IV.4Клиническая медицина и общественное здоровье

Это языковая модель EXAONE 3.5 7.8B, разработанная на базе LGAI-EXAONE/EXAONE-3.5-7.8B-Instruct и дообученная автором hymmmm методом полного fine-tuning. Модель предназначена для диалогов на корейском языке в сфере детской неотложной помощи, в частности для поддержки сотрудников бригад скорой помощи службы 119 и исследовательского чат-бота HAPES. Она обучена на версии набора данных v2 из 2 001 диалога и рассчитана на текстовую генерацию и чат-сценарии. Модель опубликована в формате AWQ 4-bit с group size 128, zero point и GEMM-ядрами; исходные веса BF16 отдельно не предоставлялись. При обучении использовались 2 эпохи, максимальная длина последовательности составляла 1 024 токена, а обучение проводилось только на сообщениях assistant с включённым токеном завершения. Для запуска через vLLM в README указан контекст до 8 192 токенов. Основной язык — корейский; сведения о поддержке других языков и мультимодальности не указаны. Сильная сторона модели — специализация на корейских диалогах по детской экстренной медицине и возможность эффективного запуска благодаря 4-битному квантованию. Это исследовательская сравнительная модель для оценки полного fine-tuning против QLoRA, причём на втором этапе обучения отмечена переобученность, поэтому основной моделью проекта считается другой вариант на базе QLoRA. Известно о редких случаях генерации фиктивных ходов диалога, например маркеров user; при обслуживании рекомендуется задавать stop-токены. Модель нельзя использовать как единственный источник рекомендаций при лечении реальных пациентов, а дозировки и числовые сведения необходимо проверять по официальным руководствам. Лицензия указана как EXAONE; подробные условия доступны по ссылке на лицензию базовой модели LGAI-EXAONE/EXAONE-3.5-7.8B-Instruct.

H0-mini — облегчённая фундаментальная модель для анализа гистологических изображений, разработанная Owkin и Bioptimus. Это Vision Transformer Base/14, полученный дистилляцией H-optimus-0 (ViT-g/14) методом самоконтролируемого обучения DINOv2 на PanCancer40M — наборе из 43 миллионов фрагментов тканей из 6 093 гистологических слайдов TCGA. Модель предназначена для извлечения признаков из изображений гистологических фрагментов и последующего применения в задачах классификации областей интереса и целых слайдов, сегментации и других сценариях цифровой патологии. Признаки можно использовать без дообучения или после него, например как входные данные для алгоритмов multiple-instance learning. Авторы сообщают о качестве, сопоставимом с современными фундаментальными моделями гистологии при меньших затратах на инференс, и устойчивости к различиям в окрашивании и протоколах сканирования. Модель принимает изображения и выдаёт векторные признаки; основная задача в каталоге Hugging Face — image-feature-extraction. Модель специализируется на гистологии и медицинской визуализации. Репозиторий распространяется по лицензии CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных материалов.

hamo-score-0.6b — это компактная модель Hamo AI на 507,9 млн параметров, дообученная на базе Qwen/Qwen3-0.6B для оценки отдельных сообщений в диалогах о психологическом благополучии. На китайском и английском она выдаёт JSON с пятью оценками от 0 до 3: инициативность, отстранение, крайность мышления, враждебность и границы. Модель не пишет ответы; оценки предназначены для последующей обработки детерминированным кодом. Контекст модели — 40 960 токенов, однако описанный сценарий использует одно сообщение за раз. Доступны веса Safetensors и GGUF Q8; для GGUF автор сообщает размер около 0,64 ГБ и возможность локального запуска на CPU. Модель предназначена для локального скоринга сообщений в системах поддержки благополучия, где оценки подаются в логику обновления состояния или выбора действий. Автор приводит результаты внутренней проверки, но подчёркивает, что наборы узкие и не подтверждают качество на широкой популяции; языковые результаты отдельно не оценивались. Это не чат-бот, диагностический инструмент или детектор кризисов. Для пользовательских сценариев автор требует независимый механизм обработки кризисов до модели. Версия оценок важна: результаты разных версий несопоставимы, а оценка границ может ошибаться без контекста. Лицензия HAMO-RAIL-S 1.0 допускает коммерческое использование с ограничениями.

LongiTrack — модель для интерактивного отслеживания и сегментации очагов на сериях КТ с использованием точечных подсказок. Она работает через библиотеку LongiSeg и использует изображения КТ вместе с файлом tracking.json в формате LongiSeg. Модель предназначена для анализа продольных исследований, где требуется сопоставлять очаги между обследованиями и просматривать или корректировать точки отслеживания в интерактивном интерфейсе napari. В карточке указаны версии 1.0 и 1.1: для обучения использовались наборы AutoPET IV, а для версии 1.1 также PanTrack и HCUCH. Работа описана в статье «Exploiting Longitudinal Context in Clinician-Verified Interactive Lesion Tracking». Модель распространяется по лицензии CC BY-NC-SA 4.0. Авторы ограничивают её исследовательским применением: она не является медицинским устройством и не должна быть единственным основанием для диагностики, лечения или других клинических решений.

Phikon-v2 — предварительно обученная визуальная модель компании Owkin для анализа гистологических изображений. Это Vision Transformer Large с архитектурой ViT-L/16, обученный методом самообучения DINOv2 на наборе PANCAN-XL, включающем 450 млн гистологических изображений при увеличении 20× из 60 тысяч полноразмерных гистологических слайдов. В метаданных указано 402,7 млн параметров. Модель извлекает признаки из изображений тканей для последующих задач: классификации областей интереса и слайдов, сегментации и поиска биомаркеров. Признаки можно использовать без дообучения или адаптировать модель под задачи на уровне фрагментов изображения. Модель предназначена для медицинской патологии и компьютерного анализа гистологии; поддерживаемый язык карточки — английский. Модель распространяется по некоммерческой лицензии Owkin. Результаты зависят от данных и метода обучения downstream-модели; карточка описывает применение для гистологии и не подтверждает пригодность для клинических решений без отдельной проверки.

HYU-NLP-EVAL выпустила плотную языковую модель Qwen3 с 3,7 млрд параметров, полученную дообучением Qwen/Qwen3-4B-Instruct-2507. Это чекпойнт RaR-Medicine OnlineRubrics-Every, шаг 7, из экспериментального запуска по медицинским online-rubrics; он предназначен для генерации текста и диалогового использования. Модель принимает текст и выдаёт текст, поддерживает контекст до 262 144 токенов и распространяется в формате safetensors; README также указывает BF16-веса для инференса. Чекпойнт относится к раннему исследовательскому эксперименту, поэтому его пригодность для медицинских ответов и оценивания рубрик следует проверять отдельно. README ограничивает использование исследовательскими целями. Лицензия модели — Apache-2.0.

RadBERT — языковая модель семейства BERT, разработанная Stanford AIMI. Она непрерывно предобучена на радиологических заключениях с инициализацией от BioBERT и предназначена для работы с медицинским текстом, в частности для предсказания пропущенных слов в радиологических отчётах. Модель содержит 135,5 млн параметров, принимает текстовые фрагменты длиной до 512 токенов и выдаёт оценки токенов для заполнения маски. Поддерживаемый язык — английский. Модель подходит для анализа формулировок в радиологических заключениях и построения специализированных текстовых систем на её основе. Репозиторий содержит веса PyTorch; лицензия — MIT. Карточка не описывает клиническую проверку или ограничения точности, поэтому результаты требуют оценки перед применением в медицинских процессах.

Модель codewithdark/vit-chest-xray — дообученный Vision Transformer для классификации рентгеновских снимков грудной клетки. Она создана на основе google/vit-base-patch16-224-in21k и дообучена на наборе CheXpert с многометочными аннотациями заболеваний. Модель содержит около 113,2 млн параметров и предназначена для распознавания патологий на рентгенограммах, включая пневмонию и кардиомегалию. Модель принимает изображения грудной клетки и выдаёт метки классов заболеваний. В карточке сообщается о точности 98,46% на валидации, однако не описаны состав и методика расчёта метрики; это значение не гарантирует сопоставимого результата на других данных. Модель может быть полезна для исследовательской оценки и прототипирования классификаторов медицинских изображений, но карточка не подтверждает пригодность для самостоятельной клинической диагностики. Лицензия — MIT.

ishikaa/acquisition_student_AS_confidence_medmcqa_qwen14b — генеративная языковая модель на базе семейства Qwen2, опубликованная на Hugging Face. Модель предназначена для генерации текста в диалоговом формате; по идентификатору репозитория она ориентирована на задачи, связанные с медицинскими вопросами с вариантами ответа MedMCQA и оценкой уверенности студента, однако подробности дообучения в карточке не приведены. Модель содержит около 14 миллиардов параметров и поддерживает контекст до 32 768 токенов. Для работы может использоваться библиотека Transformers; в метаданных также указаны обучение с учителем и TRL. Модель подходит для исследовательских прототипов медицинских вопросно-ответных систем, генерации ответов и анализа уверенности, но README не содержит сведений о разработчике, языках, лицензии, обучающих данных, методике оценки и результатах.

ishikaa/acquisition_student_medmcqa_confidence_sft_llama8b — генеративная языковая модель на базе архитектуры Llama, дообученная методом supervised fine-tuning с использованием TRL. Название модели указывает на специализацию на данных MedMCQA и формировании ответов с оценкой уверенности; разработчик и исходная базовая модель в доступных материалах не указаны. Модель предназначена для генерации текстовых ответов в медицинских сценариях, включая решение вопросов с вариантами ответа из набора MedMCQA и представление уверенности в полученном ответе. Она содержит около 7,5 млрд параметров и поддерживает контекст до 131 072 токенов; работает через библиотеку Transformers. Основная модальность — текст. Результаты следует проверять специалистом: в карточке отсутствуют сведения о точности, протоколах оценки, составе обучающих данных, конкретных языках, ограничениях безопасности и лицензии. Модель не следует использовать как единственный источник медицинских рекомендаций или для принятия клинических решений.

BioMobileBERT — модель MobileBERT-uncased, дообученная командой nlpie в режиме continual learning на корпусе PubMed в течение 200 тысяч шагов с общим размером батча 192. Она предназначена для восстановления скрытых токенов в биомедицинских текстах: модель получает фрагмент текста с маской и предсказывает подходящее слово или токен. Архитектура — MobileBERT с 24 слоями; в карточке Hugging Face указано 59,7 млн параметров. Модель принимает текст с контекстом до 512 токенов и выдаёт оценки кандидатов для заполнения маски. Исходная модель MobileBERT использует компактные проекции для снижения вычислительных затрат; BioMobileBERT адаптирована к биомедицинской лексике PubMed. Репозиторий содержит веса PyTorch, лицензия — MIT. Модель подходит для анализа терминологии в биомедицинских публикациях и задач языкового моделирования с маскированными токенами. Карточка описывает обучение на PubMed, но не приводит оценок качества и не подтверждает поддержку конкретных языков, поэтому применимость за пределами биомедицинских текстов на английском следует проверять отдельно.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask — англоязычная BERT-модель для восстановления замаскированных токенов в биомедицинских текстах. Она дообучена Mardiyyah на наборе Mardiyyah/TAPT_CeLLaTe2.0 на основе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Модель содержит 138,2 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Модель подходит для заполнения пропусков и анализа языковых закономерностей в медицинской литературе, включая адаптацию к специализированным биомедицинским текстам. В карточке приведены результаты оценки: loss 2,3029, accuracy 0,5761 и perplexity 10,0034. Репозиторий предоставляет веса в формате safetensors; лицензия — Apache-2.0.

CXformer-small — компактная модель компьютерного зрения для анализа рентгенограмм грудной клетки, разработанная m42-health на основе DINOv2 с register-токенами. Модель дообучена с клинически ориентированными изменениями и предназначена для извлечения признаков изображений; её можно использовать как основу для классификации патологий, сегментации анатомических областей и генерации рентгенологических описаний. Модель содержит 28,3 млн параметров и принимает изображения, в первую очередь фронтальные рентгенограммы в проекциях PA/AP. Предварительное обучение проводилось на более чем 600 тысячах снимков из пяти наборов данных. Авторы сообщают о результатах на задачах классификации, сегментации и генерации описаний, а также о сопоставимой с RAD-DINO эффективности CXformer(S) при существенно меньших вычислительных затратах на обучение. Лицензия CC BY-NC-4.0 ограничивает коммерческое использование; авторы также указывают исследовательское назначение. Модель не валидирована для клинических решений и не предназначена для диагностики или лечения пациентов.

Модель Jayanth2002/dinov2-base-finetuned-SkinDisease — дообученный вариант визуального трансформера facebook/dinov2-base на пользовательском наборе данных. Она предназначена для классификации изображений, связанной с заболеваниями кожи. Архитектура DINOv2/ViT обрабатывает изображение как последовательность патчей и формирует визуальные признаки; число параметров — 113,2 млн. В README приведены результаты на оценочном наборе: точность 0,9557 и loss 0,1321. При этом в карточке также сказано, что модель не включает дообученную классификационную голову, поэтому её готовность к прямому предсказанию классов заболеваний по изображению неясна. Обучение проводилось на пользовательском наборе данных, а его состав и перечень классов не описаны. Лицензия — Apache-2.0.

EEG-DINO Small — предварительно обученный энкодер для извлечения признаков из электроэнцефалограмм, разработанный в рамках проекта OpenEEG-Bench и основанный на архитектуре braindecode.models.EEGDINO. Модель обучена методом иерархической self-distillation по подходу DINO-v2 на корпусе Temple University Hospital EEG Corpus: более 9000 часов записей с 19 общими каналами системы 10–20, приведёнными к частоте 200 Гц. Модель предназначена для извлечения EEG-признаков и последующей адаптации к классификации, например для задач на наборах TUEV и TUAB. При загрузке классификационная голова инициализируется заново, поэтому перед классификацией требуется дообучение или применение линейного классификатора. Ожидаются 19 каналов и частота дискретизации 200 Гц; используются веса PyTorch в формате Safetensors. Лицензия репозитория — BSD-3-Clause. Результаты могут ухудшаться при отличии расположения каналов от обучающего монтажа или при другой частоте дискретизации; входные данные рекомендуется привести к стандартной раскладке каналов и 200 Гц. Для производных весов README также указывает на возможные ограничения лицензии исходного корпуса данных, поэтому условия коммерческого использования следует проверять по лицензии соответствующего обучающего датасета.

SinaElahimanesh дообучил Gemma 2 27B для диалогового применения в контексте терапии. Модель предназначена для генерации ответов в беседе; карточка связывает её с базовой моделью aboots/gemma2-mixed-therapy-ft. Модель использует плотную архитектуру Gemma 2 с 27,6 млрд параметров и контекстом до 8192 токенов. Она принимает текст и генерирует текст; среди языковых меток карточки указан английский. Модель распространяется в формате safetensors по лицензии Apache-2.0. README сообщает об обучении с Unsloth и TRL.

LFM2-2.6B-Longevity — компактная языковая модель для интерпретации разнородных данных о биологии старения. Её совместно разработали Insilico Medicine и Liquid AI для исследования старения и анализа мультиомных и клинических данных. Модель основана на LiquidAI/LFM2-2.6B и дообучена методом supervised fine-tuning со всеми параметрами на корпусе по биологии старения. Она использует гибридную архитектуру Liquid с мультипликативными вентилями и короткими свёртками; размер составляет 2,4 млрд параметров, окно контекста — до 128 000 токенов по метаданным. Основной язык — английский. Модель поддерживает диалоговый формат ChatML с режимами динамического рассуждения. Модель предназначена для исследовательского анализа данных о старении, включая мультиомику и клинические сведения. Её ответы являются прогнозами и требуют экспериментальной проверки; они не заменяют медицинскую консультацию. Качество лучше на типах данных, представленных в обучающем корпусе. В метаданных указана лицензия other, конкретные условия использования следует сверять с лицензией репозитория.

MedLLaMA-Vicuna-13B-Slerp — объединённая с помощью mergekit методом SLERP модель Arcee AI на архитектуре LLaMA, сочетающая MedLLaMA_13B и Vicuna-13B-v1.3. Она предназначена для генерации текста в диалоговом формате и может применяться для медицинских вопросов и ответов, а также для экспериментов с чат-ботами. Модель содержит 12,9 млрд параметров и рассчитана на контекст до 2048 токенов. Репозиторий распространяется под лицензией Apache-2.0. Карточка не приводит результатов оценки качества или подтверждений клинической пригодности, поэтому ответы по медицинским темам требуют проверки специалистом.

Preferred-MedLLM-Qwen-72B — плотная языковая модель на 71,5 млрд параметров, разработанная Preferred Networks на основе Qwen/Qwen2.5-72B. Модель прошла дополнительное предобучение на собственном корпусе медицинских текстов и предназначена для генерации текста по медицинской тематике, включая ответы на вопросы и подготовку к экзаменам. В README приведены результаты модели на японском медицинском экзамене IgakuQA за 2018–2022 годы: средний балл составил 431,2 против 398,4 у базовой Qwen2.5-72B. Метаданные указывают поддержку английского и японского языков, контекст до 131 072 токенов и формат весов Safetensors. Модель работает с текстом и доступна через Transformers. Модель не предназначена для клинической диагностики. Распространяется по лицензии Qwen License.

ProMiNER Russian BioNNE-L Dictionary-Pretrained Cross-Encoder — биомедицинская модель для ранжирования кандидатов при связывании упомянутых в русском тексте сущностей с концептами UMLS. Она разработана как часть системы ProMiNER и дообучена на базе andorei/BERGAMOT-multilingual-GAT на псевдопарах, составленных из словаря UMLS. Архитектура — XLM-RoBERTa с классификационной головой; модель содержит 305,2 млн параметров и принимает пары «упоминание — профиль кандидата», содержащие названия и синонимы. Максимальная длина последовательности в обучении — 384 токена; нативный предел контекста — 514 токенов. Модель предназначена прежде всего для инициализации специализированного реранкера в русском пайплайне связывания биомедицинских сущностей BioNNE-L. В полном сценарии сначала извлекают кандидатов с помощью ретривера, затем оценивают пары этой моделью, чтобы выбрать наиболее подходящий концепт. В README приведены метрики на dev-наборе: Acc@1 0,951, Acc@5 0,994 и MRR 0,970. Это промежуточный чекпойнт, а не готовая полная система: для практического связывания сущностей требуются этап извлечения кандидатов и последующая настройка под задачу. Лицензия — MIT.

RudolfV 2-S — компактная модель зрения на архитектуре Vision Transformer, разработанная Aignostics для вычислительной патологии. Она использует backbone ViT-S/8, содержит 22 млн параметров и получена дистилляцией RudolfV 2, предварительно обученной на 300 тысячах полноразмерных гистологических изображений. Модель предназначена для извлечения признаков из отдельных тканевых фрагментов и построения решений для последующих задач патологии. Извлечённые признаки можно применять для классификации тканей и опухолей, определения степени злокачественности, предсказания биомаркеров и моделирования на уровне стекла с помощью multiple instance learning. RudolfV 2-S — самая маленькая и быстрая модель семейства: в карточке указана скорость в 6,5 раза выше флагманской RudolfV 2. Модель принимает изображения и выдаёт векторные признаки; языкозависимый ввод не требуется. Для загрузки нужны Transformers, timm и пользовательский код модели через trust_remote_code=True. Доступ к весам ограничен: требуется запрос через Hugging Face с академическим или некоммерческим адресом электронной почты; выдача доступа остаётся на усмотрение Aignostics. Лицензия обозначена как other, её конкретные условия следует проверить на странице модели.

segformer-v1-breastcancer — модель сегментации медицинских изображений, разработанная на основе SegFormer B0 и дообученная сообществом as-cle-bert на датасете семантической сегментации рака молочной железы. Она присваивает пикселям изображения классы, помогая выделять области, связанные с тканью или патологией, для анализа медицинских изображений. Модель использует архитектуру SegFormer и формат весов safetensors. В README приведены результаты оценки: mIoU 0,6074, средняя точность 0,7133 и общая точность 0,6718. Эти показатели относятся к указанному набору оценки и сами по себе не подтверждают пригодность для клинической диагностики. Модель распространяется по лицензии CC; конкретный вариант лицензии не уточнён в доступных данных.

Это визуальный backbone на основе Vision Transformer ViT-Small с патчами 16×16 и входным размером изображения 224×224×3. Модель 1aurent/vit_small_patch16_224.transpath_mocov3 обучена на 15 млн гистологических патчей из PAIP и TCGA с использованием метода самообучения MoCo v3 и предназначена для извлечения признаков из изображений тканей. Веса доступны в формате safetensors; лицензия — GPL-3.0. Модель подходит для получения эмбеддингов гистологических изображений и их последующего использования в задачах классификации патологических изображений, в том числе для анализа опухолевой ткани. В карточке указано 21,7 млн параметров. Модель принимает изображения и выдаёт признаки; сведения о поддерживаемых естественных языках и длине контекста к ней не относятся.

SylvanL разработал ChatTCM-7B-Pretrain — языковую модель для генерации текста на основе Qwen2-7B-Instruct. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и принимает контекст длиной до 32 768 токенов. Её продолжили предварительно обучать в течение двух эпох на наборе Traditional-Chinese-Medicine-Dataset-Pretrain с помощью LLaMA Factory. Модель сохраняет общие возможности исходной модели и лучше ориентируется в материалах традиционной китайской медицины. Она предназначена для диалоговых сценариев и генерации текстов, связанных с медицинскими опросниками, рецептами, диагнозами, историями болезни, учебниками и классическими текстами, лекарственными средствами, травами, формулами, терминами, заболеваниями, симптомами и диетотерапией. Основной язык карточки — китайский. Модель опубликована в формате safetensors под лицензией Apache-2.0. Это языковая модель, а не проверенный медицинский инструмент: ответы о здоровье следует сверять со специалистом, особенно перед постановкой диагноза или назначением лечения.

densenet121.tiatoolbox-pcam — модель классификации изображений на основе DenseNet-121, обученная центром Tissue Image Analytics (TIA Centre) на гистологических патчах набора Patch Camelyon (PCam). Она предназначена для классификации небольших изображений ткани и может использоваться как основа для извлечения признаков из гистологических изображений. Модель содержит 7,04 млн параметров и рассчитана на входные изображения размером 96 × 96 пикселей с тремя цветовыми каналами. Модель ориентирована на анализ гистологических изображений, в частности патчей PCam. Репозиторий содержит веса в формате safetensors; в карточке также указана поддержка библиотеки timm. Лицензия — CC0 1.0 Universal.

Это модель обнаружения объектов на изображениях, разработанная путём дообучения facebook/detr-resnet-50 на наборе данных cppe-5. Модель основана на архитектуре DETR с ResNet-50 и выдаёт классы объектов и ограничивающие рамки. В репозитории указано 6,3 млн параметров; веса доступны в формате safetensors. Модель предназначена для обнаружения средств индивидуальной защиты на изображениях: комбинезонов, защитных экранов для лица, перчаток, очков и масок. На оценочном наборе автор приводит mAP 0,3578 и mAP@50 0,6781; метрики различаются по классам, например, mAP для комбинезонов составляет 0,6584, а для очков — 0,1766. Эти результаты относятся к cppe-5 и не гарантируют такое же качество на других изображениях. Лицензия — Apache-2.0. Модель принимает изображения и возвращает обнаруженные объекты с классами и рамками; в README не приведены сведения о языковой поддержке.

9pinus/macbert-base-chinese-medical-collation — модель на архитектуре BERT, разработанная дообучением китайской базовой версии MacBERT для проверки орфографии в медицинских текстах. Для обучения использовали корпус из 300 млн единиц, включая более 60 тысяч медицинских статей; в части предложений искусственно добавляли ошибки, заменяя символы визуально или фонетически похожими. Модель предназначена для выявления и исправления таких ошибок в китайских медицинских текстах, в том числе для постобработки документов и статей. В README заявлена точность 96% на тестовом наборе разработчиков. Модель содержит 129,5 млн параметров, принимает текст с контекстом до 512 токенов и выполняет классификацию токенов. Лицензия — Apache-2.0. Заявленная точность относится к тестовому набору разработчиков; переносимость результата на другие данные не описана.

MedGemma-4B ECGInstruct — мультимодальная модель ConvAI Innovations для интерпретации электрокардиограмм. Она дообучена на базе google/medgemma-4b-it на наборе PULSE-ECG/ECGInstruct из 1,15 млн примеров «изображение ЭКГ — текстовая инструкция»; LoRA-адаптер объединён с базовой моделью. Архитектура — плотная Gemma 3 с поддержкой изображений и текста. Модель принимает изображения 12-канальных ЭКГ и текстовые вопросы, а выдаёт текстовые ответы и отчёты на английском языке. Модель предназначена для исследовательских и учебных экспериментов, прототипов поддержки принятия решений и сравнительной оценки алгоритмов анализа ЭКГ. Она может описывать нарушения ритма и проводимости, ишемические изменения, гипертрофию, частоту и ось сердца, а также изменения сегмента ST и зубца T. В README приведены точность токенов при обучении 86,83% и размер около 8,5 ГБ; эти показатели не подтверждают клиническую точность. Ограничения включают преимущественно взрослые данные обучения, возможное снижение качества на детских ЭКГ и редких паттернах, а также зависимость результата от качества изображения и наличия клинического контекста. Модель не валидирована для клинического применения и не должна использоваться для принятия решений о лечении без проверки специалистом. Лицензия — Apache-2.0.

Модель Михаła Млодawski — дообученная версия MobileViTV2 для классификации изображений глаз на открытые и закрытые. Она принимает изображение и выдаёт один из двух классов: «закрытые глаза» или «открытые глаза». В метаданных указаны архитектура MobileViTV2, реализация для классификации изображений и форматы PyTorch и Safetensors; в README заявлена точность 99%, но набор оценки и условия измерения не описаны. Модель подходит для определения закрытых глаз в системах мониторинга утомлённости водителя, анализа фотографий и видео, а также других приложениях, которым нужна такая классификация. README также перечисляет мониторинг внимания и медицинские сценарии, однако результаты не следует использовать как единственное основание для решений в критически важных ситуациях. Базовая модель — apple/mobilevitv2-1.0-imagenet1k-256; дообучение выполнено на наборе MichalMlodawski/closed-open-eyes. Лицензия CC BY-NC-ND 4.0 ограничивает коммерческое использование и распространение производных материалов согласно её условиям.

Это визуальная backbone-модель для извлечения признаков из изображений, связанная с проектом Kaiko AI Towards Large-Scale Training of Pathology Foundation Models. Модель содержит 304 млн параметров и принимает изображения размером 224 × 224 пикселя с тремя цветовыми каналами; размер патча — 14 × 14 пикселей. Репозиторий предоставляет веса в формате Safetensors, а для работы указана библиотека timm. Модель предназначена для получения векторных представлений изображений, которые можно использовать как признаки в последующих задачах компьютерного зрения, в частности при анализе патологических изображений. Карточка не сообщает о поддерживаемых языках или конкретных клинических сценариях. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории.