IV.4Клиническая медицина и общественное здоровье

Wav2Vec2 CommonPhone — мультиязычная модель распознавания фонем, разработанная Филиппом Клумппом для анализа патологической речи. Она дообучена на базе facebook/wav2vec2-large-xlsr-53 на корпусе Common Phone, включающем записи более 11 000 говорящих из Mozilla Common Voice. Модель принимает аудио с частотой дискретизации 16 кГц и с помощью CTC-проекции предсказывает последовательность из 101 символа Международного фонетического алфавита (IPA). Она предназначена для фонетического анализа речи на английском, французском, немецком, итальянском, русском и испанском языках. В тестах указана частота ошибок распознавания фонем 11,0% для английского, 9,9% для французского и 9,8% для немецкого. Модель распространяется по лицензии CC0 1.0. Она выдаёт фонемную транскрипцию, а не обычный текст; приведённые результаты тестирования охватывают только три языка, и карточка не приводит оценки для остальных языков.

II-Medical-8B-1706 — языковая модель Intelligent Internet для медицинских вопросов и рассуждений. Это плотная causal language model семейства Qwen3 с 7,6 млрд параметров; она принимает текст и генерирует текст, поддерживает диалог и имеет контекстное окно 40 960 токенов. Модель дообучена на Qwen/Qwen3-8B: после SFT на медицинских данных разработчики применили двухэтапное обучение DAPO для сложных медицинских рассуждений, безопасности и полезности ответов. Модель предназначена для ответов на медицинские вопросы и исследовательской оценки на наборах медицинских QA-бенчмарков. В README указаны результаты на HealthBench и других тестах, но они не гарантируют точность в реальных случаях. Обучающие данные включают открытые и синтетические медицинские наборы и могут содержать присущие им смещения. Разработчик отдельно предупреждает, что модель не подходит для медицинского применения; медицинские знания также требуют регулярного обновления. Лицензия — Apache-2.0.

Jolia — разработанная авторами репозитория 3D-модель для извлечения признаков из компьютерной томографии. Модель на основе многомасштабного 3D Vision Transformer кодирует целый объём КТ в глобальный вектор размерности 576 и, при соответствующем запросе, в отдельные векторы для 102 анатомических областей. Для входа требуется подготовленный объём формата Atlas: 11 каналов окон КТ и кубический кроп 192×192×192 с изотропным разрешением 1,5 мм. Модель предназначена для создания признаковых представлений, которые можно использовать в последующих задачах классификации, поиска похожих исследований и анализа отдельных органов, в том числе с линейным зондированием или дообучением. В комплекте есть текстовые проекционные головы для zero-shot-классификации с текстовым энкодером Qwen/Qwen3-Embedding-8B; этот энкодер загружается отдельно и требует около 18 ГБ памяти. Модель обучена на КТ грудной клетки и брюшной полости взрослых пациентов. Это исследовательская версия, а не медицинское изделие: модель не ставит диагнозы и не подходит для принятия клинических решений. Она может плохо обобщаться на другие модальности и необычные протоколы получения изображений. В метаданных указана лицензия other, поэтому конкретные условия использования следует проверять в карточке репозитория.

MicroscopyCLIP — модель SeriYann на архитектуре CLIP ViT-B/32, дообученная со всеми параметрами на парах изображение–текст для микроскопии. Она сопоставляет микроскопические изображения с текстовыми описаниями и подходит для классификации изображений по заданным текстовым меткам без отдельного обучения на каждом наборе классов. Модель предназначена для задач компьютерного зрения в микроскопии. Модель создана на основе openai/clip-vit-base-patch32 и распространяется в формате safetensors под лицензией MIT. Она принимает изображения и текстовые метки и оценивает их соответствие. Карточка не сообщает размер набора данных, поддерживаемые языки или длину контекста.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт соответствует шагу 18 эксперимента RaR-Medicine OnlineRubrics-Every и предназначен для генерации текста в медицинском экспериментальном сценарии с онлайн-рубриками. Модель принимает текст и генерирует текст; архитектура — Qwen3ForCausalLM, формат весов — BF16. Метаданные указывают контекст до 262 144 токенов и поддержку диалогового режима. Данных о поддерживаемых естественных языках нет. Модель доступна по лицензии Apache-2.0.

raynardj/roberta-pubmed — модель семейства RoBERTa, дообученная на корпусе аннотаций PubMed для предсказания замаскированных слов. Обучающий текст ограничен аннотациями по биомаркерам опухолей, карциномам и клиническим исследованиям; указанный объём корпуса — 531 МБ. Модель содержит 151,8 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для подстановки вероятных слов в пропуски медицинского и биомедицинского текста, например в аннотациях исследований. В карточке описано обучение на задаче masked language modeling с вероятностью маскирования 15% в течение трёх эпох. Доступны веса PyTorch, лицензия Apache-2.0. Специализация корпуса на онкологии и PubMed ограничивает надёжность применения к другим областям и типам текста.

Taiwan-inquiry7Bv1.0 — диалоговая модель на архитектуре Llama, дообученная Джозефом (Чен-Вэй) Ли, ассистентом-исследователем Национальной университетской больницы Тайваня. Она основана на yentinglin/Taiwan-LLM-7B-v2.1-chat и содержит 6,6 млрд параметров; максимальный контекст — 4096 токенов. Модель работает с традиционным китайским языком, в том числе его тайваньским вариантом. Модель предназначена для учебных диалогов по клиническим навыкам и сценариям OSCE: она может играть пациента в беседе с пользователем в роли врача и отвечать с учётом краткой предыстории пациента в системном запросе. Для дообучения использованы 614 реальных диалогов из Национальной университетской больницы Чэн Кун и 101 синтетический диалог, созданные с помощью GPT-3.5 и Gemini Pro. Лицензия — Apache 2.0. Это учебный инструмент для отработки клинического опроса, а не замена медицинского специалиста или проверенного медицинского справочника. Карточка не приводит результатов оценки качества ответов.

Thai GPT-2 Fine-Tuned — генеративная языковая модель, разработанная пользователем 415Supreeya и дообученная на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о заболеваниях. Модель предназначена для генерации ответов на вопросы на тайском языке и относится к архитектуре GPT-2. Модель поддерживает тайский язык, использует контекст длиной до 1 024 токенов и опубликована в формате safetensors. Её можно применять для создания прототипов тайскоязычных систем вопросов и ответов, предварительной подготовки медицинских справочных ответов и экспериментов с генерацией текста в медицинской тематике. Модель выпущена под лицензией MIT. В README отсутствуют сведения о размере модели, точной базовой версии, параметрах обучения и результатах оценки. Генерируемые ответы не следует считать медицинской консультацией: модель может ошибаться, выдавать неполные или недостоверные сведения и не заменяет проверку специалистом.

LastBuff/thai-qa-lab-model — модель Thai GPT-2, дообученная студентом LastBuff на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о заболеваниях. Модель предназначена для генерации ответов на вопросы на тайском языке в медицинском тематическом контексте. Модель использует архитектуру GPT-2 и поддерживает контекст длиной до 1 024 токенов. Она может применяться для прототипирования тайскоязычных систем вопросно-ответного взаимодействия о заболеваниях, учебных демонстраций и генерации черновых ответов. Модель опубликована под лицензией MIT. Документация не содержит сведений о размере модели, базовой версии GPT-2, процедуре обучения, результатах оценки или рекомендованных параметрах использования. Ответы не следует считать медицинской консультацией: модель может генерировать неточную, неполную или потенциально опасную информацию и требует проверки специалистом.

Vir2vec — вирусная геномная языковая модель, разработанная Пабло Аросареной и предназначенная для получения векторных представлений геномов вирусов. Модель основана на дообученной RaphaelMourad/Mistral-DNA-v1-422M-hg38; доступны варианты размером 422 млн, 138 млн и 17 млн параметров. Она формирует фиксированные эмбеддинги размерности 4096 с помощью max pooling логитов словаря и загружается через Transformers. Эмбеддинги можно применять для различения вирусных и невирусных геномов или прочтений, классификации ДНК- и РНК-вирусов, предсказания круга хозяев, типирования вариантов и выявления сигналов, связанных с фенотипом, например тропностью к тканям. Репозиторий ограничивает доступ: для получения модели требуется запрос с институциональным адресом электронной почты, кратким описанием цели и номером протокола IRB. Лицензия — MIT.

MahmoodLab представляет FEATHER — набор лёгких моделей с контролируемым обучением для анализа гистологических изображений. Этот вариант использует архитектуру ABMIL и признаки патчей от CONCH v1.5; он предварительно обучен на задаче морфологической классификации PC-108 с 108 классами на 24 тысячах слайдов из внутреннего датасета Mass General Brigham. Модель принимает признаки патчей размером 512×512 пикселей при увеличении 20× и предназначена для последующей настройки под нужное число классов; готовой классификационной головы в чекпойнте нет. FEATHER рассчитана на тонкую настройку с небольшими вычислительными ресурсами и может применяться для классификации гистологических препаратов и задач анализа патологии. Для доступа требуется согласие с условиями использования; запрос доступа должен быть связан с подтверждённой институциональной почтой. Репозиторий распространяется по лицензии CC BY-NC-ND 4.0.

CeLLaTe-tapt-pubmedbert-tokenizer-original-spanmask-combinedData — дообученная Mardiyyah модель на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Это англоязычная BERT-модель с архитектурой BertForMaskedLM, предназначенная для предсказания скрытых токенов в биомедицинском тексте. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Дообучение выполнено на датасете Mardiyyah/Combined_TAPT_dataset. В README приведены результаты оценки: loss 2,1023, accuracy 0,5977 и perplexity 8,1850. Модель распространяется в формате safetensors по лицензии Apache-2.0. Подходит для заполнения пропусков и анализа контекста в англоязычных биомедицинских публикациях. Карточка не описывает дополнительные целевые сценарии и ограничения; качество для конкретных downstream-задач следует оценивать отдельно.

Hibou-L — большая модель Vision Transformer для цифровой патологии, разработанная HistAI. Она предварительно обучена в рамках подхода DINOv2 на частном наборе из 1,2 млрд изображений и предназначена для извлечения признаков из изображений тканей. Модель можно использовать как визуальный энкодер в системах анализа гистологических изображений и как основу для последующей настройки под конкретные задачи патологии. Репозиторий содержит веса в формате safetensors и использует модифицированную реализацию DINOv2 из Transformers с поддержкой register-токенов. Для загрузки через AutoImageProcessor и AutoModel требуется включить trust_remote_code=True. Лицензия — Apache-2.0. Карточка также упоминает вариант Hibou-B.

youngseok12/HyperCLOVA-X-SEED-Think-14B-sft-71875-3000 — экспериментальная корейскоязычная плотная языковая модель на архитектуре HyperCLOVAXForCausalLM, дообученная автором на базе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Она содержит 14,1 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. Для обучения применён LoRA-адаптер, затем объединённый с весами базовой модели; репозиторий содержит самостоятельную BF16-модель в формате safetensors и сохраняет официальный шаблон диалога HyperCLOVA X. Модель предназначена для генерации ответов на корейском языке, в частности для контролируемых экспериментов с вопросами и ответами по медицинским знаниям. Дообучение выполнено на 3 000 примерах AI Hub 71875 по внутренней медицине, акушерству и гинекологии, педиатрии и неотложной медицине. Это не профессиональный медицинский инструмент: ответы могут содержать фактические ошибки и ошибки рассуждения. Лицензия указана как other; применяются ограничения допустимого использования HyperCLOVA X, условия источника данных AI Hub и действующее законодательство.

MedAlpaca-7B — языковая модель для медицинских вопросов и диалогов, разработанная проектом MedAlpaca и дообученная на базе LLaMA. Она содержит 6,6 млрд параметров, использует архитектуру LLaMA с плотной причинной языковой моделью и работает с текстом на английском языке. Модель предназначена для ответов на медицинские вопросы и ведения медицинского диалога, в том числе на уровне знаний, ориентированном на студентов-медиков. Для обучения использовались карточки Anki, материалы Wikidoc, вопросы StackExchange по смежным областям и набор ChatDoctor. Авторы оценивают точность части автоматически подготовленных пар вопросов и ответов из Wikidoc примерно в 70%. Модель не показала подтверждённую эффективность в реальном применении и может хуже справляться за пределами медицины или с запросами, требующими уровня практикующего врача. Её ответы не заменяют консультацию врача. Репозиторий распространяется под лицензией CC; конкретная разновидность лицензии в метаданных не уточнена.

my-symptom-checker-biobert — дообученная Iloriayomide модель классификации текста на основе emilyalsentzer/Bio_ClinicalBERT. Она предназначена для классификации текстовых описаний симптомов; карточка называет её средством проверки симптомов, но не сообщает классы, клинические сценарии или правила интерпретации результатов. Модель построена на архитектуре BERT, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Базовая Bio_ClinicalBERT обучена на клинических записях MIMIC-III и рассчитана на англоязычный медицинский текст. Для этой версии указана лицензия MIT. В README приведено значение loss 0,1376 на оценочном наборе, однако состав данных и методика оценки не описаны, поэтому по этому числу нельзя судить о клинической точности или пригодности для диагностики.

PsychBERT — доменно адаптированная языковая модель на архитектуре BERT, созданная Ведантом Ваджре, Митчем Нейлором, Удаем Каматом и Амардой Шеху. Она продолжает предобучение контрольной точки bert-base-cased на задаче восстановления скрытых токенов в научных публикациях по психологии, психиатрии, психическому и поведенческому здоровью, а также в обсуждениях психического здоровья в социальных сетях. Модель предназначена для предсказания замаскированных слов и доменно ориентированного анализа текста о психическом здоровье. Она содержит около 135,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в формате Flax. Карточка описывает работу как результат, представленный на BIBM 2021. Специализация на текстах о психическом здоровье может быть полезна для задач в этой области, однако README не приводит количественных оценок качества и не описывает проверку на клиническое применение. Лицензия в предоставленных сведениях не указана.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на основе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт относится к эксперименту RaR-Medicine OnlineRubrics-Every, шаг 16; он предназначен для генерации текста в диалоговом режиме и инференса. Модель может применяться для проверки и улучшения ответов на медицинские вопросы по рубрикам, созданным в рамках онлайн-оценивания. Архитектура — Qwen3ForCausalLM, формат весов — BF16 и safetensors. Контекст составляет до 262 144 токенов. README указывает на исследовательское использование; лицензия Apache-2.0.

Это исследовательский чекпойнт RaR-Medicine, созданный на основе Qwen3-4B-Instruct-2507. В репозитории размещены веса BF16 для инференса и исходные файлы чекпойнта veRL с состоянием оптимизатора и данных; архитектура — плотная Qwen3ForCausalLM с 3,7 млрд параметров и контекстом до 262 144 токенов. Модель предназначена для генерации текста в диалоговом формате и, судя по названию эксперимента, связана с медицинской тематикой. README обозначает её как шаг 19 статического чекпойнта; описание не сообщает конкретные медицинские сценарии или результаты оценки качества. Лицензия Apache 2.0.

SciCore-Omics — биомедицинская мультимодальная модель компании OpenBMB для совместного анализа гистологических изображений, пространственных транскриптомных профилей и биологического текста. Она предназначена для рассуждений в задачах пространственной биологии и патологии, а также для интерпретации биомедицинских данных на естественном языке. Модель основана на архитектуре MiniCPMV и содержит 7,1 млрд параметров. Для кодирования транскриптомных данных используется ветвь NicheFormer, Gene Q-Former и Gene Projector, выравнивающая представления генов с токенами языковой модели. Поддерживаются анализ изображений или генов по отдельности и совместное рассуждение по изображениям и профилям генов; контекст составляет до 32 768 токенов. Модель работает с изображениями, биологическими данными и текстом на английском и китайском языках. SciCore-Omics подходит для биомедицинской интерпретации, но может выдавать неточные или неполные выводы. Её нельзя использовать как самостоятельную систему клинической диагностики или рекомендаций по лечению. Веса распространяются по лицензии Apache-2.0; авторы указывают исследовательское назначение.

Это модель Vision Transformer ViT-Small с патчами 16×16, обученная компанией Lunit методом самообучения DINO на 33 млн гистологических фрагментов из наборов данных по патологии. Модель содержит 21,1 млн параметров, принимает изображения размером 224×224 пикселя и предназначена прежде всего как визуальный backbone для классификации и получения эмбеддингов тканей. Модель подходит для классификации гистологических изображений и извлечения признаков, которые можно использовать в последующих задачах анализа патологии. В обучении использовались данные BACH, CRC, MHIST, PatchCamelyon и CoNSeP. Репозиторий предоставляет веса в формате safetensors; для работы используется библиотека timm. Лицензия lunit-non-commercial ограничивает использование некоммерческими целями.

Модель 1aurent/vit_small_patch8_224.kaiko_ai_towards_large_pathology_fms — визуальный backbone семейства ViT, опубликованный в репозитории Kaiko AI Towards Large-Scale Training of Pathology Foundation Models. Она предназначена для извлечения признаковых векторов из изображений размером 224 × 224 пикселя; модель содержит около 22 млн параметров и использует патчи 8 × 8 пикселей. Основной сценарий — получение эмбеддингов изображений патологических препаратов для последующего анализа или использования в других моделях. В метаданных указан pipeline feature-extraction и библиотека timm. Карточка ссылается на исследовательскую работу по обучению фундаментальных моделей патологии. Лицензия обозначена как other, поэтому конкретные условия использования следует сверять с лицензией репозитория и указанного оригинального набора весов.

1aurent/vit_small_patch8_224.lunit_dino — модель классификации изображений на основе Vision Transformer (ViT), использующая метод самообучения DINO. Это визуальный бэкбон, обученный на 33 млн гистологических патчей из патологических датасетов. Модель содержит 21,7 млн параметров и принимает изображения размером 224 × 224 пикселя с тремя цветовыми каналами. Модель предназначена для классификации гистологических изображений и получения эмбеддингов патчей, которые можно использовать как признаки в последующих задачах анализа тканей. В обучении использовались данные BACH, CRC, MHIST, PatchCamelyon и CoNSeP; метаданные также указывают датасет NCT-CRC-HE. Репозиторий использует библиотеку timm и содержит веса в формате safetensors. Лицензия lunit-non-commercial ограничивает использование некоммерческими целями. Модель обучалась на патологии и может хуже работать на изображениях, отличающихся от обучающих данных; описание не приводит количественных оценок качества.

Это классификатор клеток костного мозга на базе Ultralytics YOLO, опубликованный пользователем ghostsas001. Модель относит отдельные изображения клеток из мазков костного мозга к одному из 20 типов; входные изображения имеют размер 250 × 250 пикселей, а при примере применения используется размер 224 пикселя. Для классификации модель возвращает вероятности классов и наиболее вероятную метку. На тестовой выборке из 17 137 клеток указаны сбалансированная точность 79,48 %, accuracy 85,30 % и macro F1 76,65 %. Модель обучалась 50 эпох на ограниченной выборке из датасета Bone-Marrow-Cytomorphology_MLL_Helmholtz_Fraunhofer. Лицензия репозитория — AGPL-3.0. Модель предназначена для исследовательского анализа цитологических изображений и не является медицинским устройством. Данные происходят из одной лаборатории; точность может снизиться при использовании других методов окрашивания, микроскопов или когорт. Разделение данных выполнено по изображениям без идентификаторов пациентов, поэтому клетки одного пациента могли попасть в обучающую и тестовую выборки; обучение проведено в одном запуске, а метрики редких классов нестабильны.

Devarshi/Brain_Tumor_Classification — дообученная модель классификации изображений на архитектуре Swin Transformer. Она предназначена для отнесения медицинских изображений мозга к классам опухолей; состав классов и тип снимков в карточке не уточнены. Модель содержит около 33 млн параметров и распространяется в формате PyTorch. В README указано, что модель дообучена на microsoft/swin-tiny-patch4-window7-224 с набором данных imagefolder. На оценочной выборке заявлены accuracy, F1, recall и precision по 0,9647. Эти результаты относятся только к указанной выборке и сами по себе не подтверждают пригодность для клинической диагностики. Лицензия — Apache-2.0.

BulkRNABert — энкодерная трансформерная модель, разработанная InstaDeep и предварительно обученная на профилях bulk RNA-seq из набора TCGA. Она использует самоконтролируемое маскирование: модель восстанавливает случайно скрытые значения экспрессии генов с учётом их геномного контекста и формирует биологически значимые представления транскриптомных профилей. Модель предназначена для извлечения эмбеддингов bulk RNA-seq и их последующего использования в задачах классификации типов рака и анализа выживаемости. Для инференса README описывает использование Transformers и PyTorch; также доступны параметры модели для JAX. Репозиторий содержит веса в формате safetensors. Это специализированная модель для транскриптомных данных, а не универсальная языковая модель. README отмечает, что для работы на момент публикации требовалась версия Transformers из исходного кода; результаты downstream-задач требуют отдельной настройки или классификатора. Лицензия в предоставленных данных не указана.

FarhanKO выпустил модель классификации изображений сканированных распечаток ЭКГ с 12 отведениями. Основная модель — дообученная на ImageNet ResNet50V2; в репозитории также представлены дообученные EfficientNetB0 и DenseNet121. Конвейер сначала проверяет, похож ли вход на распечатку ЭКГ, затем классифицирует её как Abnormal_Heartbeat, History_of_MI, Myocardial_Infarction или Normal и направляет случаи с низкой уверенностью на ручную проверку. В полном конвейере Grad-CAM показывает области, повлиявшие на результат. Модель принимает RGB-изображение сетки ЭКГ, включая обрезанный фрагмент или распечатку исходного формата, и выдаёт вероятности четырёх классов. Она предназначена для исследовательских и учебных экспериментов с классификацией ЭКГ. В тестировании на 74 ЭКГ развёрнутая ResNet50V2 показала точность 0,878 и macro-F1 0,850, однако обучающие данные включают только 491 уникальную ЭКГ из одной больницы. Модель и обучающие данные распространяются по лицензии CC BY 4.0. README прямо указывает, что модель не является медицинским устройством и не должна использоваться для постановки диагноза или выбора лечения.

roychowdhuryresearch/HFO-artifact — модель классификации изображений из набора моделей для анализа высокочастотных осцилляций (HFO) в нейронных сигналах. Разработчики позиционируют её как детектор артефактов, помогающий выявлять и отфильтровывать артефакты при анализе HFO. Модель предназначена для исследовательских и клинических рабочих процессов, связанных с анализом нейронных сигналов и эпилепсией. В репозитории также представлены отдельные модели для обнаружения spike-associated HFO и эпилептических HFO; эта модель выполняет классификацию артефактов. Архитектура указана как ResNet, файлы доступны в форматах ONNX и safetensors. Для интеграции авторы предлагают библиотеку Transformers. Заявлены высокая точность и устойчивость, однако численные результаты и подробности оценки в карточке не приведены. Лицензия — MIT.

Это дообученная версия HyperCLOVA X SEED Think 14B от NAVER: плотная языковая модель на 14,1 млрд параметров для генерации текста и диалогов, ориентированная прежде всего на корейский язык. Репозиторий содержит самостоятельные веса BF16, полученные дообучением базовой модели с помощью LoRA и последующим объединением весов. Контекст модели — до 131 072 токенов. Модель создана как экспериментальная ветвь для проверки влияния краткого обоснования в целевых ответах на результат в корейском бенчмарке K-AI. Её дообучали на 512 примерах медицинских вопросов и ответов из AI Hub 71875: ответы оформлены в схеме «정답: … 근거: …», где сначала указывается вариант, затем краткое основание. Она может быть полезна для корейских вопросов с выбором ответа и генерации ответов с обоснованием. В описании указаны успешные проверки весов на NaN/Inf и генерации на синтетических пробах; публичные тестовые данные бенчмарка не использовались при обучении. Это не подтверждает качество на широком наборе медицинских задач. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензирования исходной и производной моделей.

Medchator-2x7b — языковая модель для генерации текста, созданная Technoculture как смесь экспертов на основе AdaptLLM/medicine-chat и microsoft/Orca-2-7b. Она предназначена для диалогов и ответов на вопросы по медицинским темам; в карточке приведены результаты на медицинских тестах MMLU, включая анатомию, клинические знания и биологию. Модель имеет архитектуру Mixtral MoE, около 6,6 млрд параметров и контекст до 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель подходит для прототипирования медицинских чат-помощников и учебных сценариев, где нужны ответы на вопросы по медицинским дисциплинам. Опубликованные результаты тестов не подтверждают пригодность для клинических решений или замену консультации специалиста. Лицензия — Apache-2.0.