAI, дообученная на базе meta-llama/Llama-3.1-70B. Это авторегрессионный трансформер с 69,5 млрд параметров и контекстом до 131 072 токенов. Aloe Beta обучена на 1,8 млрд токенов для 20 медицинских задач, включая ответы на вопросы, объяснение медицинских тем, суммаризацию, классификацию, диагностику и рекомендации по лечению. В обучающую выборку также вошли общие данные и примеры для освоения вызова функций. Модель предназначена для исследовательских и информационных сценариев в здравоохранении, например для ответов на медицинские вопросы и работы в составе RAG-системы. Карточка заявляет английский язык; другие языки формально не оценивались. Модель может выдавать токсичный контент и воспроизводить нежелательные предубеждения, а её ответы могут быть ошибочными. Разработчик запрещает использовать её для клинической практики, диагностики и прямых или косвенных медицинских советов. Изменения Aloe распространяются по лицензии CC-BY-NC-4.0 для некоммерческого использования и исследований; базовая модель выпущена по лицензии Meta Llama 3.

Модель mahmoodulhassan23/medical-question-classifier — дообученная версия DistilBERT для классификации медицинских вопросов по 20 специальностям, включая кардиологию, педиатрию, психиатрию и хирургию. Она предназначена для маршрутизации вопросов в системах триажа и автоматического присвоения тегов медицинским платформам вопросов и ответов. Модель принимает текст и выдаёт метку специальности. В карточке указаны точность около 82,4% и взвешенная F1-мера около 0,821. Контекст ограничен 512 токенами; основной язык модели — английский. Лицензия — Apache 2.0. Модель предназначена только для категоризации и маршрутизации: она не ставит диагнозы и не даёт рекомендаций по лечению.

OpenMed-NER-BloodCancerDetect-BigMed-560M — разработанная OpenMed модель для распознавания клинических сущностей, связанных с хроническим лимфолейкозом (CLL). Это дообученный XLM-RoBERTa для классификации токенов: модель присваивает токенам метки B-CL и I-CL, обозначающие границы упоминаемых сущностей. Она принимает токенизированный биомедицинский текст и возвращает BIO-разметку. Модель предназначена для извлечения терминов из клинических текстов и медицинской литературы, в том числе для анализа материалов по гематологии и онкологии. В карточке указаны размер около 658,7 млн параметров и контекст до 514 токенов. README приводит F1 0,84, точность 0,89 и полноту 0,79 на наборе CLL; результаты относятся к описанной оценке и не гарантируют аналогичное качество на других данных. Модель распространяется по лицензии Apache-2.0.

OpenMed/OpenMed-NER-DiseaseDetect-MultiMed-335M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученная архитектура BERT для классификации токенов: она присваивает словам BIO-метки B-DISEASE и I-DISEASE и объединяет их в найденные сущности. Модель обучена на наборе BC5CDR-Disease, содержащем аннотации заболеваний в научных аннотациях PubMed. Модель подходит для извлечения названий заболеваний из медицинских записей и научной литературы, а также для последующего анализа упоминаний в биомедицинских системах. В README приведены результаты на BC5CDR-Disease: F1 0,9022, точность 0,8890 и полнота 0,9159. По метаданным модель содержит около 433,9 млн параметров, принимает текст с контекстом до 512 токенов и работает с английским языком. Распространяется по лицензии Apache-2.0. Модель выявляет только сущности заболеваний; заявленные в README сценарии вроде обнаружения лекарственных взаимодействий требуют дополнительных моделей или этапов обработки. Её оценки относятся к BC5CDR-Disease и не гарантируют такую же точность на других типах медицинских текстов или языках.

BiomedBERT (ранее PubMedBERT (abstracts)) — англоязычная модель Microsoft на архитектуре BERT, обученная с нуля на аннотациях статей PubMed. Она предназначена для заполнения пропусков в тексте и служит основой для прикладных задач обработки биомедицинского языка, включая извлечение и анализ информации из научных публикаций. В карточке сообщается о высоких результатах на нескольких биомедицинских NLP-задачах бенчмарка BLURB. Модель содержит 136,7 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Доступны веса PyTorch и Flax. Лицензия MIT. Обучение на биомедицинских аннотациях специализирует словарные и языковые представления на этой области; результаты на BLURB не гарантируют качество на каждой задаче или вне биомедицины.

PathFinderKR/Llama-3-1B-Medical-Instruct — дообученная PathFinderKR языковая модель семейства Llama 3.2 для генерации текста. Она основана на unsloth/Llama-3.2-1B, имеет плотную архитектуру LlamaForCausalLM и 1,2 млрд параметров. Модель предназначена для текстовых инструкций в медицинском контексте; подробности обучения и конкретные клинические сценарии в карточке не описаны. Модель принимает и генерирует текст, поддерживает английский язык и имеет контекст длиной до 131 072 токенов. В карточке указаны Unsloth и TRL как инструменты обучения. Лицензия — Apache-2.0. Карточка не содержит результатов медицинской оценки, поэтому пригодность ответов для клинических решений не подтверждена.

MoaData Myrrh_solar_10.7b_2.0 — языковая модель семейства Llama, разработанная Taeeon Park и Gihong Lee для MoAData. Это плотная авторегрессионная модель на 10,6 млрд параметров, дообученная методом DPO на самостоятельно подготовленном медицинском датасете на основе набора AI Hub. Модель предназначена для генерации текста в медицинском контексте; карточка не уточняет конкретные клинические сценарии и языковые возможности за пределами корейского языка в метаданных. Модель принимает текст и генерирует текст. Указанное контекстное окно — 4096 токенов; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества, результатов клинической проверки или рекомендаций по безопасному применению, поэтому ответы не следует считать медицинскими рекомендациями.

OpenMed разработала специализированную модель распознавания клинических сущностей, дообученную для поиска понятий, связанных с хроническим лимфолейкозом (ХЛЛ), в биомедицинских текстах. Она основана на архитектуре BERT и BiomedNLP-BiomedELECTRA-base-uncased-abstract и содержит 136,7 млн параметров. Модель принимает токенизированный текст и возвращает BIO-разметку; поддерживаемые метки — B-CL и I-CL. Максимальная длина контекста составляет 512 токенов. Модель предназначена для извлечения терминов ХЛЛ из медицинских документов и научной литературы, включая задачи клинического текстового анализа и биомедицинских исследований. В README указаны F1 0,75, точность 0,67 и полнота 0,85; эти результаты не гарантируют аналогичного качества на других данных. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

OpenMed-NER-BloodCancerDetect-BioPatient-108M — специализированная модель OpenMed для распознавания именованных сущностей, связанных с хроническим лимфолейкозом (ХЛЛ), в биомедицинских и клинических текстах. Это дообученный трансформер архитектуры BERT с 135,5 млн параметров; он принимает токенизированный текст и выдаёт BIO-разметку сущностей. Контекст ограничен 512 токенами, модель распространяется в формате safetensors и совместима с Transformers. Модель предназначена для извлечения терминов ХЛЛ из медицинских записей, научной литературы и других профильных документов. В README перечислены типы сущностей B-CL и I-CL. На описанном наборе CLL указаны F1 0,67, точность 0,65, полнота 0,69 и accuracy 0,94; поэтому качество извлечения может быть ограниченным. Лицензия — Apache-2.0.

OpenMed разработала эту специализированную модель для распознавания сущностей, связанных с хроническим лимфолейкозом (ХЛЛ), в медицинских и научных текстах. Это дообученная ModernBERT-base с 149 млн параметров, архитектурой ModernBertForTokenClassification и контекстом до 8192 токенов. Модель принимает токенизированный текст и возвращает BIO-разметку; указаны метки B-CL и I-CL. Карточка заявляет поддержку английского языка. Модель предназначена для извлечения упоминаний ХЛЛ из медицинской документации и научной литературы, а также для анализа терминологии, биомаркеров и лечения в гематологии и онкологии. В карточке приведены точность 1,00, полнота 0,35 и F1 0,52 на корпусе CLL: высокая точность сопровождается низкой полнотой, поэтому модель может пропускать многие подходящие сущности. Лицензия — Apache-2.0.

OpenMed-NER-BloodCancerDetect-TinyMed-135M — модель OpenMed для распознавания клинических сущностей, связанных с хроническим лимфолейкозом (ХЛЛ), в медицинских и научных текстах. Это дообученная модель DistilBERT для классификации токенов; README указывает базовую архитектуру distilbert-base-multilingual-cased, а метаданные — семейство DistilBERT и контекст до 512 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типов B-CL и I-CL. Модель предназначена для извлечения терминов ХЛЛ, биомаркеров, методов лечения и клинических понятий из медицинских записей и публикаций. README приводит F1 0,88, точность и полноту 0,88, accuracy 0,97 на корпусе CLL; эти показатели относятся к описанному в карточке набору данных. Языковые метаданные указывают английский, а название базовой архитектуры — на многоязычный вариант DistilBERT. Модель распространяется по лицензии Apache-2.0. Она помечает только указанные в карточке категории ХЛЛ, поэтому её не следует считать универсальной медицинской NER-моделью или использовать как самостоятельную основу для клинических решений.

deepset выпустила deepset/roberta-base-squad2-covid — англоязычную модель для извлечения ответов на вопросы по документам о COVID-19. Она основана на deepset/roberta-base-squad2 и дообучена на аннотациях в стиле SQuAD, созданных для CORD-19. Модель использует архитектуру RoBERTa и содержит 151,8 млн параметров; максимальная длина контекста — 514 токенов. Модель предназначена для поиска фрагмента ответа в тексте научных публикаций и других документов о COVID-19, в том числе в конвейерах Haystack. В пятифолдовой проверке указаны средние F1 0,499 и top-3 recall 0,802; опубликованный чекпойнт получен на третьем фолде. Лицензия — CC BY 4.0. Результаты проверки показывают, что качество извлечения ответов может быть ограниченным; модель обучена для тематических англоязычных текстов, поэтому её не следует считать универсальной QA-моделью.

Zabihin/Symptom_to_Diagnosis — модель классификации текста, дообученная автором на базе bert-base-cased для определения возможного диагноза по текстовому описанию симптомов. Она присваивает описанию одну из 22 диагностических меток и предназначена для классификации англоязычных описаний симптомов. Модель использует архитектуру BERT для классификации последовательностей, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Для обучения использован набор Gretel symptom_to_diagnosis, содержащий 1 065 англоязычных примеров. Модель распространяется под лицензией Apache-2.0.

Модель ghadeermobasher/BC5CDR-Disease-Modified_BiomedNLP-PubMedBERT-base-uncased-abstract опубликована пользователем ghadeermobasher на Hugging Face. Это модель классификации токенов на базе архитектуры BERT, связанная с BiomedNLP-PubMedBERT и набором BC5CDR-Disease. Она предназначена для извлечения и разметки упоминаний заболеваний в биомедицинских текстах, включая аннотации публикаций PubMed. Модель содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. Она рассчитана на работу через библиотеку Transformers с фреймворком PyTorch. Модель специализирована на биомедицинской предметной области и не является универсальной генеративной моделью. Ограничения включают максимальную длину контекста 512 токенов и узкую специализацию на токен-классификации заболеваний. Лицензия в доступных данных не установлена.

BioBERT-Base v1.1 — модель обработки биомедицинского текста, разработанная исследователями DMIS Lab Корейского университета. Она основана на BERT-base-Cased и дополнительно обучена на корпусе PubMed, чтобы лучше представлять научную и медицинскую лексику. Модель используют как основу для извлечения биомедицинских сущностей, классификации отношений между ними, ответов на вопросы и построения эмбеддингов текста. Это энкодер для входного текста, а не универсальная генеративная модель; для конкретных задач обычно требуется дообучить или дополнить её соответствующей головой. Размер — 135,5 млн параметров, максимальный контекст — 512 токенов. Модель рассчитана на английский язык. Модель опубликована в формате PyTorch. В доступных метаданных лицензия не указана; перед использованием следует проверить условия в репозитории разработчика. Ограничение контекста и узкая биомедицинская специализация делают её менее подходящей для длинных документов и обычного неспециализированного текста.

BioDecision-4B — специализированная модель решений для биомедицины, фармацевтики и клинических исследований, разработанная LightEternal. Она принимает источник, вопрос и заданные варианты ответа, после чего за один проход выдаёт вероятность для каждого варианта. Поддерживаются решения с выбором из 2–24 вариантов, «да/нет» и упорядоченные шкалы; формат запросов совместим с Jev / TypeSafe systemone. Модель основана на Qwen3.5-4B с 4,66 млрд параметров: применён LoRA-файнтюнинг, веса адаптера объединены с базовой моделью. Репозиторий содержит веса safetensors для Transformers; метаданные также указывают интерфейс чата и вызова инструментов, хотя основной сценарий — оценка вариантов, а не генерация ответов. Модель предназначена для прогнозирования результатов клинических испытаний, сопоставления пациентов с испытаниями, ответов на медицинские вопросы с выбором из вариантов, извлечения отношений между лекарствами и оценки того, подтверждается ли ответ источником. В тестах авторов она показала 70,2% точности на 46 199 решениях из 28 биомедицинских бенчмарков. Эти результаты зависят от набора данных и протокола оценки; авторы отмечают, что модель решает по предоставленному источнику и вариантам, не выполняет поиск и не объясняет решения. Модель предназначена для исследовательского применения и не валидирована для ухода за пациентами. Для сложных задач с многошаговым рассуждением её результаты ограничены, а для фиксированного извлечения с размеченными данными специализированный экстрактор может быть точнее. Лицензия указана как other; README предупреждает, что несколько источников обучения имеют некоммерческие условия.

EpiExtract4GARD-v2 — модель NCATS на архитектуре BERT, дообученная на EpiSet4NER-v2 для распознавания именованных сущностей в аннотациях к исследованиям редких заболеваний. Она размечает упоминания мест (LOC), типов эпидемиологических показателей (EPI) и статистических значений или показателей распространённости (STAT), например географические названия и частоту случаев заболевания. Модель принимает текст и возвращает метки для токенов; она рассчитана на английский язык и имеет контекстное окно 512 токенов. Модель предназначена для извлечения эпидемиологической информации из научных аннотаций и может служить компонентом исследовательского конвейера. Она использует веса PyTorch и содержит около 463,1 млн параметров. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели. Качество и применимость ограничены особенностями и смещениями обучающего набора EpiSet4NER; кроме того, BERT может неточно обрабатывать числовые значения, что затрудняет распознавание эпидемиологических показателей.

Minbyul/meditron-7b-wo-kqa_silver_wogold-sft — дообученная модель генерации текста на архитектуре Llama, созданная на основе epfl-llm/meditron-7b. Она обучена на датасете HuggingFaceH4/deita-10k-v0-sft; карточка приводит значение loss 0,8975 на наборе оценки. Базовая Meditron-7B описана как англоязычная медицинская языковая модель для экспериментов с ответами на медицинские вопросы. Модель рассчитана на генерацию текста; возможный сценарий применения — ответы на медицинские вопросы на английском языке. Параметры: 6,6 млрд, контекст — 2048 токенов. Данные не подтверждают отдельную проверку качества медицинских ответов этой версии. Лицензия — Llama 2.

Radiology_Bart — модель Мухаммада Билала для преобразования текстовых результатов радиологических исследований в краткие заключения (impressions), помогающие передавать ключевые находки от радиологов клиницистам. Это encoder-decoder модель семейства BART на основе GanjinZero/biobart-v2-base, дообученная на 70 тысячах обезличенных радиологических отчётов; в метаданных указано 288,8 млн параметров и контекст до 1024 токенов. Модель работает на английском языке и обрабатывает текстовые описания исследований разных анатомических областей и методов визуализации, включая рентген, КТ и МРТ. Модель предназначена для автоматического составления краткого заключения по тексту находок. В карточке приведены оценки ROUGE на тестовом наборе, однако они измеряют сходство с эталонными формулировками и сами по себе не подтверждают клиническую точность. Лицензия в предоставленных данных не указана.

ROSALIA-7B-v1 — мультимодальная модель компьютерного зрения, разработанная для сегментации патологических очагов на рентгенограммах грудной клетки по текстовым инструкциям. Это дообученная версия LISA-7B-v1, обученная на наборе MIMIC-ILS для сегментации очагов и ответов на инструкции в медицинском контексте. Модель поддерживает архитектуру LLaVA, содержит 6,6 млрд параметров и рассчитана на контекст до 2048 токенов; репозиторий содержит веса PyTorch. ROSALIA предназначена для сегментации различных очагов на снимках грудной клетки по пользовательскому запросу и для выдачи текстовых пояснений. Карточка связывает чекпойнт с работой, принятой на CVPR 2026. Лицензия в доступных данных не приведена. Модель ориентирована на медицинские изображения, поэтому результаты требуют проверки специалистом; сведений о диагностической точности и клиническом применении в карточке нет.