IV.4Клиническая медицина и общественное здоровье

Модель ishikaa/acquisition_student_AS_diversity_medmcqa_qwen7b_10000 — генеративная текстовая модель на базе семейства Qwen2, доступная для использования через библиотеку Transformers. По идентификатору модели она связана с задачами медицинских вопросов и ответов MedMCQA, а также с обучением методом SFT; разработчик в карточке не указан. Модель содержит около 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и может применяться к ответам на медицинские вопросы, формированию объяснений и исследовательским экспериментам с медицинскими диалоговыми сценариями. Лицензия, языки обучения, точные данные обучения, результаты оценки и дополнительные сведения о процедуре дообучения в предоставленных источниках не описаны. Ответы модели не следует считать медицинской консультацией: возможны фактические ошибки, неполные объяснения и некорректные рекомендации.

NeuML/bert-small-cord19qa — компактная модель BERT, дообученная NeuML на наборе CORD-19 QA. Она предназначена для ответов на вопросы по предоставленному контексту о COVID-19 и исследованиях, связанных с коронавирусами; датасет оформлен в формате SQuAD 2.0 и включает примеры без ответа. Модель содержит 40,8 млн параметров, рассчитана на контекст до 512 токенов и доступна в форматах PyTorch и Flax. Модель подходит для извлечения ответов из научных текстов и вопросов по материалам CORD-19. Она не предназначена для свободного диалога или ответов без контекста, а качество вне тематики и распределения обучающего набора не подтверждено. Лицензия в предоставленных данных не указана.

BioBART-v2-large — англоязычная биомедицинская генеративная языковая модель семейства BART, разработанная авторами работы BioBART. Версия V2 использует новый словарь биомедицинской лексики; модель содержит 288,8 млн параметров и имеет контекст до 1024 токенов. Модель предназначена для генерации и преобразования текста в биомедицинских задачах. Архитектура encoder-decoder позволяет использовать её для текстовых задач формата text-to-text, однако карточка не перечисляет отдельные сценарии и результаты оценки качества. Доступны веса PyTorch и Safetensors. Модель работает с английским текстом. Репозиторий распространяется по лицензии Apache-2.0. Ограничение контекста составляет 1024 токена; качество для конкретной задачи следует оценивать отдельно.

blizrys/biobert-v1.1-finetuned-pubmedqa — модель на архитектуре BERT, созданная дообучением dmis-lab/biobert-v1.1 для классификации текстов. Она предназначена для задач, связанных с PubMedQA и ответами на вопросы по биомедицинским публикациям. В метаданных указаны 135,5 млн параметров, контекст до 512 токенов и формат PyTorch. На оценочном наборе модель показала accuracy 0,7 и loss 0,7737. README не раскрывает состав меток, обучающего набора данных или подробности использования, поэтому результаты не позволяют судить о качестве на других задачах. Лицензия в предоставленных данных не указана.

BioRedditBERT-uncased — англоязычная модель семейства BERT, разработанная исследователями Cambridge Language Technology Lab. Она основана на BioBERT Base v1.0 и дополнительно предварительно обучена на сообщениях о здоровье из Reddit, чтобы лучше представлять медицинские термины и упоминания симптомов в текстах социальных сетей. Модель содержит 135,5 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель предназначена для извлечения признаковых представлений текста, в том числе для задач связывания медицинских упоминаний с сущностями в корпусах социальных сетей. В описанном авторами эксперименте представления BioRedditBERT улучшили точность связывания сущностей на наборе AskAPatient по сравнению с BERT-base и BioBERT v1.1. Репозиторий содержит веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия в предоставленных данных не указана.

Cat-0.5 — языковая модель Heralax на архитектуре Llama, дообученная на клинических данных, диалогах об ассистентских задачах и ролевых сценариях. По карточке, обучение проводилось на смеси ChatDoctor, Airoboros и части BlueMoonRP; модель предназначена для задач по биологии и клинической тематике, а также для ролевого общения и развлечений. Модель поддерживает генерацию текста, имеет около 12,9 млрд параметров и контекст до 4096 токенов. Доступны веса в форматах PyTorch и GGUF, включая GGUF F16. Карточка сообщает, что модель обучалась без фиксированного шаблона промпта. Лицензия указана как Llama 2 License. Клинические ответы не следует считать надёжной медицинской рекомендацией: карточка описывает цель улучшить такие ответы, но не приводит оценки точности или клинической проверки.

EYE-Llama_gqa — языковая модель для ответов на вопросы по офтальмологии, разработанная на основе Llama 2 и дообученная на наборах EYE-lit и EYE-QA+. Модель предназначена для медицинского образования, поддержки клинических решений и исследований в офтальмологии. Модель использует плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и имеет контекст длиной до 4096 токенов. Она принимает текст и генерирует текстовые ответы на английском языке. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель может помогать с разбором офтальмологических вопросов, однако её ответы могут отражать смещения обучающих данных. Она не предназначена для самостоятельной диагностики или лечения и не должна использоваться при оказании помощи пациентам без контроля специалиста.

Модель datummd/NCBI_BC5CDR_disease — версия BioBERT, дообученная разработчиками datummd для распознавания названий заболеваний в биомедицинских текстах. Она предназначена для извлечения упоминаний болезней из научных публикаций и других текстов, в том числе в сценариях биомедицинской обработки естественного языка. Модель использует архитектуру BERT с классификацией токенов, содержит 135,5 млн параметров и обрабатывает последовательности длиной до 512 токенов. При дообучении использовались корпуса BC5CDR-diseases и NCBI-diseases, а также выбранные аннотации PubTator из набора LitCOVID. Модель рассчитана на английский язык и выдаёт метки для токенов, позволяя выделять фрагменты с названиями заболеваний. Лицензия — Apache-2.0. Качество распознавания за пределами указанных корпусов и английского биомедицинского текста может отличаться.

nickmuchi/yolos-small-finetuned-masks — модель обнаружения объектов на изображениях, созданная на основе малой версии YOLOS и дообученная автором репозитория на наборе данных для обнаружения масок. YOLOS использует архитектуру Vision Transformer и обучение с функцией потерь DETR; модель содержит 28,3 млн параметров и распространяется в форматах PyTorch и safetensors. Модель предназначена для поиска людей и классификации ношения масок: «в маске», «без маски» и «маска надета неправильно». В README указано, что обучение на наборе из 853 изображений продолжалось 200 эпох; приведены метрики AP 0,273 при IoU 0,50–0,95 и 0,532 при IoU 0,50. Лицензия — Apache-2.0. Качество зависит от соответствия входных изображений обучающим данным; проверка на разнообразных условиях съёмки в карточке не описана.

Apertus 1.5 8B Biomedical ADE SFT — дообученная на наборе mihirhirave/entity_extraction_ade_v2_with_validation текстовая модель семейства Apertus для извлечения упоминаний лекарств и нежелательных лекарственных явлений из клинических текстов. Это плотная причинно-языковая архитектура ApertusForCausalLM с 10,3 млрд параметров и контекстом до 262 144 токенов; модель распространяется в формате safetensors как объединённая 16-битная версия и предназначена для генерации текста в формате JSON по запросу. Модель подходит для экспериментального извлечения сущностей, связанных с лекарствами и их побочными эффектами, включая поиск нескольких препаратов и выявление случаев без упомянутых нежелательных явлений. Карточка указывает английский язык. Модель разработана для академических экспериментов, демонстраций и бенчмаркинга; авторы предупреждают, что результаты могут быть неполными или ошибочными. Лицензия — Apache-2.0. Модель не сертифицирована для клинического применения и не предназначена для медицинских советов, диагностики, триажа или поддержки клинических решений.

Boba Food VLM 0.8B — компактная мультимодальная модель от Doses-AI для оценки питания по фотографиям еды. Это дообученная с помощью LoRA модель Qwen3.5-0.8B, распространяемая в формате GGUF; доступны варианты Q4_K_M и F16, а также отдельный файл визуального проектора F16. Модель распознаёт ингредиенты на изображении и формирует структурированный JSON с названием каждого ингредиента, оценкой массы порции в граммах, калорий и содержания белков, углеводов и жиров. Она рассчитана на локальный запуск на устройстве. В оценке на тестовой части Nutrition5k достигла средней абсолютной ошибки 112,3 ккал и корреляции Пирсона 0,73; доля корректно разбираемых ответов составила 100%. Оценки по фотографии приблизительны: точность уступила указанным в карточке GPT-4o и CalorieLLaVA-13B, а результат зависит от изображения и распознавания порций и ингредиентов. Модель обучалась на Nutrition5k и оценивалась на его тестовом наборе. Лицензия — Apache-2.0.

CMRCLIP — контрастивная мультимодальная модель для сопоставления изображений сердечной магнитно-резонансной томографии (CMR) с клиническими отчетами. В репозитории размещены обученные веса и минимальная конфигурация; модель сочетает текстовый энкодер Bio_ClinicalBERT, видеоэнкодер на основе Vision Transformer SpaceTimeTransformer и проекционный слой, который переводит представления обеих модальностей в общее векторное пространство. Модель предназначена для поиска и ранжирования соответствий между CMR-изображениями и отчетами, оценки сходства и использования в последующих задачах. Она принимает медицинские изображения CMR и клинический текст на английском языке, выдавая векторные представления для обеих модальностей. Модель распространяется по лицензии MIT. Карточка не приводит размер модели, длину контекста или результаты клинической валидации. Предназначение ограничено кардиальной магнитно-резонансной томографией и клиническими отчетами; качество на других типах изображений и текстов не подтверждено.

PhysioGemma-2B — модель для одношаговых ответов на вопросы по физиологии, созданная как PEFT-дообучение Google Gemma 1.1 2B IT. Она обучена в течение трёх эпох на наборе sardukar/physiology-mcqa-8k и использует архитектуру Gemma с генерацией текста. Для диалога следует использовать шаблон Gemma 1.1 2B IT с началом «You're an expert physician with deep knowledge of physiology». Модель имеет 2,5 млрд параметров и контекст до 8192 токенов; указанный в карточке сценарий применения — помощь по темам физиологии. Лицензия — MIT.

suitch/radbert-english-ctrate-classifier — модель-классификатор на основе RadBERT с архитектурой RoBERTa-base, разработанная для многометочной классификации англоязычных радиологических заключений. Она предсказывает 18 патологических меток по тексту отчёта и обучена на англоязычных данных набора CTRate. Модель содержит 151,8 млн параметров, принимает текстовые последовательности длиной до 514 токенов и распространяется в форматах PyTorch и Safetensors. Модель подходит для автоматической разметки заключений компьютерной томографии грудной клетки, извлечения признаков и подготовки медицинских текстов для последующего анализа. Она работает только с текстом заключения и не анализирует медицинские изображения. Результаты не предназначены для использования в качестве системы поддержки клинических решений. Лицензия — MIT.

LoFi-MedG — дообученная модель визуального энкодера SigLIP 2, разработанная авторами работы «Location-Aware Fine-Grained Representation Learning for Medical Vision Foundation Models». Она предназначена для извлечения признаков медицинских изображений и построения детализированных визуальных представлений с учётом локализации объектов или областей. Модель основана на google/siglip2-so400m-patch16-512 и опубликована в формате safetensors для использования с библиотекой Transformers. Модель можно применять как компонент медицинских систем поиска и анализа изображений, а также мультимодальных систем, использующих визуальные признаки. Карточка не содержит подробностей о медицинских специализациях, обучающих данных или оценках качества. Условия лицензирования в предоставленных источниках не указаны.

BioBERT v1.1 — доменно-адаптированная модель представления текста на архитектуре BERT, разработанная DMIS Lab для извлечения информации из биомедицинских текстов. Вариант v1.1 основан на BERT-base-Cased и дополнительно обучен на корпусе PubMed; в репозитории Hugging Face указаны 135,5 млн параметров и окно до 512 токенов. Модель выдаёт контекстные векторные представления текста, которые можно использовать как основу для дообучения на распознавании биомедицинских сущностей, извлечении отношений и ответах на вопросы. Она принимает текст и не является готовой генеративной моделью: для прикладных задач обычно требуется подходящая настроенная голова или дообучение. Поддерживается английский язык биомедицинских текстов. Условия лицензии следует проверять по файлу LICENSE исходного проекта.

BioBIT — итальянская биомедицинская языковая модель на архитектуре BERT, разработанная авторами исследования и доступная в виде контрольной точки для заполнения пропусков в тексте. Она построена на основе Italian XXL BERT и дополнительно предобучена на итальянском биомедицинском корпусе, полученном машинным переводом аннотаций PubMed. Обучение использовало задачи masked language modeling и next sentence prediction. Модель содержит 137,1 млн параметров и обрабатывает последовательности до 512 токенов. Её основная задача в каталоге — предсказывать замаскированные токены; исследование также оценивало её применение для распознавания биомедицинских сущностей, извлечения ответов и извлечения отношений. Модель ориентирована на итальянские биомедицинские тексты. Условия лицензирования в предоставленных данных не описаны.

ianpan/chest-x-ray-basic — модель для анализа рентгенограмм грудной клетки, разработанная Ian Pan. Она объединяет EfficientNetV2-S с декодером U-Net для сегментации и линейным классификатором. Для фронтальных снимков модель выделяет правое и левое лёгкие, а также сердце; дополнительно предсказывает проекцию снимка (AP, PA или боковая), возраст пациента и пол. Модель предназначена для обработки рентгенограмм, получения масок органов и вспомогательных характеристик снимка. Её можно использовать для выделения области лёгких или расчёта кардиоторакального отношения. Обучение проводилось на 335 516 изображениях из наборов CheXpert и NIH Chest X-ray; маски сегментации получены из CheXmask. В README приведены результаты валидации, включая Dice 0,943–0,957 для сегментации сердца и лёгких, но отдельный тестовый набор не использовался. Модель представлена в формате Safetensors и использует библиотеку Transformers. Это дообучение timm/tf_efficientnetv2_s.in21k_ft_in1k. Лицензия в предоставленных данных не указана. Модель предназначена только для демонстраций и исследований и не одобрена для клинического применения; её предсказания не следует считать медицинским заключением.

Medical-Qwen3-Swallow-30B-A3B — медицинская языковая модель TokyoTech, дообученная на базе tokyotech-llm/Qwen3-Swallow-30B-A3B-RL-v0.2 для исследований и разработки систем ИИ в японской клинической среде. Это причинная MoE-модель семейства Qwen3-Swallow; метаданные указывают 2,6 млрд параметров, а базовая модель относится к семейству 30B-A3B. Она принимает текст и генерирует ответы, поддерживает японский и английский языки и имеет контекстное окно до 40 960 токенов. Модель адаптирована к медицинским текстам, включая биомедицинскую литературу, синтетические медицинские данные, вопросы и ответы, а также тексты клинических рекомендаций. В карточке приведены результаты на японских медицинских бенчмарках, где модель превосходит базовую на перечисленных тестах. Предназначена для оценки и разработки медицинских языковых систем, а не для принятия клинических решений. Лицензия — Apache 2.0. Модель не валидирована как медицинское устройство и не заменяет профессиональную медицинскую оценку. Ответы могут содержать фактические ошибки, небезопасные рекомендации или неподтверждённые клинические утверждения; необходима проверка человеком.

Модель sayad-yaqoob/medvis-llama-3.1-8b-report-gen разработана sayad-yaqoob и дообучена на базе unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Llama 3.1 с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она генерирует текст и поддерживает диалоговый интерфейс. Название указывает на создание медицинских отчетов по визуальным данным, однако README не описывает такие сценарии, обучающие данные или обработку изображений. По доступным сведениям подтверждена только генерация текста на английском языке. Модель имеет контекстное окно до 131072 токенов и распространяется по лицензии Apache-2.0. README сообщает об использовании Unsloth и библиотеки TRL при дообучении.

Модель ourafla/mental-health-bert-finetuned разработана на основе mental/mental-bert-base-uncased и дообучена для классификации англоязычных текстов по четырём категориям: тревожность, депрессия, обычное состояние и суицидальные высказывания. Это BERT-Base с архитектурой BertForSequenceClassification, примерно 136,7 млн параметров и контекстом до 512 токенов; модель принимает текст и выдаёт метку класса. Модель предназначена для исследований текстов о психическом здоровье, анализа публикаций в социальных сетях и вспомогательного выявления высказываний, требующих внимания. В README сообщается о точности 89,72% на сбалансированном тестовом наборе из 992 примеров; показатели F1 различаются между классами, а тревожность и депрессия иногда смешиваются. Лицензия — Apache-2.0. Модель не предназначена для диагностики и не заменяет оценку специалиста. Она анализирует только текст, обучалась преимущественно на англоязычных публикациях из социальных сетей и может хуже работать с другими культурными контекстами и формами выражения переживаний.

OpenMed разработала эту модель для распознавания клинических сущностей, связанных с хроническим лимфолейкозом (ХЛЛ), в медицинских и научных текстах. Это дообученная модель DistilBERT для классификации токенов; она размечает сущности тегами B-CL и I-CL и выдаёт предсказания в формате BIO. Размер модели — 65 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения упоминаний о ХЛЛ из клинических записей, медицинской литературы и документов здравоохранения. Её можно применять для анализа терминологии заболевания, поддержки медицинского текстового майнинга и исследований в гематологии и онкологии. В карточке приведены результаты на CLL-корпусе: F1 0,85, точность 0,78, полнота 0,94 и accuracy 0,97; эти показатели относятся к указанному набору данных. Модель принимает текст на английском языке и выдаёт метки сущностей для токенов. Область разметки узкая: карточка указывает только классы CL, поэтому описание сценариев для извлечения лекарств, взаимодействий или нежелательных явлений следует рассматривать как заявленные примеры применения, а не как отдельные типы сущностей. Лицензия — Apache-2.0.

RadioDINO-b16 — модель извлечения признаков для радиомики и медицинской визуализации, разработанная Лукой Цеддой, Андреа Лоддо и Чечилией Ди Руберто из Университета Кальяри. Это Vision Transformer ViT-Base с размером патча 16, обученный по самообучающей схеме DINO; модель содержит 113,2 млн параметров и выдаёт эмбеддинги размерности 768. Модель предварительно обучена на RadImageNet — наборе из 1,35 млн изображений КТ, МРТ и ультразвуковых исследований. Она предназначена для извлечения признаков и переноса обучения в задачах медицинской визуализации, включая классификацию, сегментацию и анализ интерпретируемости. В README указана проверка на бенчмарке MedMNISTv2 и эффективность без дополнительного дообучения. RadioDINO-b16 принимает медицинские изображения и выдаёт векторные признаки; поддерживаемые в предобучении типы изображений включают КТ, МРТ и УЗИ. Репозиторий предоставляет веса PyTorch в формате safetensors, библиотека — timm. Лицензия — CC BY 4.0.

AnikiFan/single-channel-breast-segmentation-manet — модель семантической сегментации изображений на архитектуре MAnet, опубликованная с помощью PytorchModelHubMixin и предназначенная для работы с библиотекой segmentation-models-pytorch. По названию репозитория и указанному набору данных Breast модель предназначена для сегментации изображений молочной железы. Карточка содержит пример загрузки через smp.from_pretrained и указывает лицензию MIT. Модель принимает изображения и выдаёт сегментационные маски. Сведения о размере, метриках, обучающей выборке и поддерживаемых языках в доступных данных отсутствуют.

CHATWhisper-en — англоязычная модель автоматического распознавания речи из серии CHATWhisper, разработанной проектом TalkBank для анализа языковых образцов (Language Sample Analysis, LSA). Модель построена на Whisper Large v2 и дообучена с помощью LoRA ранга 16 и коэффициента alpha 32; содержит около 905,2 млн параметров и распространяется в формате PyTorch. Модель предназначена для транскрибирования разговорной речи и особенно ориентирована на сохранение особенностей, важных для анализа речевых образцов: заполненных пауз, повторных формулировок и заикания. Её можно использовать как ASR-модель семейства Whisper или вместе с набором инструментов TalkBank Batchalign в режиме transcribe с флагом --whisper. Обучающие данные включали англоязычные образцы Control Protocol из трёх корпусов AphasiaBank. Модель принимает аудио и выдаёт текстовую транскрипцию. В карточке указано, что оценка качества будет добавлена позднее, поэтому опубликованных в README численных результатов нет. Базовая модель — openai/whisper-large-v2; лицензия в предоставленных данных не указана.

Это дообученная модель Longformer для восстановления замаскированных токенов в тексте. Она содержит 151,8 млн параметров и принимает контекст до 4098 токенов. В карточке указано, что модель дообучена на базе lukasdrg/clinical_longformer_same_tokens_3epochs_150k; назначение исходной модели связано с медицинскими текстами, однако описание обучающих данных этой версии отсутствует. Основной сценарий применения — предсказание скрытых слов и фрагментов в тексте с помощью задачи fill-mask. Модель опубликована в формате safetensors. В README приведено значение loss 1,3642 на оценочном наборе, но подробности набора и методики оценки не раскрыты. Лицензия в предоставленных данных не указана.

Модель UMCU/DutchCADRADS_fromRadioReports_Masked разработана для классификации нидерландских радиологических заключений по категориям CAD-RADS. Она определяет категорию по тексту отчёта, в котором прямые упоминания CAD-RADS замаскированы; для обучения метки получили из 1 429 отчётов с помощью регулярных выражений, включая сведения о степени стеноза. Модель основана на UMCU/CardioDeBERTa.nl_clinical и использует архитектуру DeBERTa-v2 с классификационной головой. Она решает задачу многоклассовой классификации текста с шестью классами. Размер модели — 454,2 млн параметров, контекст — до 1 024 токенов; опубликованные результаты десятикратной кросс-валидации составляют в среднем 0,864 по accuracy и 0,861 по F1. Модель предназначена для анализа радиологических заключений на нидерландском языке. Лицензия — GPL-3.0.

EXAONE 3.5 7.8B EMT Chatbot — корейская диалоговая модель для помощи бригадам скорой помощи при детских неотложных состояниях. Её разработали в рамках проекта HAPES, дообучив методом полного fine-tuning модель LGAI-EXAONE/EXAONE-3.5-7.8B-Instruct. Модель содержит 7,4 млрд параметров, использует плотную архитектуру ExaoneForCausalLM и формат BF16; базовая модель поддерживает корейский и английский языки. Контекст базовой модели — до 32 768 токенов, а при обучении этой версии использовалась максимальная длина 512 токенов. Модель обучена на начальном наборе из 2 021 диалога между фельдшером и чат-ботом. Она предназначена для разговорной поддержки корейских бригад скорой помощи при педиатрических вызовах. Это ранняя версия проекта, позднее заменённая моделями на данных v2; для HAPES рекомендована другая модель. Медицинские ответы нельзя использовать как единственное основание для лечения: дозировки и другие числовые сведения следует сверять с официальными инструкциями, а модель применять вместе с RAG по клиническим рекомендациям. Лицензия указана как other; дополнительных условий README не приводит.

OpenMed разработала специализированную модель распознавания клинических сущностей, дообученную для выявления понятий, связанных с хроническим лимфолейкозом (CLL), в биомедицинских текстах. Она использует архитектуру BERT для классификации токенов и выдаёт разметку сущностей в формате BIO; заявленная базовая архитектура — BiomedNLP-BiomedBERT-base-uncased-abstract. Модель принимает токенизированный текст и поддерживает контекст до 512 токенов. Модель предназначена для извлечения терминов CLL из медицинских записей и научных публикаций, включая упоминания заболевания, биомаркеров, лечения и клинических понятий. В карточке указаны метрики на наборе CLL: F1 0,57, точность 0,76 и полнота 0,45, поэтому извлечённые сущности требуют проверки, особенно при сценариях, где пропуски критичны. Репозиторий распространяется под лицензией Apache-2.0.

ishikaa/acquisition_generator_AS_confidence_medmcqa_qwen14b — генеративная языковая модель из семейства Qwen2, опубликованная пользователем ishikaa на Hugging Face и предназначенная для генерации текста в формате Transformers. По идентификатору модели она, вероятно, ориентирована на задачи, связанные с медицинскими вопросами и оценкой уверенности, однако README не содержит подробного описания обучения и назначения. Модель содержит около 14 млрд параметров и поддерживает контекст до 32 768 токенов. Она может применяться для диалоговой генерации, ответов на вопросы и построения текстовых продолжений через библиотеку Transformers. В метаданных не указаны поддерживаемые естественные языки, разработчик, базовая модель, результаты оценки и лицензия. Из-за отсутствия описания данных, методики дообучения и результатов тестирования нельзя подтвердить качество на MedMCQA или надежность оценок уверенности. Как и другие генеративные языковые модели, она может выдавать фактически неверные или необоснованные ответы, поэтому медицинские результаты требуют проверки специалистом.