IV.4Клиническая медицина и общественное здоровье

MedicalQwen3-Reasoning-14B-IT — языковая модель CannaeAI, дообученная на базе Qwen/Qwen3-14B для медицинских инструкций, рассуждений и клинической поддержки принятия решений. Это плотная авторегрессионная модель семейства Qwen3 с 14 млрд параметров и контекстом до 40 960 токенов; она поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для ответов на медицинские вопросы, разбора клинических сценариев и помощи в рассуждениях по темам здравоохранения и биологии. В обучении использованы наборы FreedomIntelligence/medical-o1-reasoning-SFT и Mohammed-Altaf/medical-instruction-120k. Карточка указывает английский язык. Модель распространяется под лицензией Apache-2.0. Представленные сведения не подтверждают клиническую валидацию, поэтому ответы следует рассматривать как вспомогательные, а не как самостоятельные медицинские решения.

Карточка модели MBZUAI/MediX-R1-2B на Hugging Face совпадает с карточкой MBZUAI/MediX-R1-30B, поэтому описание составлено по ней. MediX-R1-30B — медицинская мультимодальная модель MBZUAI для ответов на вопросы по тексту и медицинским изображениям. Это дообученная методом обучения с подкреплением модель Qwen/Qwen3-VL-30B-A3B-Instruct; в метаданных указана архитектура Qwen3-VL MoE и библиотека Transformers. Модель предназначена для свободных клинических ответов и рассуждений, включая сценарии, выходящие за рамки тестов с выбором ответа. При обучении использовалось около 50 тысяч инструкционных примеров и составная функция вознаграждения, учитывающая точность, семантическое сходство, формат ответа и распознавание модальности. В README сообщается о среднем результате 73,6% на медицинских бенчмарках; это заявление авторов, а не гарантия качества в клиническом применении. Карточка указывает поддержку английского языка. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

Medra27B-i1-GGUF — это набор GGUF-квантизаций медицинской языковой модели Medra27B, разработанной nicoboss и квантизированной mradermacher. Модель создана на базе Gemma 3 и дообучена на наборе данных medra-medical; в карточке также указаны сценарии генерации текста, суммаризации и диагностического рассуждения. Модель ориентирована на медицинские задачи и поддерживает английский и румынский языки. Она заявлена как vision-модель, поэтому для работы с изображениями могут потребоваться файлы mmproj из статического репозитория Medra27B-GGUF. Точное число параметров исходной модели указано в названии как 27B, однако размер контекста и подробности архитектуры в README не приведены. Репозиторий содержит варианты квантизации разных типов и размеров — примерно от 6,4 до 22,3 ГБ. Это позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством; для Q4_K_M заявлены высокая скорость и рекомендация, а для некоторых низкобитных вариантов отмечено снижение качества. Модель следует использовать как вспомогательный инструмент, поскольку медицинские ответы могут содержать ошибки и не заменяют консультацию специалиста. Лицензия — Apache-2.0.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний симптомов в клинических текстах на итальянском языке. Это дообученная для задачи NER модель BERT с архитектурой BertForTokenClassification, основанная на dbmdz/bert-base-italian-xxl-cased. Она размечает токены по схеме BIO классами O, B-SYMPTOM и I-SYMPTOM; содержит 137,9 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для извлечения симптомов из клинических записей и медицинских документов. Для воспроизведения опубликованных результатов при обработке нужно учитывать, что обучение проводилось на предварительно токенизированном тексте: токенизацию и выравнивание смещений следует согласовать с обучением. На тестовом наборе MultiClinNER для итальянского языка строгая F1 составила 0,599, а символьная F1 — 0,7515. Разработчики не оценивали возможные смещения модели. Лицензия — CC BY 4.0; при применении необходимо учитывать ответственность за риски и соблюдение применимых требований.

Модель BSC-NLP4BIA/multiclinner-it-symptom-bioBIT разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний симптомов в итальянских клинических текстах. Это дообученная для token classification модель BERT на базе IVN-RIN/bioBIT с 137,1 млн параметров и контекстом до 512 токенов. Она размечает слова тегами BIO: O, B-SYMPTOM и I-SYMPTOM. Модель предназначена для извлечения симптомов из клинических записей и электронных медицинских карт. На тестовых документах MultiClinNER для итальянского языка показала strict F1 0,6217 и символьный F1 0,7648. Для совпадения с оценкой авторов при инференсе следует воспроизводить обучение на предварительно токенизированном тексте и выравнивать смещения; обычная токенизация может менять границы сущностей, особенно рядом с пунктуацией. Авторы не оценивали систематически смещения модели. Лицензия — CC BY 4.0.

OpenMed/OpenMed-NER-AnatomyDetect-ModernClinical-395M — модель OpenMed для распознавания анатомических сущностей в биомедицинских текстах. Это дообученный ModernBERT с 394,7 млн параметров и контекстом до 8192 токенов; модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типов B-Anatomy и I-Anatomy. В карточке указана базовая архитектура BioClinical-ModernBERT-large и обучение на корпусе ANATOMY. Модель предназначена для извлечения названий органов, частей тела, анатомических структур и физиологических систем из клинических записей и научной литературы. В README приведены F1 0,87, precision 0,88, recall 0,87 и accuracy 0,98; эти показатели относятся к описанной в карточке оценке на ANATOMY. Карточка рекомендует интеграцию через Transformers. Репозиторий распространяется по лицензии Apache-2.0.

OpenMed-NER-PharmaDetect-BioPatient-108M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученная модель на базе Bio_Discharge_Summary_BERT с архитектурой BERT и примерно 135,5 млн параметров. Она принимает токенизированный текст и присваивает токенам BIO-метки B-CHEM и I-CHEM, выделяя названия химических соединений, лекарств и терапевтических веществ. Модель предназначена для извлечения химических сущностей из медицинских записей, научных публикаций и других биомедицинских документов. Её можно применять для анализа упоминаний лекарств, мониторинга нежелательных явлений, поиска по литературе о разработке лекарств и подготовки данных для биомедицинских баз знаний. Обучение проводилось на BC5CDR_CHEM; README сообщает F1 0,96, точность 0,95 и полноту 0,97. Контекст ограничен 512 токенами, поэтому длинные документы нужно обрабатывать частями. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Anatomy-Base-220M — модель OpenMed для распознавания анатомических сущностей в медицинских и биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе ANATOMY; по карточке, версия Base содержит около 220 млн параметров. Модель принимает текст и возвращает найденные сущности с метками, включая органы, ткани, части тела и анатомические структуры. Модель предназначена для извлечения анатомических упоминаний из клинических записей, радиологических и хирургических заметок, а также научной литературы. Zero-shot режим позволяет задавать типы сущностей без отдельного дообучения; основной заявленный сценарий — распознавание анатомии, хотя README также описывает гибкое извлечение пользовательских категорий. Карточка сообщает F1 0,86 на тестовом наборе, исключённом из обучения, но не уточняет протокол оценки. Доступна по лицензии Apache-2.0 и совместима с экосистемой Hugging Face Transformers.

OpenMed-ZeroShot-NER-Anatomy-XLarge-770M — специализированная модель OpenMed для распознавания анатомических сущностей в медицинских и биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе ANATOMY; размер модели — 770 млн параметров. Модель извлекает названия органов, тканей, частей тела и других анатомических структур, в том числе из клинических записей, радиологических описаний и хирургических заметок. Zero-shot режим позволяет задавать типы сущностей при работе без отдельного дообучения под каждую категорию. Модель предназначена для разметки медицинских текстов, поиска упоминаний анатомических структур и последующей клинической аналитики. В README сообщается о F1 0,9021 на тестовом наборе ANATOMY, не участвовавшем в обучении. Этот результат относится к указанному набору данных и не гарантирует ту же точность на других источниках и типах текста. Модель принимает текст и выдаёт предсказания сущностей и их меток. Карточка указывает английский язык. Лицензия — Apache-2.0.

TrialPanorama/Qwen-3-8B-TP — дообученная командой TrialPanorama языковая модель на базе Qwen/Qwen3-8B. Модель прошла двухэтапное обучение: supervised fine-tuning для внедрения знаний и RLVR с проверяемой наградой; для работы с клиническими исследованиями использовался датасет TrialPanorama. Модель предназначена для генерации текста и диалогового поиска по клиническим исследованиям. Её можно применять для поиска и обсуждения сведений об исследованиях в формате вопросов и ответов. Это плотная модель Qwen3 с 7,6 млрд параметров, контекстом до 40 960 токенов и поддержкой английского языка; метаданные указывают возможность диалогового взаимодействия. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии Apache-2.0. Она специализирована на клинических исследованиях, поэтому её ответы не следует считать медицинскими рекомендациями; точность и полноту сведений нужно проверять по первичным источникам.

Redflag Detection V2.0 — специализированная медицинская модель извлечения симптомов и факторов риска, созданная дообучением Qwen2.5-7B-Instruct. Она принимает сообщения пользователей и возвращает структурированные данные в формате JSON: возраст, сведения о пациенте, заболевания, симптомы, отрицаемые симптомы, характеристики симптомов и контекстные факторы. Результат предназначен для передачи механизму правил, который определяет экстренные медицинские признаки. Модель основана на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров. Она рассчитана на английский и малайский языки, использует контекст до 32 768 токенов и распространяется в формате safetensors. В README заявлены Exact Match 90,0% и Micro F1 0,950 на тесте из 100 случаев вне распределения, а на проверке извлечения из 269 примеров — Exact Match 88,5% и Micro F1 0,870. Лицензия — Apache-2.0. Модель извлекает информацию для последующего применения правил; сама по себе она не заявлена как средство постановки диагноза или замена медицинской оценки. Результаты тестирования относятся к указанным в карточке наборам данных.

ClinicalNLP/SDOHv7 — англоязычная модель классификации текста, обученная с помощью AutoTrain для определения категорий, связанных с социальными детерминантами здоровья (SDOH). Она предназначена для разметки текстовых фрагментов в медицинских и исследовательских сценариях. Модель построена на архитектуре DeBERTa-v2 для классификации последовательностей, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. В README указаны высокие метрики на валидационной выборке: accuracy и macro F1 по 0,990. Эти результаты относятся к указанной выборке и не гарантируют такое же качество на других данных. Модель распространяется по лицензии Apache-2.0.

AlpaCare-LLaMA2-7B — языковая модель семейства Llama 2, настроенная на медицинских инструкциях. Карточка не указывает разработчика; репозиторий содержит веса модели для генерации текста. Модель предназначена для ответов на медицинские запросы и других сценариев следования медицинским инструкциям. Модель имеет плотную архитектуру LlamaForCausalLM и около 6,6 млрд параметров. Она принимает текст и генерирует текст на английском языке, с контекстом до 4096 токенов. Доступный формат весов — PyTorch. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

Карточка модели SlimTse/BioLORD-2023 на Hugging Face совпадает с карточкой FremyCompany/BioLORD-2023, поэтому описание составлено по ней. BioLORD-2023 — модель эмбеддингов для клинических предложений и биомедицинских понятий, разработанная авторами BioLORD. Она основана на sentence-transformers/all-mpnet-base-v2 и дообучена на BioLORD-Dataset и определениях из AGCT, сгенерированных большой языковой моделью. Архитектура MPNet содержит 136,7 млн параметров; модель преобразует предложения и фразы в плотные векторы размерности 768. Контекст — до 514 токенов. Модель предназначена для оценки семантического сходства медицинских текстов и биомедицинских понятий, семантического поиска и кластеризации клинических записей. Определения и описания понятий из биомедицинских онтологий помогают ей формировать представления, отражающие смысл и иерархические связи; в README заявлены лучшие результаты на MedSTS и EHR-Rel-B. Также может создавать эмбеддинги текстов общего назначения, но наиболее полезна для медицинских документов, электронных медицинских карт и клинических заметок. Модель принимает текст на английском языке и выдаёт векторные представления; указана поддержка sentence similarity и feature extraction. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверить на странице модели.

Это дообученная модель RoBERTa, разработанная командой NLP4BIA Барселонского суперкомпьютерного центра (BSC) на корпусе DrugTEMIST — испанском золотом стандарте для распознавания лекарственных средств. Модель предназначена для извлечения упоминаний препаратов из испанских клинических текстов и электронных медицинских записей с помощью классификации токенов. Модель содержит 151,8 млн параметров, принимает текст и выдаёт метки токенов. Контекст составляет 514 токенов. При подготовке входа рекомендуется предварительно разбивать текст на слова, как это делалось при обучении: другой способ токенизации может снизить качество результатов. В карточке не приведены оценки качества и исследования смещений; разработчики предупреждают о возможных смещениях в данных. Модель распространяется по лицензии CC BY 4.0. Её результаты не заменяют клиническую проверку, а при использовании необходимо учитывать применимые требования и регулирование.

pucpr/clinicalnerpt-medical — португалоязычная модель для распознавания медицинских сущностей в клиническом тексте. Она входит в проект BioBERTpt, включающий 13 моделей для разных типов клинических сущностей, совместимых с UMLS. Модель дообучена на бразильском клиническом корпусе SemClinBr от базовой модели BioBERTpt(all); разметка выполнена в формате IOB2. Модель построена на архитектуре BERT и решает задачу классификации токенов. Она рассчитана на тексты на португальском языке, имеет 205,1 млн параметров и контекст до 512 токенов. Может применяться для извлечения медицинских сущностей из клинических записей. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

CORe (Clinical Outcome Representations) — модель DATEXIS для прогнозирования диагнозов по клиническим записям о поступлении пациента. Она основана на BioBERT, предварительно обученном на клинических записях, описаниях заболеваний и медицинских статьях с помощью специализированной задачи Clinical Outcome Pre-Training, а затем дообучена для многометочной классификации диагнозов. На вход модель получает текст записи о поступлении, а на выходе формирует оценки для 9237 меток, включающих коды ICD-9 и их текстовые описания. Авторы рекомендуют при использовании выбирать коды ICD-9 из трёх цифр: только они оценивались в исследовании. Архитектура — BERT для классификации последовательностей; модель содержит 135,5 млн параметров и рассчитана на контекст до 512 токенов. Поддерживается английский язык. Модель предназначена для поддержки анализа клинических записей и прогнозирования кодов диагнозов, а не для самостоятельной постановки диагноза. Карточка не сообщает лицензию, поэтому условия повторного использования по имеющимся данным определить нельзя.

thivy/embeddinggemma-300m-norwegian-health — дообученная модель эмбеддингов на основе Google EmbeddingGemma-300M, созданная для поиска по медицинской информации на норвежском языке. Она использует текстовый энкодер Gemma 3 с pooling, линейными проекциями и L2-нормализацией; выдаёт векторы размерности 768. Максимальная длина последовательности — 2048 токенов. Поддерживается английский язык, но модель в первую очередь настроена на норвежский текст. Модель предназначена для семантического поиска по медицинским документам, поиска ответов на вопросы о здоровье и формирования контекста для RAG-систем. В README указаны результаты оценки поиска: NDCG@10 95,65%, MRR@10 94,72% и Accuracy@1 92,50%. Для использования заявлена лицензия Gemma. Модель оптимизирована для норвежских медицинских текстов, может хуже работать в других предметных областях и на очень коротких фрагментах.

GatorTron-Base — клиническая языковая модель, созданная совместно Университетом Флориды и NVIDIA. Это плотная BERT-модель на 345 млн параметров, реализованная с помощью Megatron и доступная в формате PyTorch; она преобразована для использования в Hugging Face. Метаданные указывают 454 млн параметров, а карточка README — 345 млн; размер следует считать противоречивым. Модель предварительно обучена на клинических записях Университета Флориды и MIMIC-III, а также на текстах PubMed и WikiText. Она предназначена для получения контекстных представлений клинического текста и может служить основой для извлечения медицинских понятий, распознавания именованных сущностей, извлечения отношений и выявления социальных детерминант здоровья в клинических повествованиях. Максимальная длина входа этой версии — 512 токенов. Для предварительного обучения использовались обезличенные клинические записи; README описывает замену 18 категорий персональных медицинских данных фиктивными строками. Это не гарантирует обезличивание пользовательских входов и не делает модель готовой к клиническим решениям: её применение требует оценки и подходящей настройки под задачу. Лицензия репозитория — Apache-2.0.

HuatuoGPT-Vision-7B — мультимодальная модель для медицинских задач, разработанная FreedomIntelligence и дообученная на наборе PubMedVision. Она основана на Qwen2.5-VL-7B-Instruct, использует плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров и принимает текст и изображения, выдавая текст. Метаданные указывают контекстное окно 128 000 токенов; модель распространяется в формате safetensors под лицензией Apache-2.0. Модель предназначена для диалога и ответов на вопросы по медицинским изображениям и связанному тексту. Карточка рекомендует использовать тот же шаблон работы, что и для Qwen2.5-VL-Instruct. Данных для оценки точности в конкретных клинических сценариях карточка не приводит; результаты модели не следует считать клиническим заключением.

Карточка модели vkocaman/JSL-MedMX-7X на Hugging Face совпадает с карточкой johnsnowlabs/JSL-MedMX-7X, поэтому описание составлено по ней. JSL-MedMX-7X — медицинская разговорная языковая модель, разработанная John Snow Labs. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; для неё заявлено окно контекста до 32 768 токенов. Карточка приводит результаты оценки на биомедицинских тестах, включая MedMCQA. Модель предназначена для ответов на медицинские вопросы и помощи в работе с биомедицинской информацией на английском языке. Веса опубликованы в формате safetensors. Лицензия в метаданных указана как Apache 2.0, однако README задаёт условия CC-BY-NC-ND и Acceptable Use Policy, а для коммерческого лицензирования предлагает связаться с разработчиком; перед использованием следует уточнить применимые условия у John Snow Labs.

Leanly_AI — семейство языковых моделей, разработанное исследователями отделений эндокринологии и метаболизма и общей практики больницы при Фучжоуском университете. Модели предназначены для поддержки общения врачей с пациентами в контексте лечения ожирения и управления весом. Они помогают составлять структурированные, доброжелательные ответы на эмоциональные трудности и практические рекомендации по поведению. Модель принимает текстовые запросы и формирует текстовые ответы для поддержки клинициста: например, при тревоге из-за результатов лечения, эмоциональном переедании, снижении мотивации или переживаниях из-за стигмы. Семейство включает варианты размером 4B и 14B, с режимом рассуждений и без него, поддерживает китайский и английский языки и рассчитано на локальное развертывание. Репозиторий содержит формат GGUF; лицензия — Apache-2.0. Leanly_AI может помогать с подготовкой материалов и выявлением текстовых сигналов, требующих внимания специалиста, но её выводы нуждаются в проверке медицинским работником. Модель не предназначена для самостоятельной диагностики, психотерапии, назначения лечения или принятия экстренных решений и не заменяет квалифицированную медицинскую помощь.

Lingshu-32B — медицинская мультимодальная модель, разработанная авторами проекта Lingshu как универсальная система для понимания и рассуждений по медицинским изображениям и тексту. Она построена на архитектуре Qwen2.5-VL, содержит 32 млрд параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для медицинских вопросов и ответов по изображениям и тексту, клинических рассуждений и генерации медицинских отчётов. В README заявлена поддержка более 12 видов медицинских изображений, в том числе рентгеновских снимков, КТ, МРТ, микроскопии, УЗИ, гистопатологии, дерматоскопии, изображений глазного дна, OCT, эндоскопии и PET. Модель доступна через Transformers; веса опубликованы в формате safetensors. Авторы сообщают о высоких результатах на медицинских мультимодальных и текстовых QA-задачах и генерации отчётов. Это заявление разработчиков, а не гарантия точности в клинической практике: модель может выдавать неверные или вводящие в заблуждение ответы, поэтому результаты требуют проверки специалистом. Лицензия — MIT.

Llama-3-Galen-8B-32k-v1 — объединённая модель на базе Llama 3, созданная разработчиком abhinand методом DARE TIES из aaditya/Llama3-OpenBioLLM-8B и johnsnowlabs/JSL-MedLlama-3-8B-v2.0. Это плотная авторегрессионная языковая модель объёмом 7,5 млрд параметров для генерации текста и ответов в биомедицинской области. Модель предназначена для диалоговых сценариев и создания биомедицинского текста с длинным контекстом. В README заявлена поддержка контекста до 32K токенов благодаря динамическому масштабированию RoPE; метаданные указывают native context 8192 токена. Карточка называет английский язык. Модель распространяется в формате safetensors под лицензией Llama 3.

toantam1290/llama-3-taide-openbio — модель генерации текста на основе архитектуры Llama 3, созданная слиянием моделей через mergekit. В качестве базовой использована taide/Llama3-TAIDE-LX-8B-Chat-Alpha1, а в слияние также вошли aaditya/Llama3-OpenBioLLM-8B и johnsnowlabs/JSL-MedLlama-3-8B-v2.0. Применён метод DARE TIES; размер модели — 7,5 млрд параметров, контекст — до 8192 токенов. Модель предназначена для диалоговой генерации текста, в том числе ответов и текстов на биомедицинские темы. Архитектура — плотная авторегрессионная языковая модель LlamaForCausalLM; формат весов — safetensors. Карточка не сообщает отдельные сведения о языках модели или условиях лицензии, поэтому их нельзя уточнить по доступным данным.

mlx-community/medgemma-4b-it-8bit — восьмибитная версия MedGemma 4B IT, подготовленная сообществом mlx-community для запуска в формате MLX. README указывает, что модель получена конвертацией google/medgemma-4b-it с помощью mlx-vlm 0.1.27; метаданные связывают её с медицинской мультимодальной моделью семейства Gemma 3 и отмечают поддержку чата и изображений. Модель предназначена для диалоговых запросов по медицинским изображениям и тексту, включая сценарии с радиологией, клиническими рассуждениями, дерматологией, патологией и офтальмологией. Принимает текст и изображения, генерирует текстовые ответы. Разработчик карточки — mlx-community; базовую модель создала Google. Лицензия в метаданных обозначена как other; условия исходной модели следует сверять с её карточкой.

Falconsai/medical_summarization — модель семейства T5, дообученная для суммаризации медицинских текстов. Она предназначена для создания кратких связных выжимок из медицинских документов, научных статей, клинических записей и материалов о здравоохранении, чтобы специалистам было быстрее находить ключевую информацию. Модель принимает текст и генерирует текстовое резюме; заявленный контекст — 512 токенов. В карточке указано, что обучение проводилось на медицинских документах и примерах с аннотациями, однако конкретный набор данных и результаты оценки не приведены. Репозиторий содержит веса PyTorch и SafeTensors, а также формат Core ML. Лицензия — Apache-2.0. Модель ориентирована на англоязычные медицинские материалы. Суммаризации могут упускать детали или неверно передавать медицинские сведения, поэтому результат следует проверять; карточка не приводит количественных оценок качества.

Medra4b-i1-GGUF — это квантизированная в формате GGUF версия модели Medra4b, основанной на drwlf/Medra4b и подготовленной mradermacher. Модель дообучена на наборе данных drwlf/medra-thinking-768 и ориентирована на генерацию текста, медицинское резюмирование и диагностическое рассуждение. В карточке также указано, что это vision-модель, поэтому для работы с визуальными входными данными могут потребоваться файлы mmproj из статического репозитория. Модель поддерживает английский и румынский языки. В README она обозначена как модель на базе Gemma 3, однако точный размер, архитектурные параметры и размер контекста не указаны. Репозиторий содержит варианты квантизации с размером примерно от 1,2 до 3,3 ГБ: от низкокачественных IQ1 и Q2 до более качественных IQ4–Q6. В качестве компромисса между размером, скоростью и качеством отдельно отмечен вариант Q4_K_S, а Q4_K_M назван быстрым и рекомендуемым. К сильным сторонам относятся специализация на медицинских сценариях, поддержка текстовой генерации и суммаризации, а также возможность локального запуска благодаря компактным квантизированным файлам. К ограничениям относятся возможное снижение качества на низких уровнях квантизации и отсутствие в README подробных результатов оценки, ограничений безопасности и рекомендаций по применению медицинских ответов. Модель распространяется по лицензии Apache-2.0.

MedReason-8B — медицинская языковая модель, разработанная авторами проекта MedReason и дообученная методом SFT на наборе MedReason. Набор содержит 32 682 пары медицинских вопросов и ответов с пошаговыми объяснениями, построенными с использованием медицинского графа знаний. Модель основана на HuatuoGPT-o1-8B; в метаданных указана архитектура LlamaForCausalLM с плотной структурой и 7,5 млрд параметров. Модель предназначена для ответов на медицинские вопросы и решения задач медицинского рассуждения с объяснением промежуточных шагов. Она работает с текстом, поддерживает чатовый интерфейс и контекст до 131 072 токенов. README сообщает об оценке на медицинских QA-бенчмарках, но не приводит в предоставленной карточке численных результатов. Лицензия — Apache-2.0. Ответы модели не заменяют профессиональную медицинскую консультацию.

MindBridge Hindi PHQ-9/GAD-7 — дообученная модель Gemma 4 E2B IT, подготовленная Huzayfah Patel для скрининга симптомов депрессии и тревожности на хинди. Это плотная модель семейства Gemma 4; веса объединены с адаптером и сохранены в fp16 для прямого инференса. Модель принимает текстовый контекст вопроса PHQ-9 или GAD-7 и высказывание пациента на хинди, затем формирует вызов инструмента interpret_response с оценкой ответа, обоснованием на английском и уровнем уверенности. Предусмотрены хинди и английский языки; в метаданных указаны формат safetensors и интерфейсы чата и вызова инструментов. Модель предназначена для офлайн-скрининга в сценариях работы медицинских работников в Индии, включая приложение для iPhone. В опубликованной оценке на 224 отложенных примерах формат вызова инструмента прошёл заданный порог, точность по шкале Likert выросла с 62,5% у базовой модели до 87,5%, а чувствительность к риску суицида составила 91,7% против 95,8% у базовой модели. Эти результаты ограничены составом и устройством тестовых выборок. Разработчик прямо указывает, что модель не валидирована для клинического применения: использовались синтетические виньетки, разметку проверял один клиницист, а основная часть теста близка к обучающим данным. Для обработки ответов, связанных с суицидальностью, в приложении предусмотрено отдельное детерминированное правило; модель не должна быть единственным механизмом безопасности. Лицензия — CC BY 4.0.