IV.4Клиническая медицина и общественное здоровье

Blood Test Explainer — MiniCPM-V 4.6 — компактная мультимодальная модель примерно на 1,3 млрд параметров, созданная для Build Small hackathon Романом и Димитрисом из American College of Greece / Deree AI Lab. Это дообученная версия openbmb/MiniCPM-V-4.6: LoRA обучали на языковых слоях, заморозив визуальный энкодер, а затем объединили с базовой моделью. Модель принимает фото или PDF бланка анализа крови и извлекает показатели, значения, единицы измерения, референсные диапазоны и отметки о повышенных или пониженных результатах в структурированный JSON; её можно запускать локально без подключения к сети. Модель предназначена для образовательного извлечения и объяснения результатов рутинных анализов крови. В описанной оценке на небольшой выборке размеченных бланков она показала F1 0,746, полноту 0,647 и точность 0,880; авторы отмечают, что результаты следует считать ориентировочными. Для объяснений приложение сочетает модель с курированной медицинской базой знаний. Лицензия — Apache-2.0, как у базовой модели. Модель может ошибаться при распознавании значений, особенно на зашумлённых сканах, а оценка проведена на небольшой выборке. Это образовательный инструмент, а не средство диагностики или замена консультации врача.

electramed-small-deid2014-ner-v3 — дообученная модель семейства ELECTRA, разработанная на базе giacomomiolo/electramed_small_scivocab и обученная на наборе i2b22014 для распознавания именованных сущностей в медицинских текстах. Она классифицирует токены и предназначена для задач деидентификации клинических записей. Модель содержит 20,4 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки токенов. В оценке на тестовой выборке i2b22014 достигла F1 0,7861, точности 0,7776 и полноты 0,7947; это указывает на возможные пропуски и ошибочную разметку сущностей. Опубликована в формате PyTorch под лицензией, указанной в метаданных Hugging Face.

神珍 (Monkey King Bang, MKB) — научная мультимодальная модель, представленная sais-org, предназначенная для совместного анализа и генерации данных в биологии, химии, науках о Земле и медицинской визуализации. В основе — дообученная Qwen3-VL-8B-Instruct; README указывает около 11 млрд параметров вместе с научными энкодерами и декодерами. Архитектура использует специализированные пути для белков, РНК, ДНК, молекулярных графов, погодных полей и медицинских изображений, объединённые общим языковым интерфейсом. Модель выполняет научные вопросы и классификацию, анализ последовательностей и молекул, проектирование последовательностей РНК, преобразование описаний молекул в SMILES, прогноз погоды на 10 дней по глобальным данным ERA5 и сегментацию медицинских изображений по текстовым подсказкам. Метаданные указывают поддержку диалога и изображений; README также описывает специализированный ввод научных структур и генерацию прогнозов, последовательностей и сегментационных результатов. Карточка приводит результаты бенчмарков в биологии, химии, прогнозе погоды и медицинской сегментации. Для запуска требуется код из сопутствующего репозитория, поскольку используется специальная мультимодальная архитектура. В README указаны лицензии Apache-2.0 и SAM License для соответствующего пути обработки изображений; метаданные Hugging Face обозначают лицензию как other, поэтому условия следует проверять отдельно для нужных компонентов.

OpenMed-PII-French-BioClinicalModern-Base-149M-v1 — модель OpenMed для обнаружения и классификации персональных данных в текстах на французском языке. Это дообученный ModernBERT с архитектурой для классификации токенов, 149 млн параметров и контекстом до 8192 токенов. Модель распознаёт 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Модель предназначена для поиска и удаления чувствительных данных во французских клинических записях, медицинских документах и других текстовых коллекциях, а также для подготовки наборов данных к исследованиям и поддержки проверок приватности. В оценке на французской части AI4Privacy указана микро-F1 0,9470. Модель выпущена под лицензией Apache-2.0. Это вспомогательный инструмент: пропуски PII возможны, поэтому важные результаты следует проверять человеком. Качество может снижаться при специализированной терминологии; модель оптимизирована для французского и может хуже работать на других языках.

OpenMed-ZeroShot-NER-Pharma-XLarge-770M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе BC5CDR-Chem для извлечения названий химических соединений, лекарств и терапевтических веществ. В карточке приведён результат F1 0,9463 на тестовом наборе BC5CDR-Chem. Модель предназначена для извлечения упоминаний химических веществ из научной литературы и медицинских текстов, в том числе как этап конвейеров фармаконадзора, поиска нежелательных реакций и анализа связей между химическими веществами и заболеваниями. Заявлена возможность zero-shot распознавания пользовательских типов сущностей, однако основное обучение и приведённая оценка относятся к химическим сущностям BC5CDR-Chem. Модель принимает текст и возвращает текстовые упоминания с метками сущностей. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка не сообщает длину контекста. Результаты на BC5CDR-Chem не гарантируют аналогичное качество на других типах сущностей, языках или клинических данных; пользовательские метки могут требовать настройки порога распознавания.

PaSa-7B-Crawler — языковая модель ByteDance Research для поиска научных статей. Карточка связывает модель с работой «PaSa: An LLM Agent for Comprehensive Academic Paper Search»; по метаданным это плотная архитектура Qwen2 на 7,1 млрд параметров, дообученная на Qwen/Qwen2.5-7B-Instruct. Модель предназначена для агентного поиска научных публикаций. Модель принимает текст и генерирует текст; метаданные указывают поддержку чата и контекст до 32 768 токенов. В карточке указан английский язык. Данных о конкретных инструментах поиска, полноте покрытия источников и качестве результатов нет. Лицензия — CC BY-NC-SA 4.0, с условиями атрибуции, распространения на тех же условиях и ограничением на коммерческое использование.

AX-3.1-Light-sft_v0_21 — корейская диалоговая модель на базе skt/A.X-3.1-Light, разработанная автором репозитория. Это плотная Llama-архитектура с 6,8 млрд параметров и контекстом до 32 768 токенов; модель принимает и генерирует текст. Она предназначена для ответов на вопросы и рассуждений по корейским учебным, медицинским, финансовым, юридическим и административным материалам, а также для задач на причинно-следственные связи. Дообучение на 5 801 примере из наборов AI Hub изменило формат ответов: модель должна сначала давать ответ, затем приводить обоснование не более чем в одном предложении. LoRA-адаптер обучен один этап и слит с базовой моделью; архитектура не менялась. В локальных проверках на открытых наборах модель снизила частоту ошибок формата до 0–0,3%, но эти результаты не являются официальными оценками K-AI Leaderboard. В карточке указана лицензия «other» без её условий, поэтому перед использованием следует проверить лицензионные условия базовой модели и репозитория. Модель ориентирована на корейский язык; результаты за пределами описанных корейских задач не подтверждены.

Это модель для распознавания химических веществ и заболеваний в биомедицинском тексте. Она дообучена пользователем ghadeermobasher на базе BiomedNLP-PubMedBERT для задачи классификации токенов; название указывает на сбалансированную версию для набора BC5CDR. Модель использует архитектуру BERT, содержит 136,7 млн параметров и принимает контекст длиной до 512 токенов. Модель предназначена для извлечения упоминаний химических веществ и болезней из научных публикаций и других биомедицинских текстов на английском языке. Она возвращает метки для токенов, что позволяет выделять найденные сущности. Доступна в формате PyTorch. Условия лицензии карточки не удалось подтвердить.

siddharthtumre/biobert-finetuned-ner — модель на базе BioBERT, дообученная для распознавания именованных сущностей в биомедицинских текстах. Использует архитектуру BERT для классификации токенов, содержит 135,5 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель обучена на наборе JNLPBA. На приведённой в карточке оценочной выборке она достигла F1 0,7056, точности 0,6551, полноты 0,7646 и accuracy 0,9108. Её можно применять для извлечения биомедицинских сущностей из научных текстов. В README не приведены подробности о категориях сущностей и практических ограничениях; лицензия в доступных данных не указана.

Карточка модели EdgeAIMed/EdgeAIMed-PII-French-SuperClinical-Small-44M-v1 на Hugging Face совпадает с карточкой OpenMed/OpenMed-PII-French-SuperClinical-Small-44M-v1, поэтому описание составлено по ней. OpenMed-PII-French-SuperClinical-Small-44M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных во французском тексте. Это дообученная на token classification компактная модель семейства DeBERTa V3 Small с архитектурой DeBERTa V2; по метаданным она содержит 155 млн параметров и обрабатывает до 512 токенов контекста за раз. Модель размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные и финансовые данные, а также сведения из медицинских документов. Её можно использовать для поиска PII в клинических записях, деидентификации документов и подготовки наборов данных к исследованиям. В README приведён результат Micro F1 0,9628 на французской части AI4Privacy; это оценка на указанном наборе, а не гарантия качества на других данных. Модель предназначена для автоматической помощи в выявлении чувствительных данных, но результат следует проверять человеком: возможны пропуски, а качество может зависеть от терминологии и предметной области. Она оптимизирована для французского и может хуже работать на других языках. Лицензия — Apache-2.0.

electramed-small-BC5CDR-ner — модель семейства ELECTRA, разработанная путём дообучения giacomomiolo/electramed_small_scivocab на наборе BC5CDR. Она предназначена для разметки токенов и распознавания сущностей в биомедицинских текстах, связанных с химическими веществами и заболеваниями. Модель содержит 20,4 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. В README приведены результаты на оценочном наборе BC5CDR: F1 0,8444, точность 0,8092 и полнота 0,8829. Лицензия в предоставленных данных не указана.

Llama-Doctor-3.2-3B-Instruct — языковая модель для генерации текста и диалоговых ответов, созданная PrithivMLmods дообучением Meta Llama 3.2 3B Instruct на датасете avaliev/chat_doctor. Она предназначена для следования инструкциям и ответов в разговорных сценариях, в том числе на медицинские и технические вопросы. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 3,2 млрд параметров и принимает текстовые запросы, выдавая текст. Для неё указано окно контекста 131 072 токена; карточка называет Transformers и PyTorch для работы с моделью. Модель может использоваться в чат-ботах, виртуальных помощниках и инструментах генерации объяснений, кратких пересказов и ответов на вопросы. Специализированный обучающий набор ориентирован на диалоги с врачом, однако описание не подтверждает медицинскую точность или пригодность для принятия клинических решений. Лицензия — llama3.2; применяются условия лицензии Meta Llama 3.2.

Medtulu-2x7b — языковая модель для генерации текста, собранная Technoculture как смесь экспертов (MoE) на архитектуре Mixtral. В README названы компоненты: Technoculture/MT7Bi-dpo и allenai/tulu-2-dpo-7b; всего в метаданных указано 6,6 млрд параметров, контекст — 2048 токенов. Модель может использоваться для генерации ответов и текста в диалоговых сценариях. Название и приведённые в README медицинские бенчмарки указывают на медицинскую тематику, однако таблица результатов не заполнена, поэтому качество в этой области по карточке оценить нельзя. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

OpenMed-NER-ChemicalDetect-BioMed-109M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученный трансформер на архитектуре BERT с 136,7 млн параметров, основанный на BiomedNLP-BiomedELECTRA-base-uncased-abstract. Модель выполняет токенную классификацию и присваивает токенам метки B-CHEM и I-CHEM; контекст — до 512 токенов. Модель обучена на корпусе BC4CHEMD и предназначена для извлечения названий химических соединений и веществ из научных публикаций, клинических записей и других медицинских документов. Её можно использовать для анализа упоминаний препаратов, мониторинга нежелательных явлений, поиска по биомедицинской литературе и построения графов знаний. README сообщает о F1 0,95 на BC4CHEMD, но не приводит подробностей независимой проверки этих показателей. Модель обрабатывает англоязычный текст и распространяется под лицензией Apache-2.0. Она выдаёт разметку химических сущностей, но не устанавливает взаимодействия препаратов, причинность нежелательных явлений или клиническую значимость найденных упоминаний.

OpenMed-NER-DNADetect-SuperClinical-434M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученный трансформер DeBERTa v2 для классификации токенов; в README базовая архитектура названа DeBERTa v3 Large. Модель принимает токенизированный текст и возвращает BIO-разметку для белков, ДНК, РНК, клеточных линий и типов клеток. Размер по метаданным — 533,8 млн параметров, длина контекста — 512 токенов; заявлена поддержка английского языка. Модель предназначена для извлечения сущностей из биомедицинских публикаций и клинических текстов, включая анализ медицинских записей, мониторинг нежелательных явлений, поиск по научной литературе и построение биомедицинских баз знаний. В README приведён результат F1 0,8188 на JNLPBA. Лицензия — Apache-2.0. Качество на иных жанрах и типах текста может отличаться от результата на JNLPBA; распознавание химических соединений и лекарств не входит в перечисленные метки сущностей.

OpenMed/OpenMed-NER-OncologyDetect-BigMed-278M — модель распознавания биомедицинских сущностей, разработанная OpenMed и дообученная на корпусе BioNLP 2013 CG для задач онкологии и генетики рака. Это модель XLM-RoBERTa для классификации токенов: она принимает текст и выдаёт BIO-разметку, выделяя гены и продукты генов, рак, химические вещества, ткани, органы и другие биомедицинские сущности. Размер модели — 305,2 млн параметров, длина контекста — 514 токенов; в карточке указан английский язык. Модель подходит для извлечения сущностей из научной литературы и медицинских текстов, включая поиск генетических маркеров и анализ онкологических исследований. В README приведены F1 0,79, точность 0,79, полнота 0,80 и accuracy 0,89 на описанной оценке; эти результаты не гарантируют аналогичного качества на других корпусах или клинических документах. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Pharma-Medium-209M — модель OpenMed для извлечения упоминаний химических веществ из биомедицинских текстов. Она построена на архитектуре GLiNER и дообучена на корпусе BC5CDR-Chem, содержащем аннотации химических соединений в аннотациях PubMed. Размер модели — 209 млн параметров; формат весов — PyTorch. Модель предназначена для распознавания химических соединений, лекарств и терапевтических веществ в научной и медицинской литературе. Извлечённые сущности можно использовать в системах фармаконадзора, поиска нежелательных реакций и последующего анализа связей «химическое вещество — заболевание». GLiNER позволяет задавать типы сущностей при запросе, однако заявленная специализация этой версии — химические сущности BC5CDR-Chem. В README приведён результат F1 0,9457 на тестовом наборе BC5CDR-Chem. Модель принимает текст и выдаёт найденные сущности с метками. В метаданных указан английский язык. Лицензия Apache-2.0. Результаты на специализированном корпусе не гарантируют такую же точность на других типах текстов и сущностей; качество для произвольных пользовательских меток может зависеть от порога извлечения.

Модель padmalcom/wav2vec2-large-nonverbalvocalization-classification — классификатор аудио на базе архитектуры wav2vec2, разработанный для распознавания невербальных вокализаций. Она относит звуковой фрагмент к одному из 16 классов: стук зубами, скрежет зубами, щёлканье языком, сморкание, кашель, зевок, прочищение горла, вздох, хлопок или причмокивание губами, учащённое дыхание, плач, смех, чихание, стон или крик. Модель принимает аудио и выдаёт класс вокализации. В карточке она обозначена как независимая от языка; метаданные также указывают мультиязычную поддержку. Размер модели — около 402,7 млн параметров. Она может применяться для автоматической разметки звуковых событий в аудиозаписях. Репозиторий распространяется по лицензии Apache-2.0.

BC5CDR_BlueBERT_NER — англоязычная модель для распознавания именованных сущностей в биомедицинских текстах. Она разработана на основе bionlp/bluebert_pubmed_mimic_uncased_L-12_H-768_A-12 и дообучена для классификации токенов с метками Chemical и Disease. Модель содержит 136,7 млн параметров, использует архитектуру BERT и принимает контекст длиной до 512 токенов. Модель подходит для извлечения названий химических веществ и заболеваний из научных публикаций и других биомедицинских текстов. На оценочном наборе в карточке указаны F1 0,87 для Chemical и 0,83 для Disease. Доступна по лицензии CC0-1.0. README не описывает состав обучающих данных и дополнительные сценарии применения.

ghadeermobasher/BC5CDR-Chemical-Disease-balanced-biobert-base-cased-v1.2 — модель BioBERT от ghadeermobasher для распознавания сущностей в научно-медицинских текстах. По названию и идентификатору она предназначена для выделения названий химических соединений и заболеваний; Hugging Face указывает задачу token-classification и архитектуру BERT с головой BertForTokenClassification. Модель содержит 135,5 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате PyTorch. Она подходит для извлечения химических веществ и заболеваний из биомедицинских публикаций. Карточка модели не содержит описания, сведений о языках или лицензии, поэтому эти характеристики нельзя надёжно установить.

CeLLaTe-ner-2class-tapt-pubmedbert-tokenizer-adapted-combinedData — англоязычная BERT-модель для классификации токенов, разработанная Mardiyyah и дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Она предназначена для извлечения сущностей из текста с разметкой IOB; карточка указывает два класса, но не раскрывает их значения. Базовая модель была адаптирована на биомедицинских текстах для предсказания замаскированных токенов. Модель содержит 138,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для токенов. На указанной оценочной выборке достигла micro F1 0,7541 и accuracy 0,9841. Распространяется по лицензии Apache-2.0.

Rayyan Medical Coding Model — дообученная RayyanAhmed9477 модель на базе Microsoft Phi-3 для извлечения медицинских кодов из клинических записей. Она предназначена для автоматизации кодирования документации и поддержки процессов выставления счетов, проверки качества и подготовки аудита. По README модель извлекает коды ICD-10, CPT и HCPCS, учитывает контекст документа и может выдавать оценки уверенности. Метаданные указывают архитектуру Phi-3, 3,7 млрд параметров, контекст до 4096 токенов и формат SafeTensors; README приводит противоречивую оценку контекста в 128K токенов, поэтому ориентироваться следует на значение из метаданных. Модель принимает клинический текст и генерирует коды и связанные с ними пояснения или оценки. Карточка заявляет локальный запуск и применение в медицинских рабочих процессах, но не предоставляет проверяемых результатов оценки. Лицензия — MIT.

Это дообученная модель классификации текста на основе BERT Base Uncased, опубликованная пользователем lucienbaumgartner. По названию она предназначена для многометочной классификации текстов о психическом здоровье. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В README приведены метрики оценки: macro F1 0,9961 и micro F1 0,9920. Датасет и набор меток не описаны, поэтому результаты нельзя интерпретировать без сведений о тестовом наборе, а соответствие модели конкретным сценариям психического здоровья требует отдельной проверки. Модель распространяется по лицензии Apache-2.0.

OpenMed разработала специализированную модель распознавания химических сущностей в биомедицинских текстах. Это дообученная ModernBERT-large с 394,7 млн параметров для токеновой классификации: она выделяет названия химических соединений и веществ тегами B-CHEM и I-CHEM. Модель обучена на корпусе BC4CHEMD и принимает токенизированный текст; контекст — до 8192 токенов. Модель подходит для извлечения химических соединений из научных публикаций, медицинских записей и других биомедицинских документов, например для поиска лекарств в записях пациентов, анализа литературы и построения биомедицинских графов знаний. В README приведены показатели на BC4CHEMD: F1 0,93, точность 0,92 и полнота 0,94; результаты зависят от текста и области применения, поэтому для критичных клинических сценариев их следует проверять отдельно. Доступна в формате safetensors по лицензии Apache-2.0.

OpenMed разработала OpenMed-NER-DiseaseDetect-TinyMed-66M — дообученную модель DistilBERT для распознавания упоминаний заболеваний в биомедицинских текстах. Она обучена на наборе BC5CDR-Disease и размечает сущности тегами B-DISEASE и I-DISEASE, возвращая BIO-разметку токенов. Модель подходит для извлечения заболеваний из научных аннотаций и медицинских документов, а также для последующего анализа упоминаний в биомедицинских исследованиях. В README приведены результаты на BC5CDR-Disease: F1 0,88, точность 0,87 и полнота 0,89. Контекст составляет 512 токенов; модель принимает токенизированный текст и выдаёт метки для токенов. Модель доступна в формате Safetensors и лицензирована по Apache-2.0. Она ориентирована на английские тексты и распознаёт только сущности заболеваний; результаты требуют проверки при использовании в клинических процессах и на данных, отличающихся от обучающего корпуса.

OpenMed-NER-DNADetect-BioClinical-108M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученный трансформер на архитектуре Bio_ClinicalBERT, представленный в виде BertForTokenClassification; по метаданным модель содержит 135,5 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате safetensors. Модель размечает упоминания белков, ДНК, РНК, клеточных линий и типов клеток BIO-тегами. Она предназначена для извлечения таких сущностей из клинических записей и научных публикаций, а также для поиска и структурирования биомедицинской информации. В README указаны обучение на корпусе JNLPBA и результаты на нём: F1 0,81, точность 0,76, полнота 0,86 и accuracy 0,91. Модель работает с англоязычным текстом и рассчитана на задачи биомедицинской обработки естественного языка. Она не генерирует ответы и может ошибаться при переносе на тексты и типы сущностей, отличающиеся от обучающих данных; показатели в карточке относятся к JNLPBA. Лицензия — Apache-2.0.

Это модель для разметки биомедицинского текста, опубликованная пользователем ghadeermobasher на Hugging Face. Она выполняет распознавание сущностей в последовательности токенов, в частности химических веществ и заболеваний в корпусе BC5CDR; название указывает на использование SapBERT, построенного на PubMedBERT с обучением на полнотекстовых статьях. Модель основана на архитектуре BERT и содержит около 136,7 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для извлечения упоминаний химических веществ и заболеваний из биомедицинских публикаций и подобных текстов на английском языке. Это специализированная модель разметки токенов, а не универсальная модель для генерации текста. Данных о лицензии для этой конкретной карточки недостаточно, чтобы указать условия использования.

bert-covidqa-3 — англоязычная модель BERT, дообученная разработчиком репозитория hung200504 на наборе covid_qa_deepset для извлечения ответов на вопросы из предоставленного текста. Она использует архитектуру BertForQuestionAnswering и рассчитана на контекст длиной до 512 токенов. В метаданных указан размер 136,7 млн параметров и формат PyTorch; на оценочной выборке модель показала значение loss 0,3717. Модель подходит для поиска ответов в текстах о COVID-19 и других материалах, похожих на обучающие данные. Она наследует англоязычную основу deepset/bert-base-uncased-squad2. Лицензия — CC BY 4.0. Карточка не описывает ограничения и детали обучения, поэтому качество за пределами указанного набора данных по приведённым сведениям оценить нельзя.

Mardiyyah/CeLLaTe-ner-2class-pubmedbert-tapt-tokenizer-adapted-spanmask-comData-lr_2 — англоязычная BERT-модель для классификации токенов, дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Она предназначена для выделения и разметки сущностей в биомедицинском тексте. Модель содержит 138,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и опубликована в формате safetensors для библиотеки Transformers. В карточке приведены результаты оценки: micro F1 0,7577, precision 0,7753, recall 0,7408 и accuracy 0,9841. Эти показатели относятся к указанному evaluation set и не гарантируют аналогичное качество на других данных. Модель распространяется по лицензии Apache-2.0.

CeLLaTe-ner-2class-reinitllrd-pubmedbert-tapt-tokenizer-adapted-spanmask-gazetters-lr_4.169 — англоязычная модель распознавания сущностей на уровне токенов, разработанная как дообучение Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Модель построена на BERT и содержит 138,2 млн параметров; максимальный контекст — 512 токенов. Модель предназначена для разметки токенов в биомедицинских текстах двумя классами. На оценочной выборке указаны micro F1 0,7899, macro F1 0,7958 и точность 0,9855. Использует Apache-2.0; подробное описание меток и ограничений в карточке не приведено.