IV.4Клиническая медицина и общественное здоровье

Mjolnirslams/retinal-disease-ensemble — ансамблевая модель классификации изображений глазного дна, созданная как портфолио-проект для набора ODIR-5K. Она принимает изображения левого и правого глаза и одновременно предсказывает восемь классов: норму, диабетическую ретинопатию, глаукому, катаракту, возрастную макулярную дегенерацию, гипертонию, миопию и прочие состояния. Ансамбль объединяет EfficientNet-B4 и Inception-ResNet-v2; при обработке применяются CLAHE, отдельная нормализация для каждой основы и четырёхвариантная тестовая аугментация. Классы предсказываются независимо с помощью multi-label классификации, а пороги настроены отдельно для каждого класса. На валидационном разбиении ODIR-5K на уровне пациентов модель показала macro-AUC 0,888. Результаты зависят от класса: гипертония распознаётся ненадёжно из-за малого числа примеров, а класс «прочее» ограничен шумной разметкой. Модель обучена только на одном наборе данных; её качество на снимках с других камер, из других клиник и популяций не измерено, а демографические подгруппы не оценивались. Это не медицинское устройство, модель не прошла клиническую проверку и не предназначена для постановки диагноза или принятия клинических решений. Код и веса распространяются по лицензии MIT.

TxGemma-9B-Chat — разговорная языковая модель Google для исследований и разработки терапевтических средств. Она дообучена на базе Gemma 2 с использованием инструкционных данных Therapeutics Data Commons и поддерживает диалог на естественном языке о терапевтических мишенях и веществах, включая малые молекулы, белки, нуклеиновые кислоты, заболевания и клеточные линии. Модель предназначена для предсказания свойств терапевтических средств и мишеней, поддержки поиска мишеней, оценки взаимодействий «лекарство—мишень» и прогнозирования одобрения клинических испытаний. Разговорная версия позволяет обсуждать предсказания в несколько ходов и запрашивать объяснения, но может уступать специализированному режиму по точности предсказаний. Это декодерный трансформер семейства Gemma 2 с 9 млрд параметров; модель принимает текст и генерирует текст. Поддерживаемый язык по карточке — английский. TxGemma оценивали на 66 терапевтических задачах из TDC: в опубликованной карточке сообщается об улучшении относительно Tx-LLM на 45 задачах и о результатах на уровне лучших моделей или выше на 50 задачах. Перед применением в конкретном сценарии необходимо проверить качество на репрезентативных данных. Модель обучена на открытых данных TDC; условия использования регулируются Health AI Developer Foundations terms of use.

aadya-m1 — вероятностная модель прогнозирования длины следующего менструального цикла, разработанная автором репозитория Aadya. Модель содержит около 256 млн параметров и выдаёт распределение вероятностей для длительности цикла от 1 до 120 дней, чтобы приложения могли показывать вероятное окно начала следующей менструации с оценкой неопределённости. На вход подаются длительности прошлых циклов и число дней с начала последней менструации; дополнительно можно передать возрастную группу и день положительного теста на овуляцию. Модель предназначена для локального использования в приложениях и инструментах отслеживания цикла, а также для исследований вероятностного прогнозирования. По данным README, она показала низкую ошибку на опубликованных синтетических и двух реальных выборках, однако преимущество над классическим байесовским ориентиром на реальных данных невелико. Качество снижается при пропущенных записях, короткой истории, очень нерегулярных циклах, после родов, в перименопаузе и при гормональной контрацепции; дополнительный вход с тестом на овуляцию проверен лишь в небольшом исследовании. Модель не предназначена для диагностики, планирования контрацепции или зачатия и принятия лечебных решений и не является медицинским изделием. Веса распространяются по лицензии Apache-2.0.

CENO-1B-1m — базовая модель семейства CENO для работы с геномными последовательностями ДНК, разработанная авторами семейства CENO. Это причинная языковая модель на гибридной архитектуре Nemotron-H с блоками Mamba, Attention и Mixture-of-Experts: в конфигурации указаны 38 слоёв, 8 экспертов и выбор 2 экспертов на токен. Контекст составляет 1 048 576 токенов; токенизатор побайтно кодирует символы ДНК. Метаданные указывают 638,1 млн параметров, тогда как README приводит 1 302,4 млн. Модель предназначена для генерации геномных последовательностей, извлечения эмбеддингов и адаптации к задачам геномики. Это базовая модель без входов MSA; описанный в README сценарий оценки влияния вариантов относится к отдельным MSA-чекпойнтам. Для прямого запуска генерации нужны GPU и CUDA-ядра Mamba, хотя загрузка конфигурации, токенизатора и весов поддерживается на CPU. Репозиторий использует формат safetensors и лицензию Apache-2.0.

Модель tiantiaf/childvox-circor-whisper-large разработана Tiantian Feng и предназначена для классификации шумов сердца по фонокардиограммам. Она дообучена на базе мультиязычной openai/whisper-large-v3 на наборе CirCor с записями аускультации у 1568 человек в возрасте от 0 до 21 года. Модель принимает аудио и относит запись к одному из классов: шум отсутствует, присутствует или результат неизвестен. Модель может использоваться для исследовательского анализа детских физиологических звуков и экспериментов по классификации сердечных шумов. Она не предназначена для клинической диагностики, индивидуальной оценки без проверки специалистом, наблюдения или коммерческого применения. Записи детей и физиологические данные чувствительны: при работе с ними необходимо учитывать приватность, согласие и требования этических комиссий и законодательства. Лицензия — OpenRAIL; README отдельно запрещает коммерческое использование.

DNA_bert_3 — предварительно обученная модель DNABERT, разработанная командой проекта DNABERT для представления последовательностей ДНК в виде «языка генома». Это BERT-модель с 113,3 млн параметров, предназначенная прежде всего для предсказания замаскированных фрагментов ДНК; представления модели также применяются в задачах классификации последовательностей и анализа геномных мотивов. Модель принимает последовательности ДНК в формате k-mer и поддерживает контекст до 512 токенов. Это специализированная биологическая модель, а не модель для естественного языка. В репозитории указана лицензия Apache-2.0. Для загрузки через Transformers требуется доверенная загрузка пользовательского кода; проектная документация также описывает обучение и инференс на GPU.

zhihan1996/DNA_bert_5 — это предварительно обученная модель DNABERT, разработанная авторами Ji, Zhou, Liu и Davuluri и опубликованная в репозитории DNABERT; контрольная точка размещена пользователем zhihan1996 на Hugging Face. Модель предназначена для анализа геномных последовательностей ДНК и последующей адаптации под задачи классификации и другие задачи геномики, включая предсказание регуляторных элементов, сайтов связывания факторов транскрипции и свойств последовательностей. Архитектура основана на bidirectional BERT с Transformer-блоками и masked language modeling. Вариант DNA_bert_5 использует перекрывающиеся 5-mer-токены; известные характеристики семейства включают 12 Transformer-блоков, размер скрытого представления 768, 12 attention heads и около 88 миллионов параметров. Максимальная длина входа составляет 512 токенов, что соответствует примерно 510 5-mer-токенам или 514 нуклеотидам с учетом специальных токенов. Модель работает с последовательностями ДНК, а не с естественными языками, и требует предварительного преобразования последовательности в k-mer-формат. Сильные стороны модели — двунаправленный контекст, глобальное self-attention, переносимость представлений на разные задачи и применимость при ограниченном объеме размеченных данных; исходная работа также сообщала о переносе между организмами. Ограничения — короткий контекст, необходимость специализированной токенизации и зависимость качества от последующего fine-tuning и конкретного геномного сценария. README модели пуст, а отдельные подробные сведения о датасете и оценках для этой контрольной точки не приведены; модель не развернута через Inference Provider. Исходный репозиторий проекта DNABERT указывает лицензию Apache-2.0.

Taykhoom/Evo2-7B-262K — это порт в формате Hugging Face модели Evo 2 7B от Arc Institute. Модель использует архитектуру StripedHyena 2 с чередованием каскадных блоков Hyena и многоголового внимания; в метаданных указано 8,6 млрд параметров, а контекст составляет 262 144 токена. Она обучена предсказывать следующий байтовый токен на последовательностях из набора OpenGenome2, охватывающего биологические последовательности разных форм жизни. Модель предназначена для генерации продолжений последовательностей ДНК и извлечения представлений скрытых слоёв для анализа биологических последовательностей. Порт поддерживает загрузку через API Hugging Face, извлечение скрытых состояний и весов внимания, а также выбор backend внимания. В README подтверждена точность преобразования весов относительно эталонной конфигурации bf16 SDPA; это не гарантирует битовую идентичность при других backend или настройках. Для FP8-проекций требуются NVIDIA Transformer Engine и GPU класса Hopper; bf16 рекомендуется, float16 не поддерживается из-за численной нестабильности фильтров. Лицензия — Apache-2.0.

GB.DNA-7B — ДНК-модель семейства RNABert, разработанная GenBio AI для анализа и генерации нуклеотидных последовательностей. Она основана на плотном двунаправленном трансформере-энкодере BERT с 32 слоями, 32 головами внимания и размером скрытого слоя 4352; число параметров — 7,3 млрд. Модель обучена методом masked language modeling на 10,6 млрд нуклеотидов из геномов 796 видов. Она принимает последовательности ДНК с посимвольной токенизацией A, T, C, G и N и поддерживает контекст до 4000 нуклеотидов. Модель предназначена как основа для задач функциональной геномики, включая поиск геномных элементов, прогноз экспрессии генов, исследования мутаций in silico, аннотацию и направленную генерацию последовательностей. Для классификации последовательностей и отдельных нуклеотидов, регрессии и получения эмбеддингов из неё можно строить downstream-модели. Репозиторий содержит веса PyTorch и Safetensors. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в карточке модели.

GENA-LM-sparse-bigbird-base — языковая модель для анализа последовательностей человеческой ДНК, опубликованная Taykhoom Dalal как порт модели AIRI Institute. Это плотная masked language model на архитектуре BigBird с разреженным блочным вниманием: 12 слоёв, 12 голов внимания и размерность представлений 768. Модель содержит 137,8 млн параметров и принимает до 4096 BPE-токенов; словарь из 32 000 токенов обучен на ДНК и включает специальный токен [MASK]. Модель обучена на сборке генома человека T2T с задачей masked language modeling и подходит для предсказания замаскированных участков и получения контекстных представлений последовательностей. Порт реализует блочно-разреженное внимание на чистом PyTorch без зависимости от DeepSpeed; для коротких последовательностей до 256 токенов внимание становится плотным. Проверена математическая эквивалентность реализации для разреженного внимания, но совпадение округлений с исходным ядром DeepSpeed/Triton не заявлено. Исходная NSP-голова и pooler не включены. Лицензия — MIT.

gLM2_650M — геномная языковая модель tattabio на 650 млн параметров, обученная на наборе данных OMG. Это трансформер-энкодер с целью masked language modeling: он обрабатывает геномный контиг как последовательность кодирующих белок участков CDS и межгенных участков IGS. CDS кодируются токенами аминокислот, IGS — токенами отдельных нуклеотидов; специальные токены обозначают положительную или отрицательную цепь. В обновлённой версии контекст увеличен до 4096 токенов. Модель предназначена для анализа геномных последовательностей, в частности для восстановления замаскированных токенов и получения представлений геномных участков. При подготовке входа аминокислоты должны быть в верхнем регистре, а нуклеотиды — в нижнем, чтобы избежать неоднозначности токенов. Данные OMG были очищены от близких дубликатов методом SemDedup. Репозиторий распространяется по лицензии Apache-2.0.

HViLM-base — геномная фундаментальная модель для анализа вирусных последовательностей, разработанная Pratik Dutta и соавторами. Она получена продолженным предобучением DNABERT-2 на примерно 5 млн фрагментов вирусных последовательностей из ресурса VIRION, представляющих около 9 000 видов вирусов из более чем 45 семейств. Модель сохраняет архитектуру и BPE-токенизатор DNABERT-2; её размер составляет около 116,4 млн параметров, а контекст — 512 токенов. HViLM-base предназначена для извлечения представлений последовательностей и адаптации к задачам вирусной геномики. На её основе выпущены отдельные дообученные модели для классификации патогенности, трансмиссивности и тропизма к человеку; сама базовая модель не является готовым классификатором для этих задач. Для актуальной оценки авторы рекомендуют бенчмарк HVUE v2, сформированный с кластеризацией исходных последовательностей до разделения на выборки и проверками утечки сходных последовательностей. Модель доступна в формате PyTorch через Transformers по лицензии Apache-2.0. Её прогнозы являются исследовательскими результатами и не заменяют экспериментальную, клиническую, эпидемиологическую или санитарно-эпидемиологическую оценку. Биологическая близость последовательностей может сохраняться между выборками, а оценки трансмиссивности и тропизма опираются на упрощённые бинарные метки.

LongSafari/hyenadna-medium-160k-seqlen-hf — версия HyenaDNA, разработанной исследователями из Stanford и других организаций. Это плотная авторегрессионная модель на архитектуре HyenaDNA с 7,3 млн параметров, предназначенная для работы с геномными последовательностями. Модель предсказывает следующий нуклеотид и может использоваться как основа для классификации последовательностей, например для выявления регуляторных элементов, анализа профилей хроматина и классификации видов. Чекпойнт рассчитан на последовательности длиной до 160 тысяч нуклеотидов. Он использует посимвольную токенизацию с отдельными токенами для нуклеотидов и операторы Hyena с длинными свёртками, обеспечивающими глобальное рецептивное поле при субквадратичной вычислительной сложности. Модель предварительно обучена на человеческом референсном геноме HG38. Для дообучения на длине 160 тысяч нуклеотидов авторы рекомендуют GPU уровня T4; для предобучения — A100 с 40 ГБ памяти. Модель предназначена для геномики, а не для обычного текста. README сообщает о сильных результатах семейства на 23 последующих задачах, однако не приводит отдельные оценки именно этого чекпойнта. Распространяется по лицензии BSD 3-Clause.

HyenaDNA — геномная фундаментальная модель, разработанная исследователями из Stanford и Harvard и представленная организацией LongSafari. Этот чекпойнт использует архитектуру HyenaDNAForCausalLM с 7,3 млн параметров и предназначен для генерации последовательностей ДНК и последующей адаптации к задачам анализа геномных последовательностей. Модель предварительно обучена предсказывать следующий нуклеотид на референсном геноме человека HG38. Односимвольный токенизатор сохраняет разрешение до одного нуклеотида, а операторы Hyena обеспечивают обработку длинных последовательностей с глобальным рецептивным полем. Название репозитория указывает на вариант с длиной последовательности 450 тыс.; README описывает семейство HyenaDNA с контекстами до 1 млн токенов, но не приводит отдельного подтверждения предельной длины именно этого чекпойнта. Модель применима для генерации ДНК, а также как основа для дообучения на классификацию последовательностей, включая поиск регуляторных элементов, анализ профилей хроматина и классификацию видов. README указывает, что для обучения на последовательностях до примерно 250 тыс. нуклеотидов на T4 с 16 ГБ VRAM удавалось проводить эксперименты, а для варианта medium-450k рекомендует A100-40GB для предобучения и дообучения, T4 для инференса. Поддерживаемый формат весов — safetensors. Лицензия — BSD-3-Clause.

KRONOS — фундаментальная модель для пространственной протеомики, разработанная группой Mahmood Lab AI for Pathology при Harvard/BWH. Это Vision Transformer-Small для мультиплексных изображений; модель обучалась в режиме self-supervised на 47 миллионах патчей с одиночными маркерами: 175 белковых маркеров, 16 типов тканей, 8 платформ визуализации и 5 учреждений. Модель предназначена для извлечения признаков из изображений пространственной протеомики и рассчитана на работу с данными разных панелей. Архитектура использует общий channel-wise stem и синусоидальные эмбеддинги идентификаторов маркеров, обеспечивая совместимость с многомерными мультиплексными данными. В репозитории указаны веса PyTorch и pipeline image-feature-extraction. Доступ ограничен: запрос требует согласия с условиями использования и институционального адреса электронной почты, установленного основным в аккаунте Hugging Face. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных материалов. Модель помечена как устаревшая: авторы рекомендуют KRONOS2, а для сквозных рабочих процессов — CORAL; запросы по KRONOS больше не рассматриваются.

Модель cristian-untaru/lora-biomedbert-medical-triage — классификатор медицинских текстов для академического прототипа предварительной сортировки симптомов SortMed, разработанного Кристианом Унтару на факультете информатики Западного университета Тимишоары. Это дообученная BioMedBERT с архитектурой BERT для классификации последовательностей: по короткому описанию симптомов на английском языке она присваивает одну из трёх категорий срочности — self_monitor, consult_gp или urgent. Веса LoRA-адаптера и классификационная голова объединены в модель, доступную для загрузки через Transformers; число параметров — 136,7 млн, контекст — до 512 токенов. Модель предназначена для экспериментальной классификации описаний симптомов, сравнения методов дообучения и исследований медицинского NLP. На тестовой выборке указаны accuracy 0,8208, macro precision 0,8385 и macro recall 0,8205. Обучение проводилось на небольшом наборе данных SymCAT с метками, созданными по правилам, а не подтверждёнными медицинскими специалистами. Модель не ставит диагноз, не учитывает клинический контекст и не предназначена для принятия экстренных решений; применима только к английскому тексту и требует клинической проверки перед любым использованием в реальных сценариях. Лицензия — MIT.

MIST-1.8B-l1wfo7oa-sider — модель семейства MIST, разработанная группой Electrochemical Energy Group Мичиганского университета. Это дообученный на наборе SIDER энкодер MIST-1.8B для предсказания побочных эффектов лекарств по строкам SMILES. Модель выдает оценки для 27 типов нежелательных реакций; задача сформулирована как многометочная бинарная классификация. Архитектура включает энкодер RoBERTa-PreLayerNorm с 24 слоями, размером скрытого состояния 1536, 24 головами внимания и максимальной длиной последовательности 2048 токенов, а также двухслойную MLP-голову. Для представления молекулы используются скрытые состояния энкодера с первым токеном в качестве итогового вектора. Веса доступны в формате Safetensors; лицензия в метаданных — Apache 2.0. Модель предназначена для исследовательского прогнозирования побочных эффектов по молекулярной структуре. README указывает, что веса предоставляются без гарантий и предназначены для исследований; коммерческое использование требует отдельного соглашения, а распространение ограничено. Результаты предсказаний не следует считать подтвержденными клиническими выводами.

Precious3GPT (P3GPT) — мультимодальная биомедицинская языковая модель компании Insilico Medicine для исследований старения и поиска лекарств. Она построена на архитектуре MPT и обучена на данных омиксных экспериментов, графах знаний и биомедицинских текстах, включая PubMed. В README указан общий размер 175,1 млрд параметров: 175 млрд в текстовой модальности, 89,4 млн в основной модели и 8,2 млн в модальности графа знаний. Модель симулирует биологические процессы на уровне транскриптомных, эпигенетических и протеомных сигнатур. Она может генерировать омиксные сигнатуры для заболеваний, воздействий соединений и возрастных групп, а также определять возможные заболевания, соединения или возрастные группы по заданным сигнатурам. В сценариях доступны более 60 тысяч биомедицинских сущностей, включая виды, ткани, клеточные линии, состояния здоровья и малые молекулы. Для работы с сигнатурами модель использует эмбеддинги из графа знаний и текстовой модальности. P3GPT предназначена для исследовательских рабочих процессов, таких как скрининг соединений и анализ «случай — контроль»; её можно запускать локально или использовать через Discord-бота. Для точного задания эксперимента входные названия сущностей должны соответствовать списку, поставляемому с моделью. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

ProkBERT-mini-c — модель семейства ProkBERT, разработанная Neural Bioinformatics Research Group для анализа последовательностей ДНК, в частности в задачах микробиомной биоинформатики. Это плотная модель на базе MegatronBert с архитектурой masked language model и символьной токенизацией 1-mer со сдвигом 1. В README указано 24,9 млн параметров и контекст до 1022 пар оснований; метаданные каталога указывают 31,9 млн параметров и 2048 токенов контекста. Модель предварительно обучена на геномных последовательностях с задачей восстановления замаскированных участков. Её можно применять для предсказания пропущенных нуклеотидов, получения признаков последовательностей и последующей классификации геномных фрагментов, включая анализ промоторов и фагов. Для длинных последовательностей нужны сегментация и токенизация; предел контекста не позволяет подавать целый бактериальный геном как один фрагмент. Модель распространяется по лицензии CC BY-NC 4.0, которая допускает использование с указанием авторства, но запрещает коммерческое применение. README предупреждает, что проверка охватывает лишь отдельные геномные контексты, поэтому результаты для других сценариев требуют самостоятельной оценки.

ProkBERT-mini-long — геномная языковая модель группы Neural Bioinformatics Research Group для анализа микробиомных и других геномных последовательностей. Она предназначена для восстановления замаскированных участков ДНК и может служить основой для классификации последовательностей и исследования геномных паттернов. Модель относится к семейству ProkBERT и использует плотную архитектуру BERT для masked language modeling. В README указаны 26,6 млн параметров, представления размерности 384, контекст до 4096 пар оснований и токенизатор 6-меров со сдвигом 2; метаданные указывают 33,5 млн параметров и контекст 2048 токенов. Модель обучалась на геномных последовательностях с задачей восстановления перекрывающихся k-меров. Вход — последовательности ДНК; модель выдаёт предсказания замаскированных токенов и может использоваться для классификации. Для подготовки данных последовательности обычно загружают из FASTA, сегментируют на фрагменты подходящей длины и токенизируют. Модель предназначена для геномного анализа, но её результаты за пределами проверенных геномных контекстов не гарантированы и требуют отдельной оценки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

QuiltNet-B-32 — мультимодальная модель семейства CLIP с визуальным энкодером ViT-B/32, обученная на наборе Quilt-1M из пар изображений и текстов по гистопатологии. Модель разработана для исследовательских задач компьютерного зрения в патологии и поддерживает классификацию изображений без дообучения по текстовым меткам, а также поиск соответствий между изображениями и текстом. Модель подходит для экспериментов с классификацией гистологических изображений, межмодальным поиском и изучением устойчивости и обобщения визуальных моделей в этой области. Авторы также упоминают визуальные вопросы и ответы, тонкую настройку и линейное зондирование как возможные сценарии, но основной тег модели — классификация изображений без примеров. Модель рассчитана на английские текстовые запросы; применение для клинических решений и развёртывание не рекомендуются без тщательной проверки на целевых данных. Лицензия — MIT; карточка отдельно предупреждает, что результаты не являются медицинской консультацией и не гарантируются.

Это экспериментальный чекпойнт Qwen3-4B HealthBench Static-Rubric R0 от HYU-NLP-EVAL, полученный дообучением Qwen/Qwen3-4B-Instruct-2507 методом полного обучения с подкреплением. Версия соответствует 50 обновлениям оптимизатора; обучение проводилось на 256 запросах HealthBench с замороженной prompt-specific рубрикой R0 для каждого запроса. Модель представляет собой плотную причинную языковую архитектуру Qwen3ForCausalLM на 3,7 млрд параметров и принимает текст. Контекст — до 262 144 токенов; веса опубликованы в формате safetensors и экспортированы в BF16. Чекпойнт предназначен для исследований влияния устаревания статических рубрик на оптимизацию политики и для генерации ответов на медицинские запросы в рамках таких экспериментов. Рост награды по замороженной рубрике сам по себе не подтверждает улучшение по независимой эталонной оценке HealthBench. Модель не является медицинским устройством и не должна заменять консультацию специалиста. Лицензия — Apache-2.0.

HYU-NLP-EVAL разработала плотный чекпойнт RaR-Medicine OnlineRubrics-Every на базе Qwen3-4B-Instruct-2507. Это промежуточный чекпойнт на шаге 29 запуска phase1-online-rubrics-medicine-full-dense-20260919-seed11; репозиторий содержит веса BF16 для инференса и файлы исходного чекпойнта veRL. Модель предназначена для генерации текста в медицинском сценарии RaR-Medicine OnlineRubrics. Архитектура — Qwen3ForCausalLM, около 3,7 млрд параметров, контекст до 262 144 токенов; метаданные отмечают поддержку диалога. README указывает исследовательское использование, поэтому чекпойнт уместен для экспериментов и оценки, а не как проверенный медицинский помощник для клинических решений. 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; в корне репозитория находится модель BF16 для инференса, а в original_checkpoint/ — файлы исходного чекпойнта veRL с параметрами модели. Модель предназначена для генерации текста в диалоговом формате и может применяться к медицинским сценариям, связанным с экспериментом по online rubrics. Контекст составляет до 262 144 токенов. В карточке не приведены результаты оценки качества или подробности о поддерживаемых языках. Модель распространяется по лицензии Apache-2.0. README помечает её как предназначенную только для исследовательского использования; чекпойнт является экспериментальным этапом обучения, поэтому его качество и пригодность для практического применения по карточке установить нельзя.

Red Pill — англоязычная языковая модель для фармацевтических исследований и разработки, созданная saidutta69 на базе MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking-heretic. Модель дообучена методом LoRA на наборе RED-PILL из 1 047 многоходовых инструкций по поиску лекарств, разработке лекарственных форм, синтезу, регуляторным вопросам и научной литературе; веса LoRA объединены с базовыми весами. Архитектура — плотная модель семейства Llama с 837,6 млн параметров, поддерживает контекст до 131 072 токенов и работает через Transformers. Модель предназначена для генерации ответов на вопросы о поиске и оптимизации молекул, оценке ADMET, виртуальном скрининге, анализе SAR, разработке составов и выборе вспомогательных веществ. В тестировании на 32 экспертных вопросах лучший результат показан в категории принятия решений — 41,4%; оценка формуляций составила 24,8%, молекулярного анализа — 22,6%. Модель рассчитана на исследовательские и вспомогательные сценарии, а её ответы требуют проверки специалистами. Небольшой размер и ограниченный объём обучающих данных снижают надёжность сложных многошаговых рассуждений и охват предметной области. Модель работает на английском языке, не располагает данными в реальном времени и не проходила валидацию для практического применения. Лицензия — MIT.

Модель andrei-teodor/resnet-pretrained-brain-mri — дообученная для классификации снимков МРТ головного мозга сверточная ResNet-50 на базе microsoft/resnet-50. Она предназначена для отнесения изображений к классам датасета BrainMRI. В репозитории указана точность 0,5228 на оценочной выборке и значение функции потерь 1,1450. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает состав классов и ограничения применения, поэтому результаты следует интерпретировать с учётом этого пробела; приведённая метрика сама по себе не подтверждает пригодность для клинической диагностики.

Карточка модели ICML2022/Tranception на Hugging Face совпадает с карточкой OATML-Markslab/Tranception_Large, поэтому описание составлено по ней. Tranception Large — модель для оценки приспособленности белковых последовательностей, созданная в совместном проекте Marks lab и OATML и представленная в работе о предсказании эффектов вариантов белков. Она использует авторегрессионную трансформерную архитектуру и при выводе может извлекать сведения о гомологичных последовательностях. Модель предназначена для оценки влияния мутаций, включая множественные замены и вставки или делеции, а также для анализа вариантов белков и проектирования биотерапевтических белков. По карточке модели Tranception показывает высокое качество на нескольких мутациях, устойчивость к неглубоким выравниваниям и возможность оценивать вставки и делеции. Метаданные указывают архитектуру Tranception, библиотеку PyTorch и контекст до 1024 токенов. Репозиторий содержит веса в формате PyTorch. Сведения о лицензии в предоставленных материалах отсутствуют.

TxGravity-30B-A5B-Preview — языковая модель компании Trillion Labs, дообученная методом supervised fine-tuning на базе Gravity-30B-A5B-Base для прогнозирования терапевтических свойств. Она предназначена для инструкций в формате Therapeutic Data Commons (TDC) и охватывает 57 задач, включая прогнозирование ADMET-свойств малых молекул, токсичности, взаимодействий лекарство–мишень, белок–белок и пептид–MHC. Ответы представлены метками (A)/(B) для бинарной классификации или нормализованным значением от 000 до 1000 для регрессии. Модель имеет разреженную архитектуру GravityMoE, совместимую с DeepSeek-V3; в README указаны 29,56 млрд общих и 5,34 млрд активных параметров. Метаданные указывают 3,8 млрд параметров. Контекст — до 131 072 токенов; модель принимает текстовые запросы и генерирует текст. Основной язык карточки и тегов — английский. Лицензия — Apache-2.0. Это предварительный выпуск, помеченный авторами как заменённый более новой версией TxGravity-30B-A5B. Модель узкоспециализирована на терапевтических предсказаниях по шаблонам TDC, не является универсальным разговорным или выровненным по безопасности ассистентом; её прогнозы могут быть ошибочными или неполными и требуют независимой проверки перед экспериментальным, клиническим или иным принятием решений.

Карточка модели CladeTeam/CENO-300M-1m на Hugging Face совпадает с карточкой cuio/CENO-300M-1m, поэтому описание составлено по ней. CENO-300M-1m — базовая модель семейства CENO для работы с геномными последовательностями ДНК, разработанная командой CENO. Это причинная языковая модель с гибридной архитектурой Nemotron-H, объединяющей Mamba, attention и Mixture of Experts; токенизатор посимвольный и кодирует основания ДНК ASCII-кодами. Чекпойнт прошёл этап расширения контекста и обучался на последовательностях длиной 1 048 576 токенов. Модель предназначена для генерации геномных последовательностей, извлечения эмбеддингов и последующей адаптации для задач геномики. Она не принимает MSA-входы; предсказание эффектов вариантов описано для отдельных MSA-чекпойнтов семейства CENO, поэтому эту возможность нельзя напрямую приписывать данной модели. Модельный код включён в репозиторий и используется через Transformers с trust_remote_code=True. Лицензия — Apache-2.0.

DNABERT-2 — модель семейства BERT на архитектуре MosaicBERT, выпущенная командой MultiMolecule как неофициальная реализация работы Zhihan Zhou и соавторов. Она предварительно обучена на последовательностях геномов 135 видов из GenBank с помощью masked language modeling: модель восстанавливает замаскированные фрагменты ДНК. Для токенизации используется BPE со словарём из 4096 токенов; размер модели — 116,4 млн параметров, контекст — 512 токенов. Модель предназначена для предсказания нуклеотидных последовательностей и извлечения признаков, а также как основа для дообучения на задачах классификации и регрессии последовательностей или отдельных нуклеотидов. Она работает с текстовым представлением ДНК; при предобучении использовались последовательности из A, T, C и G. Это не готовая модель для конкретной downstream-задачи: для классификации или регрессии требуется дообучение. Лицензия — AGPL-3.0.