IV.4Клиническая медицина и общественное здоровье

MicroGlot — специализированная языковая модель ДНК для микробной геномики, разработанная Athan Z. Li и соавторами. Это 23-слойный декодерный трансформер с разреженной архитектурой mixture-of-experts, обученный предсказывать следующий нуклеотид на корпусе из 378,3 млрд нуклеотидов и 3,70 млн последовательностей от 99 700 видов микроорганизмов. В карточке указано 2,98 млрд параметров, из которых активно используются 479 млн на токен; метаданные репозитория указывают 255,6 млн параметров. Модель принимает последовательности ДНК и, в основной версии, сведения о виде организма. Таксономия представлена гиперболическими вложениями и используется для управления маршрутизацией экспертов. Она предназначена для извлечения признаков и генерации последовательностей ДНК в задачах микробной геномики. Для последовательностей без известного вида предусмотрена версия MicroGlot-plain; при таксономической классификации рекомендуется использовать её, чтобы не передавать модели целевую метку как условие. Для работы требуются Transformers, NVIDIA GPU и FlashAttention-2; README сообщает о тестировании на Linux. Лицензия — CC BY 4.0. Размер параметров в README расходится с метаданными репозитория, а описание не приводит результаты конкретных бенчмарков.

Kaiko AI Midnight-12k — базовая модель для вычислительной патологии, построенная на архитектуре DINOv2 и дообученная на 12 тысячах гистологических whole slide images из открытого набора TCGA. По метаданным, модель содержит 1,5 млрд параметров; веса опубликованы в формате Safetensors. Она извлекает признаки и эмбеддинги из изображений тканей для последующего обучения классификаторов и сегментации, а представления на уровне слайдов могут использоваться в задачах анализа патологии и предсказания экспрессии генов. Модель обучена с использованием самообучения, патчей изображений размером 224×224 и аугментаций, учитывающих вариации окрашивания. Для подготовки изображений README задаёт нормализацию со средним и стандартным отклонением 0,5 для каждого цветового канала; для сегментации выход включает токены патчей сетки 16×16. Разработчик сообщает о конкурентных результатах на открытых бенчмарках, однако опубликованные сравнения наиболее подробно выделяют более крупные варианты Midnight-92k и Midnight-92k/392. Лицензия Midnight-12k — MIT. Модель предназначена для извлечения признаков и не является готовой диагностической системой.

Nucleotide Transformer 500M Human Ref — трансформерная языковая модель для геномики, разработанная InstaDeep, NVIDIA и TUM. Она обучена предсказывать замаскированные участки ДНК в человеческом референсном геноме GRCh38 и доступна в форматах PyTorch и TensorFlow. Модель содержит 634,4 млн параметров и использует архитектуру ESM с задачей masked language modeling. Последовательности ДНК токенизируются преимущественно 6-мерными фрагментами; максимальная длина входа составляет около 1 000 токенов. Модель предназначена для заполнения пропусков в геномных последовательностях и может служить основой для задач анализа генома и предсказания молекулярных фенотипов. Обучение на одном человеческом референсном геноме ограничивает представление генетического разнообразия. Для использования указана лицензия CC BY-NC-SA 4.0, которая запрещает коммерческое применение и требует распространения производных материалов на совместимых условиях. README также отмечает необходимость установить Transformers из исходного репозитория для использования модели на момент публикации карточки.

Nucleotide Transformer v2 500M Multi-Species — трансформер InstaDeep, NVIDIA и TUM для анализа последовательностей ДНК. Модель содержит 490,7 млн параметров и предварительно обучена на 850 геномах модельных и немодельных организмов, представляющих около 174 млрд нуклеотидов. В неё входят rotary positional embeddings и Gated Linear Units; для токенизации используются преимущественно 6-меры, а максимальная длина последовательности составляет 2 048 токенов. Модель подходит для восстановления замаскированных участков ДНК и как основа для классификации последовательностей и разметки нуклеотидов. В исследовательских оценках семейство показало высокую точность предсказания молекулярных фенотипов. В README указано, что для использования моделей до следующего релиза требуется установить Transformers из исходного кода. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные работы на тех же условиях; коммерческое использование не разрешено.

ProkBERT-mini — модель семейства ProkBERT от Neural Bioinformatics Research Group для анализа последовательностей ДНК, особенно в задачах микробиомики. Это плотная трансформерная модель на архитектуре MegatronBert с 26,3 млн параметров по метаданным. Она использует токенизатор 6-меров со сдвигом 1, отображает токены в 384-мерное пространство и принимает контекст до 1024 токенов; в README длина контекста также описана как 1024 пары оснований. Модель предварительно обучена для восстановления замаскированных перекрывающихся k-меров и предназначена для анализа геномных последовательностей, в том числе извлечения закономерностей и классификации. После сегментации и токенизации последовательностей её можно применять для заполнения масок и задач классификации; поддержка text-classification указана в метаданных каталога. Модель не предназначена для обычного текста. README сообщает о тестировании в определённых геномных контекстах и предупреждает, что качество в других сценариях не гарантируется. Перед применением в конкретной задаче результаты следует дополнительно проверить. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Prost40M — специализированная модель извлечения признаков для вычислительной патологии, разработанная для анализа гистологических изображений предстательной железы. Она обучена авторами на основе DINO на примерно 40 миллионах фрагментов H&E-окрашенных срезов простатэктомии из когорт TCGA-PRAD и LEOPARD. Архитектура — небольшой Vision Transformer (vit_small); размер входного изображения — 224 × 224 пикселя. Модель предназначена для получения признаковых представлений фрагментов тканей, которые можно использовать в последующих задачах гистопатологии предстательной железы, особенно там, где важны тонкие морфологические различия. Для загрузки указан интерфейс timm. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Качество признаков может снижаться при смене сканера, протокола окрашивания или медицинского центра. Представления также зависят от состава обучающих данных и выбранной предобработки; модель предназначена для анализа гистологических изображений предстательной железы, а не как универсальный экстрактор для любых тканей.

C2S-Pythia-410m-cell-type-prediction — модель для предсказания типа клетки по данным одноклеточного секвенирования РНК. Её разработали на базе архитектуры Pythia-410m от EleutherAI, дообучив методом Cell2Sentence на наборах данных scRNA-seq из CellxGene и Human Cell Atlas. Архитектура — плотная GPT-NeoX с 454,2 млн параметров; контекст составляет 4096 токенов. Для представления клетки используются «предложения» из названий 200 генов, упорядоченных по уровню экспрессии. Модель обучалась на более чем 57 млн человеческих и мышиных клеток из более чем 800 наборов данных, охватывающих разные типы клеток, ткани и состояния. Задача модели — продолжать такой текст и предсказывать тип клетки по входному предложению. Веса опубликованы под лицензией CC BY 4.0.

Caduceus-PS — предобученная модель семейства Caduceus от Kuleshov Group для анализа последовательностей ДНК. Она использует 16 слоёв MambaDNA со скрытым размером 256 и обучена предсказывать замаскированные участки последовательности. Модель обладает эквивариантностью к обратному комплементу, поэтому при обучении не требуется аугментация данных этим преобразованием. Модель обучена на референсном геноме человека на последовательностях длиной 131 072 нуклеотида; обучение длилось 50 тысяч шагов. Её можно применять для заполнения масок в последовательностях ДНК и как основу для дообучения на downstream-задачи, например классификации последовательностей. Доступна для Transformers в формате safetensors. Лицензия — Apache-2.0.

CENO-600M-131k — базовая модель семейства CENO для работы с геномными последовательностями ДНК, разработанная CladeTeam. Это причинная языковая модель на гибридной архитектуре Nemotron-H, объединяющей Mamba, механизм внимания и смесь экспертов (MoE); входы MSA ей не требуются. Модель содержит 336,1 млн параметров, использует посимвольную токенизацию оснований ДНК и обучалась на последовательностях длиной 131 072 токена. В метаданных указан нативный контекст 1 048 576 токенов. Модель предназначена для генерации геномных последовательностей, извлечения эмбеддингов и последующей адаптации к задачам геномики. Контрольная точка опубликована в формате safetensors для Transformers, а лицензия — Apache-2.0. Для загрузки через Transformers README указывает необходимость включить trust_remote_code, поскольку код модели включён в репозиторий.

Модель AmeerHesham — дообученная DistilHuBERT для классификации детского плача по аудиозаписи. Она относит плач младенца к одной из пяти категорий, связанных с возможной причиной дискомфорта; в карточке перечислены боль в животе, необходимость отрыгнуть и общий дискомфорт. Модель содержит 18,9 млн параметров и принимает аудио, рассчитанное на обработку с частотой 16 кГц. Она создана на основе ntu-spml/distilhubert и обучена на наборе Nooon/Donate_a_cry. Модель предназначена для вспомогательного использования родителями и опекунами, а также для интеграции в приложения мониторинга младенцев и исследовательские проекты. Обучение на одном наборе данных может ограничивать переносимость на записи с другими микрофонами, в шумной обстановке и для разных групп младенцев. Очень короткие записи и аудио длиннее 10 секунд могут давать менее надёжные результаты. Модель не является медицинским устройством и не заменяет консультацию педиатра. Лицензия — Apache-2.0.

ESM-1v — белковая языковая модель, разработанная исследовательской группой Meta AI и распространяемая в репозитории facebook. Это третий чекпойнт из ансамбля пяти моделей ESM-1v, предназначенного прежде всего для оценки эффектов аминокислотных вариантов. Модель представляет собой 33-слойный Transformer примерно с 650 млн параметров, обученный на последовательностях UniRef90; в Hugging Face она доступна для задачи fill-mask. Модель принимает последовательности белков и предсказывает вероятности аминокислот в замаскированных позициях. Вариантные эффекты можно оценивать по изменению вероятности последовательности при замене аминокислоты; ансамбль ESM-1v разработан для таких предсказаний без необходимости строить множественное выравнивание последовательностей. Это специализированная модель для белковых последовательностей, а не генеративная модель естественного языка. Карточка Hugging Face не содержит отдельного описания лицензии; в репозитории указаны веса в форматах PyTorch и TensorFlow.

GENA-LM-t2t-bigbird-base — языковая модель для последовательностей человеческой ДНК, опубликованная в виде порта исходного чекпойнта AIRI Institute. Это модель BigBird с маскированным языковым моделированием: она предсказывает скрытые токены ДНК и может выдавать контекстные представления последовательностей для последующей настройки на прикладные задачи. Архитектура включает 12 слоёв, 12 голов внимания и размерность представлений 768; всего 137,8 млн параметров. Токенизатор BPE содержит 32 000 токенов, а контекст составляет 4096 токенов. Модель обучена на сборке человеческого генома T2T с добавлением вариантов SNP из 1000 Genomes и gnomAD. BigBird использует полное внимание для коротких последовательностей и разреженное блочное внимание для длинных, что позволяет работать с более протяжёнными участками ДНК. Порт сохраняет веса исходной модели и использует стандартную реализацию BigBird в Transformers без необходимости включать trust_remote_code. Лицензия — MIT. Модель подходит для заполнения маскированных участков ДНК, извлечения представлений последовательностей и дообучения для задач классификации или предсказания свойств геномных последовательностей. Диагностические веса внимания для длинных последовательностей в block-sparse режиме некорректны в указанной версии Transformers; это не влияет на скрытые состояния и логиты модели.

GENA-LM-t2t-multi-species-bert-base — порт модели GENA-LM от Taykhoom Dalal на Transformers, точно воспроизводящий веса AIRI-Institute/gena-lm-bert-base-t2t-multi. Это трансформерный masked language model на основе BERT для анализа последовательностей ДНК человека и других видов. В модели 12 слоёв, 12 голов внимания, размерность эмбеддингов 768 и 137,8 млн параметров по метаданным; используются BPE-токенизация с 32 000 токенов и контекст до 512 токенов. Модель обучена предсказывать замаскированные фрагменты последовательности. Предобучение охватывало геном человека T2T и геномы нескольких видов из ENSEMBL 108, дополненные вариантами gnomAD. Она подходит для восстановления маскированных нуклеотидных последовательностей и получения контекстных представлений ДНК для последующей настройки под задачи классификации или другие задачи над последовательностями. Веса сверены с исходным чекпойнтом; доступны реализации внимания eager, SDPA и Flash Attention 2. Лицензия — MIT. Это специализированная модель для последовательностей ДНК, а не универсальная модель для естественного языка; контекст ограничен 512 токенами, а исходная NSP-голова и pooler в порте отсутствуют.

Это квантованная в формате GGUF F16 версия Carbon-8B, модели семейства Llama на 7,6 млрд параметров, разработанной HuggingFaceBio. Carbon-8B предназначена для генерации и анализа длинных последовательностей ДНК и РНК; репозиторий DevQuasar распространяет её квантованные веса для запуска в совместимых инструментах. Модель принимает текстовые запросы и выдаёт текст. Метаданные указывают задачу text-generation и формат GGUF F16. Специализация на биологических последовательностях делает её пригодной для сценариев работы с ДНК и РНК, однако README не приводит результатов оценки качества, требований к запуску или подробностей о языковой поддержке. Лицензия в предоставленных данных не указана.

HyenaDNA — предобученная геномная языковая модель, разработанная авторами из Stanford и их соавторами. Этот чекпойнт LongSafari содержит вариант tiny с контекстом до 16 тысяч нуклеотидов; в метаданных указано 460,3 тыс. параметров. Модель построена на Hyena-операторах, которые заменяют механизм внимания субквадратичными свёртками и пропусканием сигналов, и использует посимвольную токенизацию нуклеотидов для работы с последовательностями на уровне отдельных оснований. Модель предназначена для предсказания следующего нуклеотида и может служить основой для задач классификации геномных последовательностей, например выявления регуляторных элементов или определения вида. Она предобучена на референсном геноме человека HG38. Контекст этого конкретного варианта ограничен 16 тысячами нуклеотидов, хотя семейство HyenaDNA включает чекпойнты с существенно более длинным контекстом. Репозиторий распространяется по лицензии BSD 3-Clause.

Kurtis-SmolLM2-360M-Instruct — компактная языковая модель на архитектуре Transformer decoder семейства Llama, разработанная Массимо Р. Скамарсия и дообученная с помощью инструмента Kurtis на базе HuggingFaceTB/SmolLM2-360M-Instruct. Она содержит около 361,8 млн параметров, принимает текст и генерирует текст; карточка указывает английский язык и контекст до 8192 токенов. Модель предназначена для диалогового взаимодействия, в частности для сценариев поддержки по вопросам психического здоровья и терапевтической тематики. Её можно использовать для экспериментальной оценки качества небольших языковых моделей и исследовательских прототипов с человеческим контролем. Модель экспериментальная: ответы могут быть неподходящими или вредными. Её не следует использовать для диагностики, принятия критически важных решений или замены профессиональной помощи; особенно необходим надзор в сценариях с уязвимыми пользователями. Лицензия — MIT.

Это переопубликованная модель ResNet50, обученная с помощью TIA Toolbox на наборе PatchCamelyon. Она предназначена для классификации изображений гистологических срезов лимфатических узлов и выявления метастазов в ткани. Модель опубликована в форматах PyTorch и Safetensors; в карточке указана лицензия CC-BY-4.0. Карточка не описывает процедуру повторного использования и не приводит оценок качества или подробностей обучения, поэтому практическую пригодность для клинических решений по имеющимся данным оценить нельзя.

Модель ExplainableVLM-Rad разработана Vikhram S для генерации радиологических отчётов по рентгеновским снимкам. Она объединяет энкодер Vision Transformer ViT-Base Patch16-224, предварительно обученный на ImageNet21k, с языковым декодером BioGPT в архитектуре VisionEncoderDecoderModel на базе Hugging Face Transformers. Модель принимает изображение и выдаёт текстовый отчёт с разделами «Находки» и «Заключение». Система предназначена для исследований генерации медицинских описаний и демонстрации объяснимых моделей компьютерного зрения: в README заявлены карты внимания, карты значимости на основе градиентов, сопоставление токенов с областями снимка и оценка уверенности. Обучение описано как прототипное, на ограниченном подмножестве MIMIC-CXR; метаданные указывают английский язык и датасет MIMIC-CXR. Лицензия — Apache-2.0. Модель ограничена одиночными проекциями рентгенограмм, не прошла клиническую валидацию и не предназначена для диагностики или принятия клинических решений. Ограниченный набор обучающих данных может снижать обобщающую способность; заявленные возможности объяснения и оценки уверенности не заменяют клиническую проверку.

Nucleotide Transformer 2.5B Multi-Species — трансформерная языковая модель для ДНК, разработанная InstaDeep, NVIDIA и TUM. Она предварительно обучена на последовательностях из 850 геномов разных видов, включая модельные и немодельные организмы, и предназначена для анализа геномных последовательностей и прогнозирования молекулярных фенотипов. Модель использует архитектуру ESM с маскированным языковым моделированием: по контексту последовательности она предсказывает замаскированные участки ДНК. Для токенизации применяются 6-меры, а также отдельные нуклеотиды; длина последовательности составляет до 1 000 токенов, что согласуется с контекстом в 1 002 токена в метаданных. Размер модели по метаданным — 3,4 млрд параметров; доступны веса PyTorch, а README также упоминает TensorFlow. Модель подходит для заполнения пропусков в последовательностях ДНК и как основа для геномных задач, включая прогнозирование молекулярных фенотипов. Обучающие геномы не включают растения и вирусы; описанные в статье оценки сосредоточены на геномных задачах, для которых эти группы не включались. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

Nucleotide Transformer v2 — трансформер InstaDeep, NVIDIA и TUM, предварительно обученный на последовательностях ДНК из 850 геномов разных видов. Модель содержит 229,6 млн параметров и использует архитектуру ESM с rotary positional embeddings и Gated Linear Units; в качестве основного задания в Hugging Face указано восстановление замаскированных токенов (fill-mask). Также её архитектура поддерживает классификацию последовательностей и токенов. Модель предназначена для анализа геномных последовательностей, в том числе для предсказания молекулярных фенотипов и переноса представлений на биологические задачи. ДНК разбивается токенизатором на 6-меры, где это возможно, а иначе — на отдельные нуклеотиды; в README указана максимальная длина последовательности 1000 токенов, метаданные указывают контекст 2050 токенов. Данные обучения охватывают около 174 млрд нуклеотидов; растения и вирусы исключены. Модель принимает последовательности ДНК и предсказывает токены или метки для задач классификации. Для использования требуется библиотека Transformers, причём README предупреждает, что на момент публикации для поддержки модели её нужно было устанавливать из исходного кода. Лицензия CC BY-NC-SA 4.0 допускает использование с указанием авторства и на условиях распространения производных материалов, но запрещает коммерческое использование.

PRISM2 — мультимодальная генеративная модель для анализа целых стеклопрепаратов с H&E-окраской, разработанная Paige и Microsoft Research. Она предназначена для исследовательских задач в цифровой патологии: извлечения базовых и диагностических эмбеддингов, генерации текстовых отчётов и ответов на вопросы, а также бинарной классификации по вопросу с ответом «да/нет». Модель принимает текст и эмбеддинги изображений фрагментов ткани; для эмбеддингов требуется предварительная обработка через Virchow2 с класс-токеном, при увеличении 20× и размере фрагмента 224×224 пикселя. Архитектура включает Perceiver-энкодер целых стеклопрепаратов на 0,6 млрд параметров и декодер Phi-3-mini-128k-instruct на 3,8 млрд параметров, всего 4,4 млрд параметров. PRISM2 выдаёт эмбеддинги, оценки бинарного ответа и текст. Для генерации текста заявлен контекст декодера Phi-3 на 128 тыс. токенов; README не уточняет отдельный предел контекста для полного мультимодального входа. Обучение включало контрастивное и caption-предобучение, затем многозадачное обучение на клинических диалогах и отчётах. Модель предназначена для некоммерческих академических исследований и оценки качества; регистрация и принятие условий использования обязательны. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных без разрешения. Сгенерированные ответы могут содержать ошибки, не предназначены для многоходового диалога и не должны использоваться в клинических целях или для диагностики.

Prompt4Trust Calibration Guidance Prompt Generator — компактная языковая модель, дообученная Xing Shen и соавторами проекта Prompt4Trust на базе Qwen2.5-1.5B-Instruct. Она генерирует контекстно-зависимые вспомогательные подсказки, которые направляют мультимодальную модель для ответов на клинические вопросы и калибровки уверенности в ответах. В исследовании модель применялась для повышения надежности и качества на бенчмарке PMC-VQA и для переноса подсказок на более крупные MLLM в режиме zero-shot. Модель имеет плотную архитектуру Qwen2, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий предоставляет веса в формате safetensors; для запуска README отсылает к документации Qwen и рекомендует vLLM для ускорения инференса. Метаданные указывают английский язык. Лицензия — MIT. Модель является генератором текстовых подсказок, а не самой мультимодальной системой, которая обрабатывает медицинские изображения.

PsychAgent-Qwen3-32B — модель для психологического консультирования, разработанная авторами PsychAgent на базе Qwen/Qwen3-32B. Это дообученная плотная языковая модель с 29,7 млрд параметров; она предназначена для многоэтапных диалогов и преемственности между сессиями. В описанной авторами системе модуль планирования использует профиль клиента и сводки прошлых встреч, механизм развития навыков организует практики консультирования, а обучение с отбором траекторий помогает закреплять удачные стратегии. Метаданные указывают контекст до 40 960 токенов; в README для обучения указана длина 32 768 токенов. Модель подходит для исследований диалоговых агентов психологического консультирования, экспериментов с памятью и планированием, а также оценки на многоэтапных бенчмарках наподобие PsychEval. README сообщает о высоких результатах на этом бенчмарке, но они не являются доказательством клинической эффективности. Модель не заменяет квалифицированного специалиста и не предназначена для кризисных ситуаций или высокорисковых клинических решений; авторы также отмечают необходимость усиления безопасности и защиты приватности. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

Qwen1.5-7B-MeChat — чат-модель, дообученная на основе Qwen1.5-7B с использованием диалогового набора данных по поддержке психического здоровья SmileChat. Она предназначена для генерации ответов в диалогах на китайском языке, связанных с психологической поддержкой. Модель имеет плотную архитектуру Qwen2 для авторегрессионной генерации текста, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель подходит для исследовательских прототипов диалоговой поддержки и изучения применения языковых моделей в сфере психического здоровья. Карточка ограничивает использование техническими исследованиями; это не подтверждает пригодность для профессиональной диагностики или терапии. Лицензия — Apache-2.0.

Satya-Dey разработал Qwen2.5-1.5B-medmcqa-qlora-v2 — плотную языковую модель на 1,5 млрд параметров, дообученную методом QLoRA на базе Qwen/Qwen2.5-1.5B-Instruct. Она настроена отвечать на вопросы с выбором одного варианта по медицинским темам, охваченным набором MedMCQA, который включает вопросы экзаменов AIIMS и NEET-PG по 23 предметам. Модель принимает текст и генерирует текстовые ответы; максимальная длина контекста — 32 768 токенов. На проверочной выборке MedMCQA из 2 816 вопросов точность составила 42,5% против примерно 39% у базовой модели и 25% у случайного выбора. Результат различается по предметам: например, точность по биохимии составила 60,7%, а стоматология была наиболее слабой областью. Модель подходит для учебной практики и экспериментов с ответами на медицинские тесты, но её точность ограничена, поэтому ответы не следует использовать как медицинские рекомендации или единственный источник знаний. Лицензия — Apache-2.0.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, полученная дообучением Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every, шаг 28, разработан в рамках запуска phase1-online-rubrics-medicine-full-dense-20260919-seed11 и предназначен для инференса. Модель принимает текст и генерирует текст; метаданные указывают поддержку диалогового режима и контекст до 262 144 токенов. Название и сведения карточки связывают чекпойнт с медицинскими онлайн-рубриками, однако конкретные сценарии применения и результаты оценки не описаны. Файлы модели представлены в BF16 и safetensors. Лицензия — Apache-2.0. Карточка помечает модель как предназначенную только для исследований.

HYU-NLP-EVAL — плотная языковая модель Qwen3 с 3,7 млрд параметров, полученная дообучением Qwen/Qwen3-4B-Instruct-2507. Это контрольная точка 46-го шага эксперимента RaR-Medicine OnlineRubrics-Every dense; в репозитории есть BF16-веса для инференса и файлы исходной контрольной точки veRL. Модель предназначена для генерации текста в диалоговом формате; эксперимент связан с медициной и онлайн-рубриками оценки. Контекстная длина составляет до 262 144 токенов. Модель поддерживает чат и построена на архитектуре Qwen3ForCausalLM. Лицензия — Apache-2.0. Карточка указывает, что контрольная точка предназначена только для исследовательского использования.

Модель HYU-NLP-EVAL/qwen3-4b-rar-medicine-onlinerubrics-dense-seed11-step-051 — плотный чекпойнт Qwen3, дообученный HYU-NLP-EVAL на базовой модели Qwen/Qwen3-4B-Instruct-2507. Это промежуточный чекпойнт шага 51 эксперимента RaR-Medicine OnlineRubrics-Every, предназначенный для генерации текста и диалогового взаимодействия в медицинском сценарии. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает контекст до 262 144 токенов. В репозитории размещены веса BF16 для инференса и файлы исходного чекпойнта veRL. Модель опубликована по лицензии Apache-2.0. Карточка помечает её как предназначенную только для исследовательского использования; это ранний экспериментальный чекпойнт, и его пригодность для клинических решений или медицинских рекомендаций не подтверждена.

RaR-Medicine static R0 matched dense checkpoint — исследовательский чекпойнт на базе Qwen3-4B-Instruct-2507, дообученный для медицинского сценария. В репозитории представлены веса BF16 для инференса и исходные файлы чекпойнта veRL; архитектура — плотная причинная языковая модель Qwen3ForCausalLM примерно на 3,7 млрд параметров с контекстом до 262 144 токенов. Модель предназначена для генерации текста и диалоговых сценариев в медицинской области. Карточка описывает конкретный экспериментальный чекпойнт шага 16, поэтому его результаты могут отражать промежуточное состояние обучения и не подтверждают клиническую точность или пригодность для принятия медицинских решений. Лицензия — Apache-2.0. В карточке заявлено использование только для исследований.

shahedm2001 разработал эту модель как второй этап supervised fine-tuning семейства Qwen3-VL-2B для понимания видео операций по удалению катаракты и создания связных описаний хирургических процедур. Она дообучена на полных записях операций и хирургических клипах, чтобы лучше сохранять последовательность событий на протяжении всей операции. Модель использует архитектуру Qwen3-VL с плотной мультимодальной моделью и выдаёт текстовые ответы на вопросы о визуальном содержимом. В README указаны обработка до 64 кадров и динамический бюджет визуальных токенов; метаданные отмечают английский язык. Веса объединены в самостоятельный чекпойнт 16-битной точности в формате safetensors. Модель распространяется по лицензии Apache-2.0. Она предназначена для анализа видеозаписей хирургии катаракты и исследовательских сценариев, связанных с повествовательным описанием хода операции. Данные обучения и специализированная область ограничивают обоснованность применения за пределами таких видео; качество клинических выводов в README не подтверждено.