IV.4Клиническая медицина и общественное здоровье

Omi Med STT v1 — англоязычная модель распознавания речи для медицинских диалогов, разработанная Omi Health на основе NVIDIA Parakeet TDT 0.6B v2. Это дообученная модель класса 0,6 млрд параметров; основной контрольный файл распространяется в формате NeMo .nemo. Она предназначена для локальной транскрибации консультаций врачей общей практики, обсуждений лекарственной терапии, клинической диктовки и речи о процедурах, устройствах и анализах. Модель принимает аудио и преобразует речь в текст. Её можно запускать локально на NVIDIA CUDA, Apple Silicon и процессорах Linux или Windows; карточка приводит результаты внутреннего медицинского бенчмарка и сравнение с базовой Parakeet v2. Для работы с клиническими записями транскрипты необходимо проверять: модель не предназначена для диагностики, сортировки пациентов, назначения лечения или клинических решений и не прошла клиническую валидацию. Лицензия — CC BY 4.0.

OpenMed-NER-AnatomyDetect-EuroMed-212M — модель OpenMed для распознавания анатомических сущностей в биомедицинском тексте. Это дообученный трансформер EuroBERT с архитектурой EuroBertForTokenClassification и примерно 211,7 млн параметров. Модель принимает токенизированный текст и выдаёт BIO-разметку, включая метки B-Anatomy и I-Anatomy; контекст составляет до 8192 токенов. Модель предназначена для извлечения анатомических структур и частей тела из клинических записей, медицинских документов и научной литературы. В README приведены показатели на датасете ANATOMY: F1 0,84, точность 0,86, полнота 0,82 и accuracy 0,97. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Anatomy-Multi-209M — модель OpenMed для распознавания анатомических сущностей в медицинских и биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе ANATOMY; модель извлекает упоминания органов, тканей, частей тела и других анатомических структур, в том числе из клинических записей и радиологических или хирургических заметок. Модель предназначена для zero-shot распознавания сущностей: при обработке можно задавать типы сущностей без отдельного дообучения под каждую задачу. Это позволяет использовать её для извлечения анатомических упоминаний, определения локализации заболевания и анализа медицинской документации и литературы. В README приведён показатель F1 0,81 для оценки на тестовом наборе, исключённом из обучения; таблица результатов также приводит значения для вариантов модели другого размера. Модель принимает текст и возвращает разметку сущностей. В метаданных указан английский язык и формат PyTorch. Лицензия — Apache-2.0. Результаты зависят от выбранных меток сущностей и порога извлечения; заявленная гибкость zero-shot не гарантирует точность для произвольных типов сущностей, а приведённые метрики относятся к оценке на корпусе ANATOMY.

PulseMind-72B — медицинская мультимодальная модель, представленная в работе «PulseMind: A Multi-Modal Medical Model for Real-World Clinical Diagnosis». Она предназначена для многошаговых диагностических консультаций, в которых нужно учитывать медицинские изображения и текстовый клинический контекст. В карточке описано обучение на наборе MediScope с 98 000 консультаций и 601 500 медицинскими изображениями из более чем десяти клинических отделений и двухсот специализаций. Модель использует плотную архитектуру Qwen2.5-VL с 71,5 млрд параметров и контекстом до 128 000 токенов. Она поддерживает диалог и обработку изображений, а основная задача в метаданных — image-text-to-text. Указана лицензия MIT. Авторы сообщают о конкурентных результатах на медицинских бенчмарках, но подробные оценки в доступной карточке опущены. Модель может выдавать неточные или потенциально вредные медицинские сведения; она предназначена для исследований и вспомогательного применения и не заменяет профессиональную диагностику или лечение.

PeterPaker123/Qwen2.5-7B-Vietnamese-Medical-NER — генеративная модель для извлечения именованных сущностей из медицинских текстов на вьетнамском языке. Её разработал PeterPaker123 на основе Qwen2.5-7B-Instruct; модель дообучена методом supervised fine-tuning и использует архитектуру Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель принимает текст и инструкции с заданными категориями сущностей, например симптомами, заболеваниями, лекарствами, процедурами, анатомическими объектами и демографическими данными. Она формирует извлечённые данные в структурированном JSON и рассчитана на разбор клинических заметок, диалогов и медицинских публикаций, а также на обогащение медицинских RAG-систем и создание баз знаний. Карточка заявляет поддержку только вьетнамского языка. Модель специализируется на извлечении, поэтому может плохо справляться с обычным диалогом; возможны ошибки и галлюцинации, особенно на неоднозначном или зашумлённом тексте. Её не следует использовать для диагностики, лечения или медицинской сортировки без проверки специалистом. Лицензия — Apache 2.0.

Whisper Chilean Spanish Large v3 — модель распознавания речи, дообученная на базе openai/whisper-large-v3 на наборе данных Mezosky/es_clinical_assistance_10k. Она предназначена для транскрибации речи на испанском языке в клинических сценариях. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и опубликована в формате Safetensors. В карточке приведены результаты оценки на тестовом наборе: loss 0,0961 и WER 6,9352. Лицензия — Apache-2.0. Подробности о клинических сценариях, условиях оценки и ограничениях применения в карточке не раскрыты.

kenrouse разработал и дообучил Whisper Small для распознавания японской речи с медицинской терминологией. Модель принимает аудио и выдаёт текст; она основана на openai/whisper-small и содержит 153,1 млн параметров по метаданным Hugging Face. В карточке также указаны форматы Transformers и GGML для использования с whisper.cpp и Whisper.NET. Модель предназначена для транскрибирования медицинской речи, включая голосовой ввод в электронные медицинские карты и разговоры с медицинскими терминами. Для дообучения использовали словарь DMiME 1.1: текст терминов преобразовывали в аудио с помощью синтеза речи; README сообщает о 66 015 обучающих и 8 251 проверочном примере. Лицензия — Apache 2.0. Специализация на медицинской лексике может снижать точность распознавания обычной речи по сравнению с базовой моделью. Обучение на синтетической речи также может ограничивать перенос качества на реальные человеческие голоса.

Asclepius-Llama2-7B — клиническая языковая модель на архитектуре Llama 2, разработанная как улучшенная версия Asclepius-7B. Модель дообучена на базе Llama2-7B и имеет 6,6 млрд параметров; контекст — до 4096 токенов. Она предназначена для работы с клиническими заметками на английском языке. Модель выполняет задачи клинического NLP: распознаёт именованные сущности и отношения, раскрывает сокращения, извлекает временную информацию, разрешает кореференцию, перефразирует и суммирует заметки, отвечает на вопросы по ним. Указанные сценарии требуют проверки специалистом и не подтверждают пригодность для принятия клинических решений. В карточке указано исследовательское назначение. Метаданные Hugging Face обозначают лицензию CC-BY-NC 4.0, тогда как README указывает CC-BY-NC-SA 4.0; лицензионные условия следует сверить с актуальными материалами репозитория перед использованием.

sid321axn/Bio_ClinicalBERT-finetuned-medicalcondition — модель классификации текста на основе BERT, дообученная автором репозитория на базе emilyalsentzer/Bio_ClinicalBERT для распознавания медицинских состояний по тексту. Модель содержит 135,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. В карточке приведены результаты оценки: F1 Score 0,8254 и loss 0,7201. Модель предназначена для классификации медицинских текстов, связанных с состояниями здоровья; конкретные классы, состав обучающих данных и подробные сценарии применения не описаны. Лицензия — MIT.

Bio-Medical-Llama-3-8B — диалоговая языковая модель ContactDoctor для генерации текста по биомедицинским темам. Она создана дообучением meta-llama/Meta-Llama-3-8B-Instruct с 8 млрд параметров на наборе BioMedData, содержащем более 500 тысяч синтетических и вручную отобранных примеров. Модель работает с текстом и предназначена для исследовательской поддержки, извлечения сведений из биомедицинских текстов, медицинского обучения и предоставления справочной информации для клинического принятия решений. В README приведены результаты оценки на задачах медицинских экзаменационных вопросов и вопросах по статьям PubMed, но численные показатели не указаны. Ответы могут быть предвзятыми, неточными или устаревшими; критическую информацию следует проверять, а модель не должна заменять профессиональное медицинское суждение. Репозиторий использует лицензию с обозначением «other», конкретные условия в доступных данных не приведены.

AmberYifan/capsd-medcase-marin-8b-base-medicine_ppl_b1000_s0 — дообученная модель семейства Llama на основе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и предназначена для генерации текста; в метаданных также отмечена поддержка чата. Модель обучена на наборе capsd_marin-8b-base-n13092-medicine-medcase__mix_medicine_ppl_b1000_s0, что указывает на медицинский контекст обучения и предполагает применение для генерации медицинских текстов и ответов по клиническим случаям. Контекст составляет 4096 токенов. Базовая marin-8b-base описана как англоязычная, но язык этой дообученной модели отдельно не подтверждён. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия указана как other, поэтому условия использования следует проверять в репозитории; карточка не сообщает дополнительных сведений о качестве и ограничениях модели.

AmberYifan/capsd-medcase-marin-8b-base-medicine_ppl_b8000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Она содержит около 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; модель опубликована для text-generation и поддерживает чатовый сценарий. README указывает, что дообучение выполнено на наборе capsd_marin-8b-base-n13092-medicine-medcase__mix_medicine_ppl_b8000_s0, что указывает на медицинские случаи и данные по медицине. Модель предназначена для генерации и продолжения текста в медицинском контексте, например для черновиков описаний клинических случаев и ответов на медицинские вопросы. Базовая marin-8b-base описана как англоязычная; длина контекста модели — 4096 токенов. Лицензия указана как other, поэтому конкретные условия использования следует сверить с карточкой модели.

ClinicalMobileBERT-i2b2-2010 — модель на базе ClinicalMobileBERT, дообученная разработчиками репозитория на наборе данных i2b2-2010 для распознавания клинических именованных сущностей. Она выделяет в медицинских текстах проблемы со здоровьем, виды лечения и медицинские тесты, присваивая метку каждому токену. Модель использует архитектуру MobileBERT и содержит 59,7 млн параметров по метаданным. Она принимает текст, поддерживает контекст до 512 токенов и предназначена для извлечения клинических сущностей из медицинских записей. Репозиторий содержит веса PyTorch; лицензия — MIT. Модель подходит для разметки клинических записей и подготовки структурированных данных для медицинского NLP. README указывает около 25 млн параметров, тогда как метаданные каталога сообщают 59,7 млн; для описания приведено значение из метаданных. Сведения о поддерживаемых естественных языках и оценках качества в источниках отсутствуют.

Doctor-R1 — медицинский диалоговый агент на базе Qwen3-8B, дообученный авторами методом Experiential Agentic Reinforcement Learning. Модель предназначена для многошаговых клинических консультаций: она задаёт пациенту уточняющие вопросы, учитывает ответы и использует собранные сведения для диагностического рассуждения. В метаданных указаны архитектура Qwen3ForCausalLM, 7,6 млрд параметров и контекст до 40 960 токенов; доступны веса в формате safetensors и интерфейс диалога с вызовом инструментов. Авторы сообщают о проверке на HealthBench, MAQuE и MedQA, включая оценку качества общения и точности диагностики. Модель ориентирована на медицинские консультационные сценарии и поддерживает английский язык. Лицензия — MIT. Результаты в карточке относятся к указанным бенчмаркам и сами по себе не подтверждают пригодность модели для самостоятельной постановки диагноза или лечения.

Gunulhona/Gemma-3-27B-Text-Only — текстовая языковая модель, созданная слиянием моделей через mergekit методом Arcee Fusion на основе google/medgemma-27b-text-it и модели Gemma-3 proxy. Модель использует плотную архитектуру Gemma 3 с классом Gemma3ForCausalLM, содержит 28,3 млрд параметров и рассчитана на генерацию текста в диалоговом формате. Указанная длина контекста — 131 072 токена. Модель подходит для диалоговых ответов и генерации текста; базовая MedGemma ориентирована на ответы и составление кратких изложений медицинских текстов и разработку приложений для здравоохранения. В README описано слияние, но не приведены отдельные оценки качества или подробности о поведении итоговой модели. Репозиторий содержит веса в формате safetensors и использует Transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

HuatuoGPT-o1-70B — медицинская языковая модель для сложных рассуждений в медицинской тематике, разработанная командой FreedomIntelligence. Она формирует ход рассуждений, пересматривает его и затем выдаёт итоговый ответ. Модель построена на LLaMA 3.1 70B и предназначена для диалогового применения и генерации текста; заявленный язык — английский. Размер составляет 69,5 млрд параметров, контекст — до 131 072 токенов. Модель подходит для ответов на медицинские вопросы и подготовки обоснованных ответов на клинические задачи. Она дообучена на наборах medical-o1-reasoning-SFT и medical-o1-verifiable-problem. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Модель предназначена для поддержки рассуждений, а не для замены профессиональной медицинской оценки. README не приводит конкретных результатов клинической валидации; ответы следует проверять, особенно перед использованием в принятии медицинских решений.

HuatuoGPT-o1-72B-GGUF — это квантизированная версия медицинской языковой модели HuatuoGPT-o1-72B, разработанной FreedomIntelligence. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста в медицинских сценариях, включая ответы на вопросы, обработку медицинских рассуждений и решение проверяемых медицинских задач. Модель имеет размер 72 млрд параметров и распространяется в формате GGUF с вариантами квантизации от Q8_0 до IQ1_M. Доступны версии размером примерно от 23,74 до 77,26 ГБ; варианты Q6_K, Q5_K_M, Q5_K_S и Q4_K_M отмечены как рекомендуемые с точки зрения сочетания качества и требований к памяти. Поддерживаются английский и китайский языки. README не содержит сведений об архитектуре, длине контекста, мультимодальности или дополнительных языках, поэтому модель следует рассматривать как текстовую. Сильная сторона модели — специализация на медицинской тематике и наличие широкого выбора квантизаций для локального запуска, в том числе через llama.cpp и LM Studio. Ограничения связаны с компромиссом между качеством и размером при использовании низкобитных вариантов, а также с отсутствием в предоставленных данных результатов бенчмарков и гарантий медицинской точности; ответы требуют проверки специалистом. Модель и её квантизированные версии распространяются по лицензии Apache-2.0.

HuatuoGPT-o1-8B-GGUF — это GGUF-квантизированная версия языковой модели HuatuoGPT-o1-8B, разработанной командой FreedomIntelligence. Релиз подготовлен пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и ориентирована на медицинские сценарии, включая обработку медицинских запросов и рассуждения по задачам, связанным с медициной. Для обучения указаны наборы данных medical-o1-reasoning-SFT и medical-o1-verifiable-problem. Модель имеет около 8 миллиардов параметров и работает в текстовой модальности. В репозитории доступны варианты от F16 до низкобитных форматов Q2, Q3, Q4, Q5, Q6 и Q8, поэтому можно выбирать между качеством ответов, требованиями к памяти и скоростью локального запуска. Файлы предназначены для использования с llama.cpp и совместимыми приложениями, включая LM Studio. В README указана поддержка английского языка; сведения о размере контекста, точной архитектуре и мультиязычности не приведены. Сильная сторона модели — возможность локального запуска в различных квантизациях, включая рекомендуемые варианты Q4–Q6, при сохранении ориентации на медицинские задачи. Ограничения включают возможное снижение качества в низкобитных вариантах, отсутствие в README подробных результатов оценки и необходимость проверять медицинские ответы специалистом перед практическим применением. Модель распространяется по лицензии Apache 2.0.

HuatuoGPT-Vision-34B — мультимодальная языковая модель для медицинских задач, разработанная FreedomIntelligence. Модель содержит 33,9 млрд параметров и построена на базе Yi-1.5-34B с архитектурой LLaVA-v1.5; для обучения использовался набор PubMedVision. Модель принимает изображения и текстовые запросы и формирует текстовые ответы, поэтому подходит для вопросов о медицинских изображениях и других сценариев, где требуется совместно анализировать изображение и текст. В метаданных также указана поддержка генерации текста. Карточка заявляет поддержку английского и китайского языков; нативный контекст — 4096 токенов. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель ориентирована на медицинские приложения, однако карточка не приводит подробных результатов оценки или клинических ограничений.

IlhaEmbed — семейство компактных моделей текстовых эмбеддингов для клинических записей, разработанное для тайваньского традиционного китайского языка. Карточка описывает версии на 311 млн параметров и лёгкий вариант на базе ModernBERT; метаданные этого репозитория указывают на дообучение IBM Granite Embedding 97M Multilingual R2, 38,1 млн параметров и контекст до 32 768 токенов. Модель предназначена для семантического поиска и сопоставления клинических формулировок, включая сокращения, сестринские записи и разговорные описания симптомов, а также для маршрутизации по категориям намерений и поддержки поиска по медицинским документам. В карточке приведены результаты тестов на клиническом поиске и сопоставлении терминов, но также описаны ошибки из-за буквального сходства символов и различий в детализации понятий. Поэтому эмбеддинги подходят для рекомендаций и предварительной маршрутизации, а результаты требуют проверки специалистом; модель не предназначена для диагностики или самостоятельного принятия клинических решений. Указанная лицензия — Apache-2.0.

JSL-MedLlama-3-8B-v1.0-GGUF — квантованные GGUF-версии медицинской языковой модели JSL-MedLlama-3-8B-v1.0, разработанной John Snow Labs на базе Meta-Llama-3-8B. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста в медицинском контексте: диалоговых ответов, обработки и формулирования текстовой информации, а также исследовательских и прикладных сценариев, связанных с медицинскими данными. README не содержит сведений о конкретных языках, длине контекста и результатах бенчмарков. Модель представлена в форматах квантизации от Q8_0 до IQ1_S, с размером файлов примерно от 2,01 до 8,54 ГБ. Варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, IQ4_NL и IQ4_XS отмечены как рекомендуемые; более компактные варианты требуют меньше оперативной памяти, но могут заметно уступать по качеству. Поддерживается текстовая модальность, используется шаблон запросов в стиле Llama 3. Сильными сторонами являются медицинская специализация исходной модели, возможность локального запуска через совместимое с GGUF программное обеспечение и выбор между множеством вариантов размера и качества. Ограничения включают неизбежную потерю качества при сильной квантизации, отсутствие в README подробных сведений о возможностях и оценках модели, а также необходимость проверять медицинские ответы специалистом. Модель распространяется по лицензии CC BY-NC-ND 4.0, допускающей использование с указанными ограничениями; коммерческое применение и производные работы могут быть ограничены условиями лицензии.

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.

L1-30B-A5B — медицинская языковая модель для корейского клинического контекста от Lunit и Lunit Consortium. Она дообучена на Gravity-30B-A5B-Base, разработанной Trillion Labs и Lunit Consortium, и использует архитектуру разреженной смеси экспертов GravityMoE с поддержкой Hugging Face Transformers. В модели 29,56 млрд параметров, из которых активно 5,34 млрд; контекст — 131 072 токена. Карточка также указывает английский язык. Модель предназначена для медицинских диалогов, ответов на клинические вопросы и работы с поиском и вызовом инструментов: она обучалась на многошаговых сценариях извлечения сведений и формировании ответов с опорой на цитаты. В опубликованных оценках показаны результаты на медицинских тестах, однако они не гарантируют точность в клинической практике. Для длинных клинических ответов требуется repetition_penalty=1.05; без подключённого инструмента поиска цитаты не ссылаются на внешние источники, а вызовы инструментов лучше работают со схемами, похожими на обучающие. Модель выпущена под лицензией Apache-2.0. Её ответы могут быть ошибочными, неполными или устаревшими и требуют проверки квалифицированным специалистом; медицинское решение нельзя основывать только на выводе модели. Знания ограничены обучающим срезом, особенно актуальность корейских правил возмещения расходов и одобрений лекарств следует перепроверять.

Lingshu-I-8B — медицинская мультимодальная модель для понимания изображений и текста, разработанная авторами проекта Lingshu на базе InternVL3. Модель обучена по той же процедуре, что и предыдущие модели Lingshu, и предназначена для медицинских вопросов и ответов, клинических рассуждений и генерации отчётов по медицинским изображениям и тексту. Модель поддерживает более 12 типов медицинских изображений, включая рентген, КТ, МРТ, микроскопию, УЗИ, гистопатологию, дерматоскопию, снимки глазного дна, OCT, эндоскопию и PET. Архитектура — плотная модель InternVL, библиотека запуска — Transformers; веса опубликованы в формате safetensors. В README заявлены высокие результаты на большинстве задач медицинских мультимодальных и текстовых вопросов и ответов и генерации отчётов для моделей этого размера. Модель может выдавать неточные или вводящие в заблуждение результаты, в том числе потенциально вредные, поэтому её ответы не следует считать окончательным медицинским заключением. Лицензия — MIT; разработчики рекомендуют проводить собственное тестирование безопасности и соблюдать применимые нормы.

Med42-v2-8B — медицинская языковая модель M42 Health AI Team, дообученная на базе Llama 3 8B Instruct. Это плотная авторегрессионная модель с 7,5 млрд параметров, предназначенная для генерации ответов на медицинские вопросы и других текстовых клинических сценариев. Она принимает и выдаёт текст, поддерживает английский язык и использует контекст до 8192 токенов. Модель подходит для медицинских вопросов и ответов, обобщения записей пациентов, поддержки клинических рассуждений и общих справок о здоровье. В тестах версии 8B приведены результаты по MedQA, MedMCQA, USMLE и медицинским разделам MMLU; показатели тестов не гарантируют точность или безопасность в реальных ситуациях. Разработчики предупреждают, что модель не готова к клиническому применению без тщательной проверки и валидации: она может выдавать неверную или вредную информацию и воспроизводить смещения обучающих данных. Не следует использовать её для принятия медицинских решений или ухода за пациентами без надлежащей оценки безопасности. Указана лицензия Llama 3 Community License Agreement.

OpenBioLLM-8B — англоязычная языковая модель для биомедицины, разработанная Анкитом Палом (Aaditya Ura) из Saama AI Labs. Это плотная авторегрессионная модель семейства Llama 3 с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; она дообучена на Meta-Llama-3-8B с использованием медицинского набора инструкций и методов DPO. Модель предназначена для генерации ответов на медицинские вопросы, работы с биомедицинскими знаниями, суммаризации клинических записей и извлечения клинических сущностей из текста. Модель принимает текст и генерирует текст на английском языке. Контекст составляет 8192 токена. В README приведены результаты на биомедицинских тестах; конкретные примеры клинических сценариев там относятся к версии OpenBioLLM-70B, поэтому их нельзя считать отдельной оценкой версии 8B. Для корректной работы рекомендуется использовать шаблон чата Llama 3 Instruct; в редких случаях ответы могут быть многословными. Модель распространяется по лицензии Meta Llama 3. Она предназначена для исследовательских и разработческих задач в медицине и науках о жизни; README не подтверждает её пригодность для самостоятельной клинической диагностики или принятия решений.

arcee-ai/Llama-3-OpenBioLLM-JSL-8B-SLERP — объединённая языковая модель на базе Llama 3, созданная Arcee AI с помощью mergekit. Она объединяет aaditya/OpenBioLLM-Llama3-8B и johnsnowlabs/JSL-Med-Sft-Llama-3-8B методом SLERP; архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров, формат весов — safetensors. Модель предназначена для генерации текста в медицинских и биомедицинских сценариях, включая ответы на вопросы и подготовку текстов по профильным темам. Принимает и генерирует текст; заявленный контекст составляет 8192 токена. В метаданных указана лицензия Apache-2.0. Карточка описывает способ объединения и исходные модели, но не содержит результатов оценки качества, поэтому пригодность для конкретных клинических задач следует проверять отдельно.

unsloth/medgemma-27b-text-it — дообученная Unsloth версия MedGemma 27B Text IT от Google, предназначенная для медицинских текстовых сценариев. Модель основана на decoder-only трансформере Gemma 3 с архитектурой Gemma3ForCausalLM и grouped-query attention; содержит 28,3 млрд параметров и поддерживает контекст до 131 072 токенов. Это текстовая инструкция-настроенная модель: она принимает текстовые запросы и генерирует ответы, объяснения и сводки. Модель подходит разработчикам медицинских и научных приложений для ответов на вопросы по медицинским текстам, подготовки резюме документов и прототипирования клинических информационных инструментов. Она обучалась на медицинском тексте и оптимизирована для вычислений во время инференса. Репозиторий содержит веса в формате safetensors; использовать модель следует на условиях Health AI Developer Foundations, указанных для базовой MedGemma. Ответы могут быть неточными и требуют независимой проверки. Модель не предназначена для самостоятельной постановки диагноза, выбора лечения или принятия решений о ведении пациента; перед применением в конкретном сценарии необходимы адаптация и проверка на подходящих данных. Карточка также отмечает, что многоходовые сценарии не оценивались.

Это текстовая модель семейства Gemma 3, основанная на Google MedGemma 27B Text IT и подготовленная сообществом mlx-community для формата MLX. Репозиторий содержит веса safetensors в формате bf16; для запуска автор указывает библиотеку mlx-lm. Модель предназначена для генерации текста в диалоговом режиме. Базовая MedGemma адаптирована для медицинских текстов: её можно применять для подготовки ответов и кратких сводок, а также при разработке приложений для здравоохранения. Размер модели — 28,3 млрд параметров, заявленная длина контекста — 131 072 токена. Модель принимает и выдаёт текст. Медицинские ответы следует проверять специалистом; карточка не задаёт отдельные медицинские ограничения или условия безопасного применения. Лицензия указана как other, поэтому перед использованием нужно свериться с условиями лицензии исходной модели и репозитория.

medgemma-4b-it-abliterated-i1-GGUF — квантованная версия модели drwlf/medgemma-4b-it-abliterated, подготовленная mradermacher. Модель основана на MedGemma, предназначена для генерации текста, выполнения инструкций и медицинских сценариев. Она распространяется в формате GGUF и ориентирована на локальный запуск с различными уровнями квантования. Модель поддерживает английский язык и является vision-моделью, поэтому для работы с изображениями могут потребоваться дополнительные mmproj-файлы из статического репозитория. В README не указаны точные архитектурные характеристики, размер контекста и параметры мультимодального ввода. Доступны варианты квантования размером примерно от 1,2 до 3,3 ГБ; более компактные варианты экономят память, но могут заметно уступать в качестве, тогда как Q4_K_M обозначен как быстрый и рекомендуемый. К сильным сторонам относятся специализированная медицинская направленность, поддержка инструкций, мультимодальность и широкий выбор вариантов квантования для локального использования. Ограничения включают привязку заявленного языка к английскому, возможное снижение качества у низкобитных квантов и необходимость отдельно учитывать требования vision-компонента. Модель распространяется по лицензии Apache-2.0.