IV.4Клиническая медицина и общественное здоровье

MedVAE — семейство из шести масштабных обобщаемых вариационных автоэнкодеров (VAE) для медицинских изображений, разработанное StanfordMIMI и представленное в работе Maya Varma и соавторов. Модели обучены более чем на одном миллионе медицинских изображений и предназначены для кодирования изображений в уменьшенные латентные представления и последующего декодирования этих представлений обратно в изображения высокого разрешения. В семейство входят 2D-модели для рентгеновских изображений грудной клетки и молочных желез (FFDM), а также 3D-модели для MRI и CT всего тела. Доступны варианты с одним или тремя каналами и коэффициентами сжатия 16, 64 и 512. Латентные представления можно использовать при обучении последующих моделей вместо исходных изображений высокого разрешения: по данным авторов, это обеспечивает прирост пропускной способности до 70 раз при сохранении клинически значимых признаков. Декодирование выполняется с высокой точностью. Модель ориентирована на повышение вычислительной эффективности задач анализа медицинских изображений и на восстановление изображений из латентных представлений. Ограничения связаны с узкой специализацией на поддерживаемых медицинских модальностях и анатомических областях; README не приводит подробностей о точных размерах моделей, разрешениях, метриках качества и языковой поддержке. Распространяется по лицензии MIT.

Модель tner/xlm-roberta-base-uncased-bc5cdr — вариант XLM-RoBERTa, дообученный для распознавания именованных сущностей (NER) в биомедицинских текстах набора BC5CDR. Она предназначена для токенной разметки упоминаний химических веществ и заболеваний, например при извлечении сущностей из научных аннотаций. Модель основана на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; максимальный контекст — 514 токенов. Репозиторий содержит веса PyTorch. Модель принимает текст и размечает его токены, поэтому её можно использовать для извлечения биомедицинских сущностей из документов и подготовки данных для последующего анализа. README указывает на дообучение XLM-RoBERTa для NER и отсылает за подробностями к проекту TNER. Сведения о лицензии в доступных материалах отсутствуют.

CeLLaTe-ner-2class-tapt-pubmedbert-tokenizer-adapted-wwmask — англоязычная BERT-модель для классификации токенов, созданная дообучением Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Она предназначена для распознавания сущностей в биомедицинских текстах; карточка сообщает результаты оценки: micro F1 0,7663, weighted F1 0,7667 и accuracy 0,9842. Модель содержит 138,2 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и выдаёт метки токенов. Распространяется по лицензии Apache-2.0. Карточка не уточняет схему и классы сущностей, поэтому перед применением следует сверить метки модели с целевой задачей.

CeLLaTe-ner-3class-pubmedbert-tapt-tokenizer-adapted-baseline — англоязычная модель для разметки последовательностей на основе BERT, разработанная Mardiyyah. Она дообучена на датасете OTAR3088/CeLLaTe-ner-3class-iob_final и предназначена для распознавания трёх классов именованных сущностей в биомедицинских текстах. Модель содержит 138,2 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и выдаёт метки токенов. На указанной в карточке оценочной выборке модель получила micro F1 0,7675, precision 0,7835 и recall 0,7522. Использование распространяется по лицензии Apache-2.0.

Карточка модели EdgeAIMed/EdgeAIMed-NER-ChemicalDetect-PubMed-335M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-ChemicalDetect-PubMed-335M, поэтому описание составлено по ней. OpenMed-NER-ChemicalDetect-PubMed-335M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученный трансформер архитектуры BERT с 433,9 млн параметров, основанный на BiomedNLP-BiomedBERT-large-uncased-abstract. Модель принимает токенизированный текст и присваивает токенам BIO-метки B-CHEM и I-CHEM; максимальная длина контекста — 512 токенов. Модель обучена на корпусе BC4CHEMD с аннотациями химических упоминаний в научных публикациях PubMed. Её можно применять для извлечения названий соединений из биомедицинской литературы и медицинских записей, поиска упоминаний лекарств и подготовки данных для фармакологических исследований и графов знаний. В README приведены результаты на BC4CHEMD: F1 0,954, точность 0,950 и полнота 0,958. Карточка указывает совместимость с Transformers и лицензию Apache-2.0. Модель рассчитана на английские биомедицинские тексты и химические сущности; качество на других языках и вне этой области не подтверждено. Результаты из карточки относятся к указанному корпусу и не гарантируют качество в каждом клиническом или исследовательском сценарии.

OpenMed-NER-GenomeDetect-BigMed-560M — модель OpenMed для распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученный трансформер XLM-RoBERTa для классификации токенов с 658,7 млн параметров и контекстом до 514 токенов. Модель размечает найденные упоминания тегами BIO типов B-GENE/PROTEIN и I-GENE/PROTEIN; репозиторий содержит веса в формате safetensors. Модель предназначена для извлечения генов и белков из научных статей, медицинской документации и других биомедицинских текстов. Её можно применять для поиска сущностей в литературе, анализа клинических записей и построения биомедицинских баз знаний. В README приведены результаты на BC2GM: F1 0,88, точность 0,87 и полнота 0,88; эти показатели относятся к указанному корпусу и не гарантируют такое же качество на других текстах. Обучение описано на корпусе BC2GM. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-GenomeDetect-SuperClinical-141M — дообученную модель DeBERTa-v2 для распознавания упоминаний генов и белков в биомедицинских текстах. Модель выполняет token classification: присваивает токенам метки B-GENE/PROTEIN и I-GENE/PROTEIN, которые можно объединить в извлечённые сущности. Модель предназначена для анализа клинических документов и научной литературы, включая извлечение генов и белков из медицинских записей и построение биомедицинских баз знаний. Она обучена на корпусе BC2GM; в карточке указаны F1 0,87, точность 0,86, полнота 0,88 и accuracy 0,96. Архитектура — DeBERTa-v2 с 155 млн параметров, контекст — до 512 токенов. Прикладной язык — английский. Модель принимает токенизированный текст и выдаёт BIO-разметку токенов. Лицензия — Apache-2.0. Показатели качества приведены для BC2GM и не гарантируют такую же точность на клинических записях или других корпусах; распознаваемые типы сущностей ограничены генами и белками.

OpenMed-NER-GenomeDetect-SuperClinical-434M — модель OpenMed для распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученный трансформер DeBERTa для классификации токенов; в README базовая архитектура указана как deberta-v3-large. По метаданным модель содержит 533,8 млн параметров, принимает последовательности токенов и имеет контекст до 512 токенов. Модель размечает сущности тегами B-GENE/PROTEIN и I-GENE/PROTEIN. Она предназначена для извлечения генов и белков из научных публикаций и клинических текстов, например для поиска по литературе и построения биомедицинских баз знаний. В README приведены результаты на BC2GM: F1 0,901, точность 0,895 и полнота 0,907; эти показатели относятся к указанному набору данных и не гарантируют такого же качества на других текстах. Поддерживается английский язык. Модель распространяется по лицензии Apache-2.0.

PubMedBERT_BC5CDR_NER_new — дообученная модель на архитектуре BERT для распознавания именованных сущностей в биомедицинских текстах. Она основана на microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext и содержит около 136,7 млн параметров. Модель принимает текст и помечает в нём токены; максимальная длина контекста — 512 токенов. В README приведены результаты на оценочном наборе: F1 0,9839, точность 0,9857 и полнота 0,9821. Название указывает на BC5CDR NER, однако описание набора данных и меток в карточке отсутствует. Модель выпущена под лицензией MIT; её назначение и качество за пределами указанной оценки отдельно не описаны.

Модель StivenLancheros — дообученная RoBERTa-base для распознавания именованных сущностей в биомедицинских и клинических текстах. Она выделяет шесть типов сущностей: последовательности, клетки, белки, гены, таксоны и химические вещества. Модель обучалась на корпусе CRAFT, включая исходные английские данные, машинный перевод корпуса на испанский и данные с заменой части сущностей; обучение выполнялось в два этапа с переносом обучения. Модель принимает текст и возвращает разметку токенов с типами сущностей. Она предназначена для извлечения биомедицинских сущностей из англоязычных и испаноязычных текстов; заявленные на тестовом наборе CRAFT показатели F1 — 0,8639 и точность — 0,9734. Размер модели — 153,2 млн параметров, контекст — до 514 токенов. Распространяется в формате PyTorch по лицензии Apache-2.0.

SaProt 1.3B AF2 — модель семейства ESM для работы с белковыми последовательностями, представленная репозиторием westlake-repl. В README указана версия SaProt на 1,3 млрд параметров; метаданные репозитория указывают 1,7 млрд параметров, архитектуру EsmForMaskedLM и контекст длиной 1026 токенов. Модель доступна в формате PyTorch и предназначена для предсказания свойств белков и оценки эффектов вариантов последовательностей. В README приведены результаты на ClinVar, ProteinGym и Mega-scale, сопоставимые с SaProt 650M; это указывает на применение в анализе вариантов и задачах предсказания эффектов мутаций. Лицензия — MIT. Карточка не описывает конкретные ограничения или подробности входного представления.

Карточка модели sschet/biobert_chemical_ner на Hugging Face совпадает с карточкой alvaroalon2/biobert_chemical_ner, поэтому описание составлено по ней. Это модель BioBERT, дообученная alvaroalon2 для распознавания химических веществ в биомедицинских текстах. Она решает задачу распознавания именованных сущностей (NER) и предназначена для использования в системах BioNER/BioNEN. Обучение проводилось на корпусах BC5CDR-chemicals и BC4CHEMD. Модель основана на архитектуре BERT, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Она размечает текстовые фрагменты, относящиеся к химическим веществам; заявленный язык — английский. Доступны веса в форматах PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

digitalepidemiologylab/covid-twitter-bert-v2-mnli — модель семейства BERT для классификации текстов без предварительно размеченных примеров. Она предназначена для исследователей и аналитиков, которым нужно классифицировать твиты о COVID-19 по заданным категориям, например определять, связан ли текст с вакцинами. Категории задаются формулировками вроде «Этот текст о вакцинах», а модель оценивает соответствие текста каждой из них. Модель основана на CT-BERT и дообучена на данных MNLI для zero-shot-классификации по схеме распознавания текстовых следствий. Она принимает текст и названия или описания категорий; контекстное окно — 512 токенов. В метаданных указано 433,9 млн параметров, а среди доступных форматов — PyTorch и Flax. Основной язык карточки — английский, поэтому применение к другим языкам не подтверждено. Формулировка категорий влияет на результаты. README отмечает, что обучение на размеченных примерах, вероятно, даст более высокую точность. Модель распространяется по лицензии MIT.

OpenMed-NER-GenomeDetect-ModernClinical-149M — модель OpenMed для распознавания упоминаний генов и белков в биомедицинском тексте. Это дообученный трансформер ModernBERT для классификации токенов: он присваивает токенам BIO-метки B-GENE/PROTEIN и I-GENE/PROTEIN, чтобы выделять границы сущностей. Модель содержит 149 млн параметров, принимает токенизированный текст и поддерживает контекст до 8192 токенов. Модель обучена на корпусе BC2GM и предназначена для извлечения генов и белков из научной литературы и клинических документов. Её можно применять для поиска биомедицинских сущностей в публикациях, анализа медицинских записей и построения баз знаний. В README указаны F1 0,85, точность 0,84 и полнота 0,86 на BC2GM; результаты на других типах текстов не приведены. Модель распространяется по лицензии Apache-2.0.

b09501048/rtdetr2 — дообученная модель обнаружения объектов на основе PekingU/rtdetr_r50vd_coco_o365. Она предназначена для поиска объектов и определения их рамок на изображениях; среди классов в отчёте оценки указаны люди, части тела, средства индивидуальной защиты и медицинская одежда. Модель использует архитектуру RT-DETR и доступна в формате safetensors для библиотеки Transformers. В README приведены результаты оценки: mAP 0,2766 и mAP@50 0,439; качество различается по классам. Набор данных для дообучения не назван, поэтому результаты нельзя уверенно переносить на другие изображения и условия съёмки. Лицензия — Apache-2.0.

CeLLaTe-ner-2class — англоязычная модель на архитектуре BERT для классификации токенов в биомедицинском тексте. Она дообучена на Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask с набором OTAR3088/CeLLaTe-ner-2class-iob_final и предназначена для извлечения сущностей с разметкой IOB в задаче NER. Модель содержит 138,2 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате Safetensors через Transformers. На оценочном наборе указаны micro F1 0,755, macro F1 0,7691 и точность 0,9837. Высокая точность при более умеренных показателях F1 означает, что для практического применения качество извлечения стоит проверять на целевых текстах. Лицензия — Apache-2.0.

CeLLaTe-ner-2class-tapt-pubmedbert-tokenizer-adapted-baseline — англоязычная модель BERT для распознавания сущностей на уровне токенов в биомедицинских текстах. Она дообучена Mardiyyah на датасете OTAR3088/CeLLaTe-ner-2class-iob_final поверх Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-baseline. Модель содержит 138,2 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате safetensors для библиотеки Transformers. На оценочном наборе указаны micro F1 0,7627, macro F1 0,7710 и точность 0,9842. Модель подходит для выделения биомедицинских сущностей, но карточка не описывает набор классов и ограничения, поэтому результаты на других данных могут отличаться. Лицензия — Apache-2.0.

Модель thealper2/flan-t5-base-medal-abbreviation-expansion разработана на основе google/flan-t5-base и дообучена на подмножестве MeDAL для раскрытия медицинских сокращений с учётом контекста. На вход подаются контекстное окно и сокращение, на выходе модель генерирует его полную расшифровку. Это текстовая модель семейства T5 с архитектурой T5ForConditionalGeneration, содержащая 123,8 млн параметров; базовая модель поддерживает несколько языков, но эта версия предназначена для английских медицинских текстов. Нативная длина контекста — 512 токенов. На тестовой выборке MeDAL точность Exact Match составила 41,87%; в оценке контекстный вариант заметно превзошёл вариант без контекста. Модель обучалась на аннотациях к публикациям PubMed, поэтому её качество на клинических записях не проверено. Метки датасета могут быть шумными, входы с обычной пунктуацией и регистром могут отличаться от обучающих данных, а сгенерированные формулировки могут не совпадать с каноническими вариантами. Модель не валидирована для клинического применения. Лицензия — Apache-2.0.

Это плотная языковая модель HyperCLOVAX-SEED-Think-14B на 14,1 млрд параметров, созданная на основе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Разработчик обучил три специализированных LoRA на корейских данных по медицинским знаниям, числовому машинному чтению и причинно-следственному рассуждению, а затем объединил их методом DARE-TIES. Модель сохранена как самостоятельные веса BF16 в формате safetensors, поэтому отдельный адаптер не требуется; используется исходный шаблон чата базовой модели. Модель предназначена для генерации корейского текста в формате диалога и ответов на вопросы с выбором из четырёх вариантов. Она ориентирована на тестовые и оценочные сценарии, включая вопросы по медицинским знаниям, числовые задачи и причинно-следственное рассуждение. Карточка сообщает, что в проверке формата на 240 заданиях ответ присутствовал во всех выходах; это не подтверждает общую точность модели. Контекст составляет 131072 токена. Результаты могут быть неточными, поэтому модель не следует использовать как единственное основание для медицинских, юридических или финансовых решений. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

Модель dsfsi/nllb_200_distilled_600m-amh-eng — дообученная версия facebook/nllb-200-distilled-600M из проекта AfriScience-MT для машинного перевода научных текстов с амхарского на английский. Она построена на архитектуре M2M100 с последовательной обработкой входа и генерацией перевода; содержит 463,7 млн параметров и рассчитана на контекст до 1024 токенов. В README указано ограничение входа в 256 токенов, поэтому более длинные тексты рекомендуется делить на фрагменты. Модель предназначена прежде всего для перевода научных аннотаций и статей. На тестовом наборе AfriScience-MT указаны BLEU 36,13, chrF 60,12 и SSA-COMET 67,58. Она может хуже работать с разговорным и неформальным текстом; заявлена поддержка только направления амхарский → английский. Лицензия — Apache-2.0.

make1love/Qwen3-1.7B-base-MED — текстовая генеративная модель семейства Qwen3 с 1,7 млрд параметров, доступная через библиотеку Transformers. В метаданных она классифицирована для задачи text-generation и имеет контекстное окно до 32 768 токенов. По названию репозитория модель ориентирована на медицинский вариант базовой модели, однако README не содержит подтверждённых сведений о разработчике, составе данных, методе обучения или результатах оценки. Модель может использоваться как основа для генерации и продолжения текста, а также для последующей адаптации под медицинские текстовые сценарии, например извлечение или подготовку черновиков медицинской информации. Поддерживаемые языки в предоставленных данных не определены. Лицензия в README и метаданных не указана, поэтому условия распространения и коммерческого использования необходимо уточнить до применения.

BiomedBERT-large — англоязычная языковая модель семейства BERT, разработанная Microsoft Research и предварительно обученная с нуля на аннотациях статей из PubMed. Модель предназначена для биомедицинского текста; её задача по карточке — предсказывать замаскированные токены в тексте (fill-mask), что можно использовать для анализа и подготовки текстовых представлений в NLP-сценариях. Модель имеет архитектуру BertForMaskedLM и содержит около 433,9 млн параметров. Она принимает текст и выдаёт предсказания токенов; максимальная длина контекста — 512 токенов. Обучение на биомедицинских аннотациях ориентирует её на терминологию этой области. Распространяется по лицензии MIT.

Hemg разработал модель Face-Mask-Detection — дообученную версию Vision Transformer google/vit-base-patch16-224-in21k для классификации изображений. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для распознавания классов, связанных с ношением маски на лице, на изображениях. В README для оценочного набора указаны точность 0,9953 и значение loss 0,0239; состав набора и схема классов не описаны.

FineMed Medical-Entity Extractor (FR) — модель DoctoLlib для извлечения медицинских сущностей из франкоязычных медицинских документов и веб-текстов. Она размечает фрагменты текста по восьми классам таксономии, адаптированной из UMLS, включая заболевания, лекарства и части тела. Модель используется для вычисления плотности медицинских терминов в корпусе FineMed-fr: доли символов документа, покрытых извлечёнными фрагментами. Это GLiNER2, дообученная на аннотациях, созданных и проверенных LLM; базовая модель — fastino/gliner2-multi-v1. Для расчёта показателя FineMed-fr авторы рекомендуют обрабатывать среднее окно длиной 512 токенов. Модель предназначена для корпусной разметки французских медицинских текстов, а не для клинических решений или исчерпывающего извлечения сущностей из целого документа. Распространяется по лицензии Apache-2.0.

youngseok12/HCX-SEED-Think-14B-specialist-r1-ta_sum — слитая версия HyperCLOVAX-SEED-Think-14B, подготовленная разработчиком youngseok12. Три LoRA-адаптера для корейских медицинских знаний, числового машинного чтения и причинно-следственных рассуждений объединены методом Task Arithmetic с линейными весами 1.0. Итоговая плотная модель содержит 14,1 млрд параметров и распространяется как самостоятельные BF16-веса safetensors, поэтому отдельный адаптер для запуска не нужен. Модель предназначена для генерации ответов в формате диалога и выбора одного варианта из четырёх с кратким ответом в начале. Карточка сообщает о тестировании формата на 240 примерах публичных бенчмарков: ответ был указан во всех генерациях, средняя длина составила 20 токенов. Обучающие данные для трёх адаптеров включали по 3000 примеров; публичные тестовые наборы напрямую не использовались. Контекстная длина базовой модели — 131072 токена. Основной язык карточки — корейский. Автор позиционирует модель для исследований и оценки; её ответы могут быть неточными, поэтому она не подходит как единственное основание для медицинских, юридических или финансовых решений. Лицензия указана как other, без дополнительных условий в предоставленных данных.

ianpan/mammo-crop — специализированная модель для автоматического кадрирования маммограмм, разработанная автором репозитория ianpan. Она находит границы полезной области снимка, чтобы убрать лишний фон; лёгкая архитектура использует дообученную MobileNetV3 Small 1.0 и предсказывает нормализованные координаты прямоугольника в формате xywh. Модель принимает изображения маммографии и выдаёт координаты области кадрирования. Обучение и проверка проводились на 54 706 скрининговых маммограммах из соревнования RSNA Screening Mammography Breast Cancer Detection с разбиением 90/10. Валидационные средние абсолютные ошибки нормализованных координат составили 0,0032 для x, 0,0030 для y, 0,0054 для ширины и 0,0088 для высоты. Для входа ожидаются значения пикселей 0–255; DICOM-снимки следует преобразовать в 8-битные изображения и предварительно обработать. Автор отмечает, что кадрирование не гарантировано безошибочным. Модель распространяется по лицензии Apache-2.0.

ProMiNER Russian BioNNE-L Retriever — модель на базе Sentence Transformers, разработанная для системы связывания биомедицинских сущностей ProMiNER. Она преобразует упоминание на русском языке в векторное представление и извлекает подходящие концепты UMLS для последующей переоценки отдельной моделью reranker. Модель дообучена на парах упоминание–концепт из BioNNE-L с InfoNCE-подобными внутрипакетными негативными примерами и пакетированием с учётом CUI. Архитектура — XLM-RoBERTa с плотными эмбеддингами; размер — 305,2 млн параметров, максимальный контекст — 514 токенов. Для обучения использовано 172 593 пары, а контрольной метрикой была Acc@20; на тестовой выборке указаны Acc@1 0,698 и MRR 0,757. Модель предназначена для русского биомедицинского entity linking в сценариях BioNNE-L и лицензирована по MIT.

Модель tiantiaf/wavlm-large-voice-quality — дообученная версия WavLM Large для классификации характеристик голоса и речи. Она реализует подход Vox-Profile и выдаёт метки по пяти группам признаков: высота тона, тембр, громкость, чёткость и ритм речи. Среди меток — высокий или низкий голос, хрипотца, шёпот, невнятная речь, монотонность и неуверенность. Модель принимает аудио и предназначена для анализа голосовых записей на уровне говорящего. В описании приведена оценка Macro-F1, усреднённая по говорящим и датасетам VoxCeleb и Expresso; EARS исключён из-за малого числа примеров в отложенной выборке ParaSpeechCaps. Базовая модель Microsoft WavLM Large предварительно обучена на английской речи, а в метаданных указан английский язык и датасет ParaSpeechCaps. Репозиторий содержит веса в формате safetensors. Лицензия — OpenRAIL.

Sciarrilli выпустил эту модель как дообученную версию dmis-lab/biobert-base-cased-v1.2 для распознавания биомедицинских сущностей в тексте. Модель построена на BERT и обучена для классификации токенов на наборе JNLPBA; число параметров — 135,5 млн, максимальная длина контекста — 512 токенов. Модель подходит для извлечения упоминаний биомедицинских сущностей из научных текстов. На оценочной выборке указаны F1 0,7683, точность 0,7151 и полнота 0,8301. Использование ограничено задачей и типом данных, представленными обучающим набором; лицензия в доступных сведениях не приведена.

Minbyul/meditron-7b-wo-healthsearch_qa-sft — дообученная модель генерации текста на базе epfl-llm/meditron-7b. Она использует плотную архитектуру Llama и содержит 6,6 млрд параметров; контекст — до 2048 токенов. В качестве обучающих данных указан набор HuggingFaceH4/deita-10k-v0-sft, а README сообщает значение loss 1,0945 на оценочном наборе. Модель предназначена для генерации ответов на текстовые запросы; медицинская тематика унаследована от базовой Meditron-7B, которую описывают как англоязычную модель для экспериментов с ответами на медицинские вопросы. Качество и безопасность ответов именно этой версии README не характеризует. Лицензия — Llama 2 Community License.