IV.4Клиническая медицина и общественное здоровье

GenomeOcean-4B — базовая предобученная модель микробных геномов, разработанная Lawrence Berkeley National Laboratory и Northwestern University. Это плотная авторегрессионная языковая модель семейства Mistral с 4,2 млрд параметров, обученная предсказывать последовательности методом Causal Language Modeling. Для токенизации используется BPE с размером словаря 4096 токенов. Модель предназначена для работы с последовательностями ДНК микроорганизмов и может применяться для генерации и анализа геномных последовательностей, в том числе в задачах микробиомики и метагеномики. README указывает максимальную длину последовательности 10 240 токенов, что соответствует примерно 50 тысячам пар оснований; метаданные каталога указывают контекст 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия указана как BSD; в карточке также приведено уведомление о правах правительства США и контакты Berkeley Lab для вопросов использования и распространения. Модель специализирована на микробных геномах и не заявлена как универсальная языковая модель для естественного языка.

Obrolin Kesehatan-7B-v0.1 — разговорная модель для ответов на вопросы о здоровье на индонезийском языке. По карточке, модель обучена на медицинских данных о заболеваниях, лекарствах и других темах здравоохранения. Она построена на архитектуре Mistral с 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель основана на azale-ai/Starstreak-7b-beta и предназначена для повседневного информационного общения о здоровье. Ответы модели могут быть неточными и не заменяют консультацию врача. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

LLaVA-Rad — мультимодальная модель Libra для создания радиологических заключений по рентгеновским снимкам грудной клетки. Чекпойнт объединяет архитектуру Libra на основе LLaVA и LLaVA-Med со специализированным визуальным энкодером BiomedCLIP-CXR; в метаданных указаны 6,6 млрд параметров и контекст 4096 токенов. Модель принимает изображение снимка и формирует текст с описанием находок и структурированным отчетом. Модель предназначена для экспериментов и сравнительной оценки автоматической генерации заключений по рентгенограммам. В README указано, что переносы строк в отчетах намеренно сохраняются и могут потребовать нормализации при расчете метрик. Чекпойнт не валидирован для клинического применения; авторы не рекомендуют использовать его для диагностики или лечения. Лицензия в предоставленных данных не указана.

LiquiMedThink 1.2B — англоязычная медицинская модель, разработанная Rumiii как дообученная версия LiquidAI/LFM2.5-1.2B-Thinking. Она предназначена для генерации ответов на клинические вопросы с видимыми пошаговыми рассуждениями и для исследований медицинских возможностей компактных языковых моделей. Модель обучена на английской части набора FreedomIntelligence/medical-o1-reasoning-SFT; в репозитории доступны веса Safetensors и GGUF F16. Архитектура — плотная LFM2 с гибридными свёрточными слоями LIV и GQA, 16 слоями и примерно 1,5 млрд параметров; контекст — до 128 000 токенов. Модель подходит для демонстраций клинических рассуждений, медицинского обучения и прототипирования медицинских ИИ-процессов. Карточка отмечает, что она не предназначена для принятия решений о диагностике и лечении реальных пациентов или для применения в клинической практике без экспертного надзора. Это небольшая модель, обученная за одну эпоху примерно на 20 000 примерах: ответы могут быть клинически неверными, особенно для редких и сложных случаев, а рассуждения следует воспринимать как исследовательские, не как проверенную медицинскую логику. Знания базовой модели ограничены периодом до середины 2024 года. Лицензия — Apache-2.0.

Minbyul/meditron-7b-dpo-full-wo-kqa_silver_wogold-ep3 — дообученная модель генерации текста на архитектуре Llama с 6,6 млрд параметров. Она создана на базе epfl-llm/meditron-7b методом DPO на наборе HuggingFaceH4/ultrafeedback_binarized; в карточке приведены метрики оценки предпочтений ответов, включая accuracy 0,7717 и margin 0,3440. Модель предназначена для генерации ответов в диалогах и может рассматриваться для экспериментов с медицинскими вопросами благодаря медицинской специализации базовой Meditron-7B. Карточка не описывает отдельные сценарии применения или подтверждённую медицинскую точность этой версии. Контекст составляет 2048 токенов. Лицензия — Llama 2 Community License.

HYU-NLP-EVAL — плотная языковая модель на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-4B-Instruct-2507. Это ранний чекпойнт первого шага серии RaR-Medicine OnlineRubrics-Every; он предназначен для инференса и содержит веса в формате BF16. Карточка связывает модель с медицинским набором OnlineRubrics, поэтому она может быть полезна для экспериментов с генерацией ответов и оцениванием в медицинских сценариях. Модель принимает текст и генерирует текст; метаданные указывают диалоговый режим и контекст до 262 144 токенов. В README заявлено только исследовательское использование. Лицензия Apache-2.0.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт относится к эксперименту RaR-Medicine OnlineRubrics-Every, запуск phase1-online-rubrics-medicine-full-dense-20260919-seed11; README указывает, что корневой каталог содержит модель BF16 для инференса, а original_checkpoint — файлы параметров veRL. Модель предназначена для генерации текста в медицинском сценарии; карточка связывает её с online rubrics, но не описывает точные задачи, качество или протоколы применения. Архитектура Qwen3ForCausalLM поддерживает чат, контекст — до 262 144 токенов. Лицензия — Apache-2.0. Языки в метаданных не указаны, поэтому конкретные языковые возможности не заявляются.

shahedm2001 выпустил дообученную модель Qwen3-VL-2B-Instruct для визуального анализа видео операций по удалению катаракты. Модель принимает видео или отдельные изображения вместе с текстовым запросом и формирует текстовые ответы. Она основана на плотной архитектуре Qwen3-VL с 2 млрд параметров; веса LoRA объединены с базовой моделью, контрольная точка сохранена в формате safetensors и bf16. Для запуска автор указывает Transformers и qwen_vl_utils. Модель предназначена для исследовательского и учебного анализа этапов операции, процедурных рассуждений и порядка действий. При обучении использовались короткие клипы и полные записи операций из одного корпуса; метаданные также указывают английский язык. Лицензия — Apache 2.0. Это не медицинское устройство и не предназначено для принятия решений о лечении пациентов.

ResNet50 для классификации изображений гистологических препаратов, обученная центром Tissue Image Analytics (TIA) на патчах датасета kather100k, также известного как NCT-CRC-HE. Модель содержит 23,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя с тремя цветовыми каналами. Модель предназначена для классификации гистологических изображений и может использоваться как backbone для извлечения признаков и получения эмбеддингов. Подходит для анализа патчей тканей в исследовательских и прикладных рабочих процессах цифровой патологии. Репозиторий распространяет веса в формате safetensors; для работы используется библиотека timm. Модель опубликована по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0), требующей указания авторства. Обучение на конкретном наборе гистологических патчей ограничивает применимость к другим типам изображений и клиническим условиям; README не приводит оценок качества.

SPIDER-colorectal — модель HistAI для классификации патчей гистологических изображений тканей толстой и прямой кишки. Это дообученный на наборе SPIDER-colorectal визуальный энкодер Hibou-L, предназначенный для классификации изображений патчевого уровня в цифровой патологии. Модель принимает изображения размером 1120×1120 пикселей и решает задачу image-classification. Обучение проводилось на 77 182 центральных патчах из 1 719 размеченных стекол; в набор также входят контекстные патчи. В README приведены accuracy 0,914, precision 0,917 и F1 0,915 для колоректальных образцов. Модель может служить компонентом исследовательских и аналитических рабочих процессов цифровой патологии, например для автоматической сортировки патчей по классам. Карточка указывает лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование без отдельного разрешения; для коммерческой лицензии предлагается связаться с HistAI. Качество на других органах, окрасках и условиях подготовки изображений в приведённых данных не подтверждено.

Thai GPT-2 Fine-Tuned — генеративная языковая модель, опубликованная разработчиком Mhok и дообученная на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о заболеваниях. Модель основана на архитектуре GPT-2 и предназначена для генерации ответов на вопросы на тайском языке в формате text-generation. Модель подходит для прототипирования тайскоязычных систем вопросов и ответов по теме заболеваний, предварительного формирования медицинских текстов и исследовательских экспериментов с генерацией текста. Она поддерживает тайский язык и имеет нативное контекстное окно 1 024 токена. Лицензия — MIT. README не содержит сведений о размере модели, точных параметрах обучения, результатах оценки, составе и качестве данных, поэтому модель следует рассматривать как исследовательскую. Ответы не следует использовать для постановки диагноза, выбора лечения или других решений без проверки квалифицированным медицинским специалистом.

Модель ahishamm/vit-huge-isic-patch-14 — дообученная модель классификации изображений на базе google/vit-huge-patch14-224-in21k, созданная на наборе ahishamm/isic_db. Она использует архитектуру Vision Transformer (ViT) и предназначена для классификации изображений в задаче, связанной с дерматологическими снимками. На оценочной выборке указаны accuracy, recall, precision и F1 по 0,7917, loss — 0,6077. Модель содержит около 838,9 млн параметров и опубликована в формате PyTorch. Лицензия — Apache-2.0. README не раскрывает классы, состав набора данных и клинические ограничения, поэтому метрики не подтверждают пригодность для диагностики.

Cristian Untaru разработал эту модель в рамках академического проекта SortMed в Университете Западной Тимишоары. Это модель классификации последовательностей на основе BioBERT v1.1 с замороженным энкодером, обученными bottleneck-адаптерами и классификационной головой; общее число параметров — 135,5 млн, максимальная длина контекста — 512 токенов. На вход подаётся краткое описание симптомов на английском языке, а модель относит его к одной из категорий: самостоятельное наблюдение, консультация врача общей практики или срочное обращение за медицинской помощью. Модель предназначена для академических прототипов медицинской предварительной сортировки, классификации описаний симптомов и экспериментов по медицинской NLP-классификации и параметрически эффективному дообучению. Она обучалась на небольшом SymCAT-производном наборе данных с правилами разметки, не подтверждёнными медицинскими специалистами; на тестовой выборке указана точность 0,7358. Лицензия — MIT. Это не диагностическая система и не сертифицированное медицинское устройство. Модель не учитывает историю болезни, жизненные показатели и другие клинические данные, может ошибаться на редких, неполных или неоднозначных описаниях и не предназначена для экстренной сортировки или обработки неанглоязычных симптомов без дополнительной проверки.

Карточка модели introvoyz045/Carbon-3B на Hugging Face совпадает с карточкой HuggingFaceBio/Carbon-3B, поэтому описание составлено по ней. Carbon-3B — авторегрессионная геномная языковая модель семейства Carbon, разработанная командой HuggingFaceBio. Модель с плотной decoder-only архитектурой LlamaForCausalLM содержит 3,5 млрд параметров и обучена на последовательностях ДНК и РНК, преимущественно эукариотических. Для ДНК используется токенизация неперекрывающимися 6-мерами, а для английского текста — словарь Qwen3 BPE. Модель предназначена для генерации и восстановления геномных последовательностей, предсказания эффектов вариантов и анализа изменений мотивов. Нативный контекст составляет 32 768 токенов, что соответствует примерно 197 тыс. пар оснований; при инференсе его можно расширить до 65 536 токенов (около 393 тыс. пар оснований) с помощью YaRN. По оценке авторов, Carbon-3B сочетает конкурентные результаты на ряде геномных задач с высокой скоростью инференса. Модель доступна в формате safetensors и совместима с Transformers; для токенизатора требуется trust_remote_code=True. Лицензия — Apache-2.0. Обучение преимущественно на эукариотических данных ограничивает специализацию на прокариотах; качество извлечения информации резко снижается при расширении контекста до 128 тыс. токенов. При работе с генетическими данными следует учитывать, как выбранный провайдер обрабатывает входы и результаты.

Модель tiantiaf/childvox-circor-whisper-base разработана Tiantian Feng и представляет собой Whisper Base, дообученную на записях сердечных тонов из набора CirCor. Она классифицирует сердечные шумы по трём меткам: Absent, Unknown и Present. Модель предназначена для исследовательского анализа фонокардиограмм, записанных в четырёх основных точках аускультации у людей в возрасте от 0 до 21 года. Она принимает аудио и выдаёт категорию классификации. Модель описана в работе ChildVox, принятой на основную конференцию EMNLP 2026. Лицензия OpenRAIL; авторы запрещают коммерческое использование. Модель не предназначена для клинической диагностики, индивидуальной оценки без экспертной проверки, наблюдения или нарушения приватности. При работе с детскими записями необходимо соблюдать требования согласия, этического одобрения и применимого законодательства.

dermai-efficientnet-b0 — дообученная модель EfficientNet-B0 для классификации изображений кожных поражений по семи классам. Разработчик дообучил google/efficientnet-b0 на наборе HAM10000 для проекта DermAI, сравнивающего объяснения CNN и Vision Transformer. Модель принимает изображение и предсказывает класс поражения; она предназначена для исследовательских и экспериментальных сценариев анализа дерматологических изображений. Модель построена на компактной свёрточной архитектуре EfficientNet-B0 и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка не сообщает метрики качества или клиническую валидацию, поэтому результаты классификации не следует считать диагнозом.

Fx-Bio-0913 — большая языковая модель для биологических и биомедицинских исследовательских задач, разработанная лабораторией The Endless Frontier. Это постобученная модель семейства DeepSeek-V4: в метаданных указан плотный причинный декодер DeepseekV4ForCausalLM размером 10,7 млрд параметров, а README описывает базовую модель DeepSeek-V4-Flash и архитектуру MoE. Модель принимает текст и генерирует текст; она сохраняет контекстное окно базовой модели длиной 1 048 576 токенов. Модель предназначена для рассуждений о функциях генов, анализа экспериментальных сценариев и объединения свидетельств в несколько шагов. В README указано, что постобучение на курируемых биомедицинских данных, включая задачи Biomni и BioMystery, улучшило результаты на BioMysteryBench и BiominiBench по сравнению с базовой моделью; приведённые оценки получены во внутреннем тестовом контуре разработчика. Публикация весов под лицензией Apache-2.0 позволяет использовать и адаптировать модель на её условиях. Разработчик предупреждает, что ответы могут содержать ошибки и не должны использоваться для клинической диагностики или принятия медицинских решений.

Карточка модели ehristoforu/Gemma2-9b-it-train1 на Hugging Face совпадает с карточкой ehristoforu/Gemma2-9B-it-psy10k, поэтому описание составлено по ней. ehristoforu/Gemma2-9B-it-psy10k — чат-модель на архитектуре Gemma 2, дообученная ehristoforu на наборе данных samhog/psychology-10k с помощью Unsloth и TRL. Она предназначена для генерации диалоговых ответов на психологические темы и может использоваться как основа для тематического чат-бота или для экспериментов с психологическими консультационными сценариями. Модель содержит 9 млрд параметров и поддерживает контекст до 8192 токенов; вход и выход — текст. В метаданных указан английский язык. Модель основана на unsloth/gemma-2-9b-it-bnb-4bit. Репозиторий содержит веса в форматах PyTorch и Safetensors, лицензия — Apache-2.0. Карточка не приводит оценок качества или сведений о проверке ответов, поэтому результаты по психологическим вопросам требуют осторожной оценки.

Taykhoom Dalal поддерживает минимальный порт модели GENA-LM для анализа длинных последовательностей человеческой ДНК. Это плотная модель masked language modeling на архитектуре BigBird с блочно-разреженным вниманием и токенизацией BPE; в ней 137,8 млн параметров, а максимальная длина контекста составляет 4096 токенов. Исходный чекпойнт обучен AIRI Institute на сборке генома человека T2T с добавлением вариантов SNP из 1000 Genomes и gnomAD. Модель предсказывает замаскированные токены ДНК и может создавать представления последовательностей для последующей тонкой настройки. Порт вычисляет блочно-разреженное внимание в чистом PyTorch без зависимости от DeepSpeed; для коротких последовательностей до 256 токенов внимание становится плотным. Репозиторий распространяется по лицензии MIT. Модель предназначена для биологических последовательностей, а не для естественного языка. Исходный код не включает NSP-голову и pooler; точное совпадение исполнения с прежним ядром DeepSpeed/Triton не заявлено, хотя для длинных последовательностей проверено соответствие математической схеме разреженного внимания.

Kerassy/Granite-4.1-3B-Medical_Reasoning — дообученная языковая модель семейства Granite от автора репозитория Kerassy, созданная на базе IBM Granite 4.1 3B. Она предназначена для генерации текста и диалоговых ответов на медицинские вопросы с пошаговым рассуждением; в карточке указано дообучение на наборе FreedomIntelligence/medical-o1-reasoning-SFT. Модель имеет 3,4 млрд параметров, плотную архитектуру GraniteForCausalLM, контекст до 131 072 токенов и формат safetensors. Указана поддержка английского языка. Модель подходит для исследовательской оценки медицинских рассуждений и сравнения компактных LLM на медицинских вопросах. Карточка не содержит результатов оценки качества. Автор предупреждает, что модель не является сертифицированным медицинским устройством и не предназначена для постановки диагноза, назначения лечения или клинических решений. Лицензия — Apache-2.0.

Marmoka-en+it — англоязычная клиническая языковая модель на архитектуре Llama 3.1 с 7,5 млрд параметров, разработанная Ane G. Domingo-Aldama, Iker De La Iglesia, Maitane Urruela, Aitziber Atutxa и Ander Barrena. Модель генерирует текст и предназначена для клинических и медицинских сценариев, включая ответы на вопросы по медицине. Контекст составляет до 131 072 токенов; модель работает с текстом на английском языке. Модель создана слиянием двух производных Llama 3.1 8B Instruct: одна прошла продолжительное обучение на англоязычных медицинских корпусах, другая — настройку на медицинских инструкциях. В оценке на англоязычных клинических тестах с вопросами с выбором ответа она не уступала или немного превосходила исходную универсальную модель. Лицензия — Apache 2.0. Модель предназначена для исследований, не одобрена для клинического применения и не должна использоваться для диагностики или выбора лечения. Оценка не подтверждает медицинскую обоснованность рассуждений; следование инструкциям и строгое форматирование, особенно в многошаговых задачах, могут давать сбои. Результаты требуют проверки медицинскими специалистами.

MedForge Qwen3.5-4B-Distill — медицинская разговорная модель, созданная fang04 на базе Qwen3.5-4B. Модель прошла постобучение LoRA SFT на 4490 примерах, составленных DeepSeek V4-flash и отфильтрованных для обучения медицинским рассуждениям. Она принимает текст и выдаёт текст; основная цель — отвечать на вопросы в формате медицинских экзаменационных задач, прежде всего на китайском языке. В карточке указаны языки zh и en. Модель построена на плотной архитектуре Qwen3.5 и распространяется в формате safetensors; лицензия — Apache-2.0. В описанном протоколе модель набрала 80,4% на CMExam, 60,0% на CMB-val и 26,1% на англоязычном MedXpertQA. Эти результаты относятся к указанным наборам и настройкам оценки. Авторы отмечают, что прироста на MedXpertQA нет, обучение выполнено с одним случайным seed, а медицинские рассуждения не проверялись людьми на корректность. Модель редко отказывается отвечать и не предназначена для автоматической диагностики или назначения лечения; её ответы не являются медицинской рекомендацией.

Psyche-R1 — китайская языковая модель для психологических диалогов и рассуждений, разработанная MindIntLab. Это дообученная версия Qwen/Qwen2.5-7B-Instruct с применением SFT и GRPO на наборе психологических вопросов с подробными обоснованиями и эмпатичных диалогов в один ход. Модель предназначена для ответов на психологические вопросы с сочетанием эмпатии, предметной экспертизы и рассуждения. В README сообщается о результатах, сопоставимых с DeepSeek-R1 на нескольких психологических тестах, а также о более высокой эмпатичности по сравнению с базовым результатом на тесте SoulChat2.0. Подробные параметры обучения обещаны позднее. Модель принимает текст и генерирует текст; карточка указывает китайский язык. Она распространяется по лицензии Apache-2.0. Результаты на бенчмарках не гарантируют точности или пригодности ответов в реальных психологических ситуациях.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every, шаг 26, получен в запуске phase1-online-rubrics-medicine-full-dense-20260919-seed11; в корне репозитория находятся веса BF16 для инференса, а в original_checkpoint — файлы исходного чекпойнта veRL с параметрами модели. Модель предназначена для генерации текста в диалоговом режиме. Название чекпойнта указывает на медицинский сценарий с online rubrics, однако README не описывает конкретные задачи, качество или проверенные сценарии применения. Контекст модели — до 262 144 токенов. Использовать можно на условиях Apache-2.0; авторы обозначают чекпойнт как предназначенный только для исследований.

Это контрольная точка SAM 2 Tiny, размещённая mfranzon для демонстрации отслеживания клеток и бактерий в Model Garden. Веса взяты из facebook/sam2-hiera-tiny и повторно опубликованы без обучения; лицензия репозитория — Apache-2.0. Модель предназначена для сегментации объектов в видео и переноса масок между кадрами: пользователь отмечает объект несколькими кликами, после чего SAM 2 распространяет маску на следующие кадры. Подход подходит для классов объектов, для которых нет заранее обученных детекторов с метками, например для отслеживания нейтрофила и бактерии. В README указан вариант SAM 2 Tiny и описан вызов через video predictor API репозитория SAM 2. Сценарий демонстрации ориентирован на микроскопические изображения; модель не обучена специально на этих объектах и требует начальной разметки кликами.

SPIDER-breast — модель глубокого обучения для классификации патчей гистологических изображений ткани молочной железы. Её разработала HistAI в рамках инициативы SPIDER; модель дообучена на визуальном энкодере histai/hibou-L и обучена на размеченной выборке SPIDER-breast. Модель принимает изображения-патчи размером 1120×1120 пикселей и относит их к классам патологических изменений молочной железы. Она предназначена для анализа цифровых гистологических препаратов на уровне отдельных участков и исследовательских рабочих процессов в патологии. В карточке указаны точность 0,902, precision 0,896 и F1 0,897 на задаче классификации молочной железы. Модель опирается на визуальный энкодер, предварительно обученный для извлечения признаков из гистологических изображений. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; для коммерческой лицензии авторы предлагают связаться с HistAI. Показатели на карточке не подтверждают пригодность модели для самостоятельной постановки клинического диагноза.

SurgicBERTa — языковая модель на архитектуре RoBERTa-base, адаптированная к хирургической тематике командой разработчиков модели. Её продолжительно предобучали на полных текстах хирургических учебников и научных статей: около 7 миллионов слов и 300 тысяч предложений. Модель содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. Модель предназначена для заполнения пропусков в тексте и работы с хирургической терминологией и материалами. Она поддерживает задачу fill-mask; карточка не подтверждает генерацию свободного текста или другие задачи. Язык корпуса в доступных сведениях не указан. Модель опубликована в формате PyTorch под лицензией CC BY-NC-ND 4.0, которая требует атрибуции и ограничивает распространение производных материалов и коммерческое использование.

Карточка модели sgouet/VetBERT на Hugging Face совпадает с карточкой havocy28/VetBERT, поэтому описание составлено по ней. VetBERT — предварительно обученная модель семейства BERT для работы с ветеринарными клиническими записями. Её разработчики адаптировали ClinicalBERT, основанную на Bio+Clinical BERT, дополнительно обучив её на корпусе VetCompass Australia: более чем на 15 миллионах клинических записей и 1,3 миллиарда токенов. Веса содержат 135,5 млн параметров, архитектура — BertForPreTraining, формат — PyTorch, максимальный контекст — 512 токенов. Модель предназначена для языковых задач в ветеринарной медицине; указанный сценарий — заполнение пропусков в тексте. В исследовательской работе на основе VetBERT также создана VetBERTDx, дообученная для классификации синдромов заболеваний по клиническим записям. Эта карточка описывает именно предварительно обученную VetBERT, поэтому классификацию следует выполнять после отдельного дообучения. Модель обучалась на англоязычных ветеринарных записях и распространяется по лицензии OpenRAIL.

ahishamm/vit-large-isic-patch-16 — модель классификации изображений на базе архитектуры Vision Transformer (ViT), дообученная автором на наборе данных ahishamm/isic_db. Она предназначена для классификации дерматологических изображений в рамках задачи, представленной этим датасетом. Модель содержит 402,7 млн параметров и распространяется в формате PyTorch. В README приведены результаты на оценочной выборке: accuracy, recall, F1 и precision по 0,75, loss — 0,7317. Модель опубликована по лицензии Apache-2.0. Сведения о конкретных классах, клинической валидации и ограничениях применения не приведены; результаты на оценочной выборке сами по себе не подтверждают пригодность для диагностики.

Carbon-3B — авторегрессионная геномная языковая модель семейства Carbon, разработанная командой HuggingFaceBio. Модель с плотной decoder-only архитектурой LlamaForCausalLM содержит 3,5 млрд параметров и обучена на последовательностях ДНК и РНК, преимущественно эукариотических. Для ДНК используется токенизация неперекрывающимися 6-мерами, а для английского текста — словарь Qwen3 BPE. Модель предназначена для генерации и восстановления геномных последовательностей, предсказания эффектов вариантов и анализа изменений мотивов. Нативный контекст составляет 32 768 токенов, что соответствует примерно 197 тыс. пар оснований; при инференсе его можно расширить до 65 536 токенов (около 393 тыс. пар оснований) с помощью YaRN. По оценке авторов, Carbon-3B сочетает конкурентные результаты на ряде геномных задач с высокой скоростью инференса. Модель доступна в формате safetensors и совместима с Transformers; для токенизатора требуется trust_remote_code=True. Лицензия — Apache-2.0. Обучение преимущественно на эукариотических данных ограничивает специализацию на прокариотах; качество извлечения информации резко снижается при расширении контекста до 128 тыс. токенов. При работе с генетическими данными следует учитывать, как выбранный провайдер обрабатывает входы и результаты.