IV.4Клиническая медицина и общественное здоровье

MedGemma 4B PT — предварительно обученная мультимодальная модель Google для понимания медицинских изображений и текста, основанная на Gemma 3. Визуальный энкодер SigLIP предварительно обучен на обезличенных медицинских данных, включая рентгенограммы грудной клетки, дерматологические и офтальмологические изображения, а также гистопатологические препараты. Модель использует архитектуру декодерного трансформера Gemma 3 и доступна в формате safetensors для Transformers. Модель предназначена для разработчиков медицинских и биологических приложений как основа для последующей адаптации. Она может отвечать на вопросы о медицинских изображениях и на текстовые медицинские вопросы; вариант PT рассчитан на эксперименты и дальнейшее дообучение, тогда как для большинства прикладных сценариев автор рекомендует instruction-tuned вариант. Лицензия обозначена как other; использование регулируется условиями Health AI Developer Foundations. Модель не предназначена для непосредственного использования при постановке диагноза, выборе лечения или ведении пациентов. Её результаты могут быть ошибочными и требуют независимой проверки и клинической валидации. Мультимодальные возможности оценивались преимущественно на задачах с одним изображением; работа с несколькими изображениями и многоходовые сценарии не оценивались.

MindLens — это кросс-энкодер на архитектуре BERT, дообученный разработчиком репозитория на парах запросов и фрагментов текста для ранжирования материалов по психическому здоровью. Модель использует 25,9 млн параметров и принимает совместно текст запроса и текст фрагмента; длина контекста составляет до 512 токенов. В конвейере MindLens она переупорядочивает 20 результатов поиска из ChromaDB, чтобы передать три наиболее релевантных фрагмента генератору терапевтических ответов. Модель обучена на данных Counsel Chat: пары с ответами консультантов использовались как положительные примеры, а ответы на другие темы — как отрицательные. Для применения описан интерфейс CrossEncoder из Sentence Transformers. README сообщает высокие результаты на отложенном тестовом наборе, однако они получены на данных той же предметной области и сами по себе не подтверждают качество в других сценариях. Лицензия — Apache-2.0.

Raidium MQG — языковая модель на архитектуре GPT-2, разработанная Raidium для медицинских вопросов и ответов. Её веса инициализированы BioMedLM, после чего модель дополнительно обучали на медицинских учебниках и вопросах, созданных GPT-4 на основе материалов этих учебников. Модель предназначена для генерации ответов на медицинские вопросы и для последующего дообучения под задачи медицинского вопросно-ответного поиска. Для тестов с вариантами ответа можно добавить классификационную голову, чтобы ранжировать варианты. Контекст составляет 1024 токена; модель принимает и генерирует текст на английском языке. Доступна в формате PyTorch через Transformers. MQG ориентирована на медицинскую тематику и может быть полезна как основа для специализированных QA-систем. Создатели предупреждают, что ответы могут быть ошибочными: модель не подходит для клинического применения, а её применение вне медицинских задач не рекомендуется. Лицензия — Apache-2.0; в карточке также указано ограничение на академическое использование.

NV-Reason-CXR-3B — специализированная мультимодальная модель NVIDIA для анализа рентгеновских снимков грудной клетки. Она разработана на архитектуре Qwen2.5-VL и дообучена на Qwen/Qwen2.5-VL-3B-Instruct методами SFT и GRPO. Модель содержит 3,1 млрд параметров и поддерживает контекст длиной до 128 000 токенов. На вход подаются изображение рентгена и текстовый запрос; модель отвечает текстом, объясняя радиологические находки и поддерживая уточняющий диалог. Её предполагаемые сценарии — учебный разбор снимков и исследования объяснимого медицинского ИИ. Карточка указывает обучение на наборах MIMIC-CXR, ChestXRay14 и CheXpert. Модель ориентирована на фронтальные рентгенограммы грудной клетки. Она предназначена только для исследований и обучения: её выводы могут быть ошибочными и должны проверяться специалистом; применять их для диагностики или выбора лечения нельзя. Лицензия указана как other, поэтому условия использования следует уточнять в условиях NVIDIA.

RETFound_mae_meh — энкодер Vision Transformer Large/16, разработанный Dávid Isztl как экспорт RETFound MAE из проекта Yukun Zhou и соавторов в формат Transformers. Он предварительно обучен с помощью Masked Autoencoder на цветных фотографиях глазного дна из подмножества MEH AlzEye и предназначен для извлечения признаков и последующего дообучения для классификации и поиска по медицинским изображениям. Энкодер содержит 24 слоя, размер скрытого представления 1024 и 16 голов внимания; процессор изображений рассчитан на входы 224×224. Модель принимает изображения и выдаёт признаки; отдельного слоя пулинга нет, поэтому для глобального представления можно использовать CLS-токен или собственный способ пулинга. Карточка этой версии описывает преобразование исходного чекпойнта PyTorch в формат Transformers и не сообщает о новой оценке качества. Обучение на ограниченном наборе изображений глазного дна может снижать качество при смене устройства, популяции или протокола съёмки; перед медицинским применением требуется независимая проверка, модель не является медицинским устройством. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

REVE-base — предобученный трансформерный энкодер для обработки сигналов электроэнцефалографии (ЭЭГ), разработанный командой BRAIN и Université de Montréal. Модель обучена на более чем 60 000 часах записей из 92 наборов данных, охватывающих около 25 000 участников. REVE использует схему 4D позиционного кодирования и цель masked autoencoding. Это позволяет получать представления ЭЭГ при различных конфигурациях электродов и длине сигнала. Модель предназначена для извлечения признаков и адаптации к широкому кругу задач на основе ЭЭГ. В репозитории доступны веса в формате Safetensors; для работы указана библиотека Transformers. В метаданных лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты. Это специализированная модель для сигналов ЭЭГ, поэтому её возможности за пределами нейрофизиологических данных не подтверждены.

REVE-large — трансформерная фундаментальная модель для обработки сигналов электроэнцефалографии (ЭЭГ), разработанная командой BRAIN и Университетом Монреаля (UdeM). Это предварительно обученный энкодер, предназначенный для переноса на широкий круг задач анализа ЭЭГ и работы с разными конфигурациями электродов. Модель обучена с задачей masked autoencoding на более чем 60 000 часах записей из 92 наборов данных, охватывающих около 25 000 человек. Четырёхмерное позиционное кодирование позволяет ей обрабатывать сигналы произвольной длины и расположения электродов. В репозитории указаны веса safetensors и библиотека Transformers; основное назначение по метаданным — извлечение признаков и эмбеддингов сигналов ЭЭГ. REVE-large подходит для получения представлений ЭЭГ и их адаптации к прикладным задачам нейронауки. Карточка не приводит конкретный перечень таких задач и не сообщает условия лицензии сверх обозначения «other», поэтому перед использованием следует проверить лицензионные условия репозитория.

Это дообученная модель Segment Anything Model (SAM), опубликованная Lorenzob и предназначенная для сегментации опухолей головного мозга на медицинских изображениях. Она принимает 2D-срез изображения и рамку с областью интереса, после чего предсказывает маску опухоли. Веса доступны в формате safetensors; лицензия — MIT. Модель обучали на симулированном наборе данных из двумерных срезов, полученных из трёхмерных изображений NIfTI, и соответствующих масок. При обучении рамки вокруг опухолей строились по эталонным маскам. Модель использует prompt-based сегментацию SAM и предназначена для экспериментов с разметкой опухолей на отдельных срезах. Качество на реальных и разнообразных клинических данных требует строгой проверки. Результат зависит от точности заданной рамки; модель работает с 2D-срезами и не выполняет сегментацию полного 3D-объёма напрямую.

SkinCancerViT — модель классификации изображений кожи, разработанная Ethicalabs и предназначенная для получения предсказаний по фотографиям кожных образований. Она дообучена на базе Vision Transformer google/vit-base-patch16-224-in21k и использует архитектуру ViT; веса опубликованы в формате safetensors. В метаданных указан датасет marmal88/skin_cancer, но состав классов и показатели качества не приведены. Модель рассчитана на задачи компьютерного зрения в медицинском контексте, включая экспериментальную классификацию изображений кожи. Для использования доступен пакет с предварительно обученной моделью; лицензия — Apache-2.0. Результат модели не следует считать медицинским диагнозом: в карточке нет сведений о клинической проверке или точности.

XMag — модель-энкодер изображений для патологии, разработанная командой AI4PATH. Это облегчённая модель-студент, обученная дистилляцией признаков замороженной высокомасштабной модели UNIv2; в качестве основы используется DINOv2 ViT-B/14. Она принимает RGB-патчи ткани размером 224 × 224, соответствующие увеличению 5× или разрешению 2 мкм на пиксель, и возвращает CLS-эмбеддинг и эмбеддинги патчей. Модель предназначена для извлечения признаков из гистопатологических изображений при низком увеличении, в том числе для построения представлений ткани и последующего анализа или классификации. При обучении признаки студента согласовывались с глобальными и локальными признаками учителя, который обрабатывал соответствующую область при увеличении 896 × 896. В репозитории находятся только веса EMA-кодировщика; проекционные головы дистилляции не включены. Предварительную обработку RGB-изображения, включая изменение размера и нормализацию ImageNet, нужно выполнить до вызова модели. Лицензия в предоставленных данных не указана.

AssistiveRecGraniteSmall — англоязычная модель Sentence Transformers, разработанная на основе IBM Granite и дообученная для рекомендаций вспомогательных технологий. Она сопоставляет описания целей и трудностей пользователя с естественно-языковыми описаниями товаров: кодирует текст в нормализованные плотные векторы размерностью 768 и подходит для семантического поиска и сравнения по косинусному сходству. Модель основана на RoBERTa с pooling по CLS-токену; максимальная длина входа — 512 токенов. Запросы рекомендуется формировать как «Goals: …, Challenges: …», а описания товаров передавать обычным текстом. Кроме поиска похожих описаний, эмбеддинги можно применять для поиска перефразировок, кластеризации и классификации текста. Модель дообучена на парах текстов из датского набора Assistive Technology Data Denmark, предоставленного Национальным советом социальных служб Дании. Она ориентирована на английский язык и вспомогательные технологии; качество на других языках и за пределами этой области не заявлено. Лицензия — Apache 2.0.

CENO-P-300M — модель семейства CENO, разработанная CladeTeam для предсказания эффектов генетических вариантов по множественным выравниваниям последовательностей (MSA). Это постобученный для MSA вариант ДНК-модели CENO; он оценивает варианты сравнением log-likelihood последовательностей дикого типа и с вариантом. Модель принимает упакованные MSA-последовательности с индексами последовательностей и использует символьную токенизацию, кодирующую основания ДНК ASCII-кодами. Архитектура — гибрид Mamba, Attention и Mixture-of-Experts семейства Nemotron-H; README указывает 307,5 млн параметров, а метаданные Hugging Face — 151,5 млн. Нативный контекст составляет 1 048 576 токенов. Модель работает с последовательностями ДНК и не предназначена для обычной генерации естественного языка. Код модели включён в репозиторий, для загрузки через Transformers требуется trust_remote_code=True. Лицензия — Apache-2.0.

CervicalSeg — модель сегментации изображений кольпоскопии, разработанная Shi Minghai. Она выделяет область поражения шейки матки на снимке и относит пиксели к фону или поражению. Архитектура объединяет backbone DINOv3 ViT-S/16, декодер DPT и WTConv на двух последних этапах слияния высокодетальных признаков. Публичная версия обучена 51 эпоху на всех 1 465 доступных изображениях: исходные обучающая, валидационная и тестовая выборки были объединены, а все неб фоновые метки сведены к одному классу поражения. Поэтому для этого чекпойнта нет независимой тестовой метрики. Отдельный эксперимент разработки показал IoU 0,5847 и Dice 0,7379 на валидации, но эти показатели не являются независимой оценкой публичных весов. Модель предназначена для исследовательского выделения границ поражения на кольпоскопических изображениях. Она не определяет степень поражения, патологию или цветовую категорию. Это не медицинское изделие: результаты требуют проверки специалистом, а качество может снижаться на данных из не представленных при обучении учреждений, популяций и условий съёмки. Лицензия указана как other; конкретные условия в карточке не приведены.

DALE-CT-1S-v2 — модель извлечения признаков для анализа срезов КТ грудной клетки, разработанная Институтом биомедицинской информатики и Центром прикладного ИИ Университета Кентукки. Это Vision Transformer ViT-Large, обученный с нуля на данных CT-RATE с целью LeJEPA и дополнительным анатомическим обучением по 118 классам TotalSegmentator. Модель принимает одноканальные срезы КТ в единицах Хаунсфилда после предусмотренной авторами предобработки и выдаёт CLS- и patch-токены размерности 1024. Модель предназначена для получения признаковых представлений КТ, которые можно использовать в последующем обучении классификаторов и исследовании анатомических структур. В опубликованном сравнении она показала macro AUROC 0,8098 на CT-RATE и AUROC 0,6284 на RAD-ChestCT с замороженным линейным классификатором; эти показатели относятся к протоколу авторов и не гарантируют качество в других условиях. Карточка указывает загрузку через timm. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдать условия атрибуции и распространения на тех же условиях.

DistillPath-IS16-UNI2h — энкодер тайлов гистологических изображений, разработанный Рамоном Каспаром, Андреем Игнатовым и Валентиной Боевой из ETH Zurich. Модель использует архитектуру ViT-S/16 из timm и содержит 21,7 млн параметров; это студенческая модель, обученная дистилляцией представлений из UNI2-h (ViT-H/14, 681 млн параметров). Вариант DistillPath-IS16 инициализирован весами ImageNet-21k; при обучении использованы 6 000 открытых слайдов TCGA. Модель предназначена для извлечения признаков из тайлов патологии и последующего применения в задачах анализа гистологических изображений. В описанных авторами бенчмарках она превосходит базовую модель ImageNet-21k по средним показателям EVA и HEST, хотя уступает учителю UNI2-h по этим метрикам. Опубликована в рамках исследовательского бенчмарка ECCV 2026 по медицинским фундаментальным моделям. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях с соблюдением атрибуции; для коммерческого использования требуется отдельное разрешение.

allenai/drug_combinations_lm_pubmedbert — англоязычная модель семейства BERT от Allen Institute for AI, основанная на PubMedBERT. Её дополнительно предварительно обучили на аннотациях PubMed, вероятно посвящённых терапиям с несколькими препаратами, чтобы адаптировать представления модели к этой области. Модель содержит 136,7 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Основное назначение — предсказывать замаскированные слова в биомедицинских текстах. В исследовании извлечения отношений между комбинациями препаратов она показала лучшие результаты среди контекстных энкодеров, выступая компонентом более крупной модели классификации отношений; сама по себе она не является готовой системой извлечения отношений. Для использования модели авторы просят цитировать работы PubMedBERT и датасета по извлечению n-арных отношений комбинаций препаратов. Лицензия в предоставленных данных не указана.

Genos-m — фундаментальная модель для геномов микробов, связанных с человеком, разработанная BGI-HangzhouAI. Она предварительно обучена предсказывать последовательности микробной ДНК на уровне отдельных нуклеотидов и предназначена для анализа геномных последовательностей с длинным контекстом. Метаданные указывают архитектуру Mixtral с механизмом Mixture of Experts, 189 млн параметров и контекст до 1 048 576 токенов; README отдельно описывает вариант Genos-m-4.7B с 4,7 млрд общих и 0,33 млрд активируемых параметров. Обучающий корпус включает около 1,2 трлн токенов из ресурсов прокариотических геномов и геномов микробов, ассоциированных с человеком: 186 типов, 3 448 семейств и 69 056 видов. Модель применима к исследованию микробных геномов человека из кишечника, полости рта, кожи, дыхательных путей и женского репродуктивного тракта. Доступны чекпойнты для Transformers и Megatron-LM. Лицензия — Apache-2.0. README отсылает за подробными инструкциями и бенчмарками к GitHub и статье, поэтому конкретные показатели качества здесь не приводятся.

alabnii/jmedroberta-base-sentencepiece — японская базовая модель RoBERTa, разработанная и предварительно обученная на академических статьях по медицинским наукам, собранных Японским агентством науки и технологий (JST). Она предназначена для заполнения пропусков в тексте и других сценариев с masked language modeling. Модель содержит 136,3 млн параметров, использует SentencePiece Unigram с словарём из 30 000 токенов и принимает последовательности длиной до 512 токенов. Для обработки входной текст необходимо заранее преобразовать в полноширинные символы. Обучение проводилось на аннотациях и полных текстах научных публикаций. Архитектура реализована классом BertForMaskedLM; авторы называют её RoBERTa из-за обучения с максимальной длиной 512 токенов, без цели NSP и с динамическим маскированием. Модель рассчитана на японский язык и медицинскую научную литературу. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях некоммерческого распространения и сохранения той же лицензии.

Dragonfly-Med — мультимодальная биомедицинская визуально-языковая модель, разработанная Together AI. Это авторегрессионная трансформерная модель, дообученная инструкциями на Llama 3.1; для обработки изображений используется визуальная основа CLIP. Модель принимает изображение вместе с текстовым запросом и генерирует текстовый ответ, например, для исследования вопросов по биомедицинским изображениям. Модель рассчитана прежде всего на исследования визуально-языковых моделей и работу исследователей и энтузиастов в области NLP, машинного обучения и искусственного интеллекта. В репозитории указано 7,5 млрд параметров, контекст — 8192 токена; формат весов — PyTorch. Карточка указывает английский язык. Модель лицензирована по Llama 3.1 Community License Agreement, а ограничения лицензии обучающих данных запрещают коммерческое использование, поэтому Dragonfly-Med предназначена только для некоммерческого применения.

bloombergs/Llama-3.2-3B-Instruct-MedicalQA — дообученная bloombergs разговорная языковая модель семейства Llama 3.2 для генерации текста. Она основана на unsloth/llama-3.2-3b-instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 3,2 млрд параметров, поддерживает контекст до 131 072 токенов и рассчитана на работу с текстом на английском языке. По названию модель предназначена для ответов на медицинские вопросы, однако README не описывает обучающие данные, медицинские задачи или результаты оценки качества. Её можно рассматривать как вариант для диалоговых прототипов медицинских Q&A, но надёжность ответов по карточке не подтверждена. Лицензия — Apache-2.0.

Qwen3-1.7B-Longevity (L-Qwen3-1.7B) — компактная языковая модель, разработанная Insilico Medicine совместно с Liquid AI для анализа биологии старения. Это декодерный трансформер на 1,7 млрд параметров, полученный полнопараметрической донастройкой Qwen/Qwen3-1.7B на данных о старении, включая мультиомные и клинические данные. Модель ориентирована на диалог и выполнение инструкций; принимает текст и генерирует текст на английском языке. Длина контекста составляет 32 768 токенов, веса представлены в BF16. Модель предназначена для исследовательской интерпретации данных о старении и биологии старения, в том числе для работы с разнородными омными данными. Её ответы являются предсказаниями модели, а не медицинскими рекомендациями; результаты следует проверять экспериментально. Качество наиболее ожидаемо на данных, представленных в обучающем корпусе. Лицензия — CC-BY-ND-4.0.

RaR-Medicine OnlineRubrics-Every — плотная языковая модель на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-4B-Instruct-2507. Это чекпойнт шага 58 эксперимента `phase1-online-rubrics-medicine-full-dense-20260919-seed11`; в корне репозитория размещены веса BF16 для инференса, а в `original_checkpoint/` — файлы исходного чекпойнта veRL. Модель предназначена для генерации текста в диалоговом режиме в рамках медицинского эксперимента с онлайн-рубриками. Объём модели составляет 3,7 млрд параметров, нативный контекст — до 262 144 токенов. Она принимает текст и генерирует текст. Карточка указывает на исследовательское применение; лицензия репозитория — Apache-2.0. README не описывает проверенные возможности, точность или ограничения медицинских ответов.

Это исследовательский контрольный чекпойнт RaR-Medicine, разработанный HYU-NLP-EVAL на основе Qwen3-4B-Instruct-2507. Он предназначен для генерации текста и диалогов в медицинском сценарии; в README указано, что это статический matched-dense чекпойнт шага 11. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Чекпойнт сохранён в BF16 для инференса; в каталоге также находятся файлы исходного чекпойнта veRL с параметрами модели. Модель лицензирована по Apache-2.0. README помечает её как предназначенную только для исследований; отдельные медицинские возможности и качество ответов не описаны.

Skincare Disease Classification Model — модель компьютерного зрения автора Finbarrs Oketunji для классификации кожных заболеваний и состояний по изображениям. В карточке описано обучение с переносом знаний с использованием EfficientNet-B0, ResNet50 и Vision Transformer; метаданные указывают архитектуру ViTForImageClassification и формат весов safetensors. Модель предназначена для образовательной и исследовательской классификации изображений кожи. Её можно применять для предварительной сортировки изображений и экспериментов с распознаванием кожных состояний. Лицензия репозитория — Apache-2.0. Точность зависит от качества и разнообразия обучающих данных. Модель может хуже работать на изображениях, распределение которых отличается от обучающего, а качество может различаться для разных типов кожи и демографических групп. Её выводы не следует использовать как единственное основание для медицинских решений; клиническое применение требует проверки специалистами, валидации и соответствующего разрешения.

Thai GPT-2 — генеративная языковая модель, дообученная студентом worxrit17 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 контексте. Модель использует архитектуру GPT-2, поддерживает тайский язык и имеет нативную длину контекста 1 024 токена. Основной сценарий — формирование ответов по вопросам о заболеваниях; модель может применяться в прототипах тайскоязычных систем вопросов и ответов и образовательных сервисах. Модель выпущена под лицензией MIT. В карточке отсутствуют сведения о размере модели, точных параметрах обучения, результатах оценки, ограничениях качества и безопасной эксплуатации, поэтому ответы не следует использовать как замену консультации медицинского специалиста.

Карточка модели faster0/uAI-NEXUS-MedVLM-1.0a-7B-RL на Hugging Face совпадает с карточкой UII-AI/uAI-NEXUS-MedVLM-1.0a-7B-RL, поэтому описание составлено по ней. uAI-NEXUS-MedVLM-1.0a-7B-RL — мультимодальная медицинская модель UII-AI для анализа хирургических видео. Это плотная модель Qwen2.5-VL с 7,1 млрд параметров, дообученная на Qwen/Qwen2.5-VL-7B-Instruct в два этапа: supervised fine-tuning на вопросах и ответах по медицинским видео, затем оптимизация GRPO с наградами за временную точность и клиническую семантику. Модель принимает видео и текстовые запросы, а ответы формирует на английском языке; контекст — до 128 000 токенов. Модель предназначена для локализации действий во времени, пространственно-временной привязки объектов, предсказания следующего действия, суммаризации видео, описания регионов и оценки хирургических навыков, включая CVS. Обучение проводилось на 51 505 парах видео-инструкций из восьми наборов хирургических данных. Лицензия — Apache 2.0. Модель оптимизирована для медицинских и хирургических видео и может хуже работать в других областях. Наилучшие результаты ожидаются при частоте выборки кадров 0,1–1 кадр/с и видео длительностью несколько минут; длинные ролики обрабатываются с выборкой кадров. Основной язык медицинской терминологии — английский.

Это визуальный backbone на архитектуре Vision Transformer (ViT), разработанный Owkin для работы с гистологическими изображениями. Модель предварительно обучена методом iBOT на 40 миллионах панканцерных фрагментов тканей из Pancancer40M, созданного на основе TCGA-COAD; обучение использовало masked image modeling и self-distillation. Модель предназначена прежде всего для извлечения признаков из изображений гистологических срезов, которые затем можно использовать в классификации и других задачах анализа тканей. Она имеет 85,8 млн параметров, принимает RGB-изображения размером 224 × 224 пикселя и использует патчи 16 × 16 пикселей. Репозиторий содержит веса PyTorch в формате safetensors и рассчитан на библиотеку timm. Лицензия Owkin разрешает некоммерческое использование. Модель обучалась на данных TCGA-COAD, поэтому качество и переносимость признаков для других типов тканей и задач могут различаться; README не приводит оценок качества.

CENO-P-1B — модель семейства CENO для предсказания эффектов генетических вариантов по множественным выравниваниям последовательностей (MSA). Она разработана для геномных задач и использует специальный путь оценки MSA: упакованные выравнивания передаются с индексом последовательности seq_idx, а эффект варианта оценивается сравнением логарифмических правдоподобий последовательностей дикого типа и мутантного варианта. По архитектуре это гибрид Mamba, Attention и Mixture-of-Experts на базе Nemotron-H; токенизатор посимвольный и сопоставляет основания ДНК их ASCII-кодам. В README размер указан как 1,3 млрд параметров, тогда как метаданные каталога указывают 638,1 млн. Контекст — до 1 048 576 токенов, формат весов — safetensors. Модель загружается через Transformers с trust_remote_code=True; код модели включён в репозиторий. Лицензия — Apache-2.0. Модель предназначена для оценки влияния вариантов в генетических последовательностях и сценариев VEP на основе MSA; она также поддерживает генерацию последовательностей и извлечение эмбеддингов как возможности базового семейства CENO. Для запуска VEP README отсылает к примеру TraitGym в сопровождающем репозитории CENO. Результаты следует интерпретировать как оценки модели, а не как самостоятельное клиническое заключение.

DIVER-1 1 s Small — энкодер для электроэнцефалографии (EEG) и внутричерепной электрофизиологии (iEEG), выпущенный авторами Han et al. (2025) и представленный в формате библиотеки Braindecode. Модель содержит 50,6 млн параметров и кодирует сигналы патчами по 1 секунде при частоте дискретизации 500 Гц; совместное предварительное обучение проводилось на внутричерепных и скальповых записях. Репозиторий содержит веса энкодера в форматах PyTorch и Safetensors; при преобразовании исходные bfloat16-веса приведены к float32. Модель предназначена для получения признаков из EEG, SEEG, ECoG и DBS-сигналов, которые можно использовать в последующих задачах анализа нейрофизиологических данных. Для работы сигналы нужно привести к 500 Гц и передать позиции электродов; типы каналов задаются через информацию о каналах. Классификационная голова в релиз не включена: Braindecode инициализирует её при загрузке, поэтому для классификации требуется дообучение по протоколу статьи. Лицензия — MIT.

Nucleotide Transformer 2.5B 1000G — модель семейства Nucleotide Transformers, разработанная InstaDeep, NVIDIA и TUM для анализа последовательностей ДНК. Это плотный трансформер с архитектурой ESM и задачей masked language modeling: модель восстанавливает скрытые токены в последовательности и может служить основой для прогнозирования молекулярных фенотипов и других задач геномики. Модель содержит 3,4 млрд параметров по метаданным каталога; в README для варианта указано 2,5 млрд. Она предобучена на последовательностях из 3202 генетически разнообразных геномов людей проекта 1000 Genomes, включая данные 27 популяций. Токенизатор использует 6-меры, а длина входа достигает 1000 токенов; модель принимает токенизированные последовательности ДНК и предсказывает токены, включая замаскированные. Репозиторий предоставляет веса PyTorch, а README также упоминает TensorFlow. Модель подходит для заполнения масок в ДНК и как основа для задач геномного прогнозирования. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространяет производные материалы на тех же условиях и запрещает коммерческое использование. Предобучение отражает набор данных человеческих геномов, поэтому применение к другим видам и популяциям требует отдельной оценки; максимальная последовательность ограничена примерно 1000 токенами.