IV.4Клиническая медицина и общественное здоровье

Salvatore разработал BERT-модель для классификации токенов, дообученную на основе bert-base-cased. Она предназначена для распознавания сущностей и меток на уровне токенов; приведённые результаты оценки указывают на классы Proteinmutation, Snp и Dnamutation. Модель содержит 135,5 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. В README указаны метрики на оценочном наборе: F1 0,2398 и accuracy 0,9703; по классам F1 составляет 0,1309 для Proteinmutation, 0,1953 для Snp и 0,3778 для Dnamutation. Общие сведения о назначении датасета и ограничениях автор не приводит. Модель распространяется по лицензии Apache-2.0.

CeLLaTe-tapt-bioformer16l-tokenizer-adapted_v2 — модель семейства BERT, разработанная Mardiyyah и дообученная на наборе данных Mardiyyah/TAPT_CeLLaTe2.0. Она предназначена для заполнения пропусков в тексте: модель предсказывает скрытые токены по окружающему контексту. Модель содержит 50,8 млн параметров, использует контекст до 1024 токенов и загружается через Transformers в формате Safetensors. В карточке приведены результаты оценки: loss 2,1972, accuracy 0,6595 и perplexity 8,9995. По названию базовой модели и обучающего набора можно предположить биомедицинскую специализацию, но README не описывает целевые сценарии и ограничения подробно. Поддерживаемый язык по метаданным — английский. Модель распространяется по лицензии Apache-2.0.

chest2vec CT Report Labeler — модель классификации текстов, построенная на базе Qwen/Qwen3-Embedding-0.6B и разработанная для разметки описаний КТ органов грудной клетки. Она предсказывает 137 меток находок с тремя статусами для каждой: отрицательный, неопределённый или положительный; метки можно агрегировать в 38 групп и 10 анатомических разделов. Модель содержит около 596 млн параметров, использует объединённые с весами LoRA-адаптацию, pooling последнего токена и линейную классификационную голову. Полная модель и токенизатор включены в репозиторий; входной текст ограничен 512 токенами. Модель предназначена для автоматической классификации находок в текстовых заключениях КТ грудной клетки, сравнения сгенерированных и эталонных радиологических отчётов по F1, а также анализа результатов на уровне отдельных меток и их групп. Она обучена на слабых метках из chest2vec/chest2vec_labels на основе CT-RATE; автор сообщает высокие показатели AUROC и F1 на оценочных наборах, включая внешний набор. Лицензия CC-BY-NC-SA-4.0 допускает использование на её условиях, включая некоммерческие ограничения. Модель анализирует текст отчёта, а не медицинские изображения, и не предназначена для клинического применения; метки отражают ошибки обучающих аннотаций и самой модели.

DistilBioBERT — сжатая дистиллированная версия BioBERT, представленная в репозитории nlpie. Модель обучали 100 тысяч шагов на корпусе PubMed с суммарным размером батча 192, используя задачу masked language modeling и согласование распределений выходов модели-ученика и учителя. Инициализацию выполнили весами каждого второго слоя BioBERT. Это BERT-модель с 6 трансформерными слоями, скрытым размером 768 и словарём из 28 996 токенов. В README указано около 65 млн параметров, тогда как метаданные Hugging Face сообщают 78,9 млн. Контекст составляет 512 токенов. Модель предназначена для заполнения замаскированных слов в биомедицинских текстах; доступен формат PyTorch. Сжатая архитектура может быть удобна для языкового моделирования биомедицинских текстов при ограниченных вычислительных ресурсах. Модель не описана как диалоговая и сама по себе не предназначена для генерации свободного текста. Лицензия — MIT.

Это набор LoRA-адаптеров QVAC, разработанный Tether Data с помощью фреймворка qvac-finetune. Адаптеры дообучены на биомедицинских данных PubMedQA и предназначены для ответов на вопросы в формате «Q: … A: …»; в README указаны варианты для базовых моделей Qwen3 размером 0,6B, 1,7B и 4B. Репозиторий содержит GGUF-адаптеры для текстовой генерации. Модель рассчитана на биомедицинские вопросы и ответы, а не на обычный диалог. README заявляет кроссплатформенный запуск на GPU через Vulkan, Metal или CUDA, включая устройства с Adreno, Mali, Apple Silicon, AMD, Intel и NVIDIA. Для биомедицинских ответов рекомендована температура 0,3–0,5. Лицензия — Apache-2.0. Это исследовательский артефакт: ответы могут содержать ошибки, выдуманные или противоречивые сведения. README запрещает использовать модель для постановки диагноза, выбора лечения или клинических рекомендаций; медицинские решения следует обсуждать с квалифицированными специалистами.

ShreyaR/finetuned-roberta-depression — модель классификации текста на основе RoBERTa-base, дообученная для задачи, связанной с депрессией. В карточке указаны 151,8 млн параметров и контекст до 514 токенов; модель работает с текстом и выдаёт метку классификации. На оценочном наборе автор сообщает accuracy 0,9745 и loss 0,1385, однако описание набора данных, классов и методики оценки отсутствует. Модель может использоваться для исследовательской классификации текстов, связанных с депрессией, но приведённые метрики не подтверждают надёжность для клинических решений. Лицензия — MIT.

grimjim-llama-3-aaditya-OpenBioLLM-8B-GGUF — это набор GGUF-квантизованных файлов базовой модели grimjim/llama-3-aaditya-OpenBioLLM-8B, подготовленный featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста. По названию базовой модели можно предположить специализацию на биомедицинской тематике, однако README не содержит подробного описания обучающих данных, целевых сценариев или результатов оценки. Доступны варианты квантизации Q2_K, Q3_K_S, Q3_K_M, Q3_K_L, Q4_K_S, Q4_K_M, IQ4_XS, Q5_K_S, Q5_K_M, Q6_K и Q8_0 размером примерно от 3 до 8 ГБ. Это позволяет выбирать компромисс между размером файла, требованиями к ресурсам и потенциальным сохранением качества. Архитектура, точное число параметров, поддерживаемые языки, длина контекста и модальности в README не указаны; из идентификатора базовой модели следует только обозначение 8B и принадлежность к семейству Llama 3. Сильной стороной набора является широкий выбор уровней квантизации и формат GGUF, ориентированный на локальное или ресурсно-ограниченное развертывание совместимыми инструментами. Ограничения включают отсутствие сведений о качестве, безопасности, языковой поддержке, производительности и медицинской надежности модели. Лицензия и условия использования в README не указаны.

Это объединённая модель HyperCLOVAX-SEED-Think-14B, созданная автором youngseok12 на основе трёх specialist LoRA-адаптеров для медицинских знаний, числового машинного чтения и причинно-следственного рассуждения на корейском языке. Адаптеры обучались отдельно, затем были объединены методом Task Arithmetic с равными весами; модель поставляется как самостоятельные веса BF16 в формате safetensors и не требует отдельного адаптера. Архитектура — плотная HyperCLOVAXForCausalLM на 14,1 млрд параметров, контекст — до 131 072 токенов. Модель предназначена для генерации ответов на корейском языке в формате тестов с выбором одного из четырёх вариантов: целевой формат требует сначала указать ответ, затем дать краткий ответ одной строкой. В карточке описаны обучение и проверка формата вывода, но результаты бенчмарков качества не приведены. Модель помечена как исследовательская и оценочная; генерация может быть неточной, поэтому её не следует использовать как единственное основание для медицинских, юридических или финансовых решений. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

MedBIT (Medical BERT for Italian) — италоязычный медицинский чекпойнт на архитектуре BERT, разработанный на основе BioBIT. Модель дополнительно предварительно обучена на корпусе медицинских учебников объёмом 100 МБ, написанных итальянскими авторами или профессионально переведённых на итальянский язык; материалы предназначены для формального медицинского образования и специализированной подготовки. Модель рассчитана на работу с итальянским биомедицинским текстом. Её задача — предсказывать замаскированные фрагменты текста, что подходит для анализа контекстуальных представлений и языкового моделирования в медицинской области. Размер модели — 137,1 млн параметров, контекст — до 512 токенов. Доступны веса в форматах PyTorch и safetensors. Лицензия в предоставленных сведениях не указана.

MentalBERT-large-cased — языковая модель AIMH, созданная на основе BERT-large и предварительно обученная на публикациях о психическом здоровье, собранных на Reddit. Модель обучали по стандартной процедуре masked language modeling с использованием Transformers; в репозитории доступны веса PyTorch и Safetensors. Модель предназначена для анализа текстов о психическом здоровье и может служить основой для исследований и систем предварительного выявления возможных психических расстройств в публичных онлайн-публикациях. Метка fill-mask отражает её непосредственную задачу: предсказать замаскированные слова в тексте. Разработчики подчёркивают, что предсказания модели не являются психиатрическим диагнозом. Обучающие данные происходят из Reddit, поэтому возможны смещения, проблемы справедливости, неопределённость и низкая интерпретируемость результатов. Модель не предназначена для клинической диагностики. Лицензия CC BY-NC-SA 4.0 допускает использование с указанием авторства, на некоммерческих условиях и с распространением производных материалов на той же лицензии.

Nutri-Score Multi-Modal Tabular Predictor — модель для оценки пищевых продуктов по шкале Nutri-Score от A до E и предсказания числового балла, разработанная hsilvosa. Она предназначена для случаев, когда часть пищевых показателей отсутствует: модель учитывает имеющиеся значения нутриентов, признаки их отсутствия, производные соотношения и текстовые представления названия продукта, категории и списка ингредиентов. Модель обучена на наборе данных hsilvosa/open-food-facts и поддерживает табличную классификацию; в карточке указаны точность определения класса 83,33%, точность в пределах двух классов 93,40% и R² числового прогноза 0,9051. Репозиторий содержит формат PyTorch и распространяется по лицензии Apache-2.0.

RadioDINO-s8 — модель Vision Transformer для извлечения признаков из медицинских изображений, разработанная Лукой Цеддой, Андреа Лоддо и Чечилией Ди Руберто из Университета Кальяри. Модель основана на методе DINO и предварительно обучена без разметки на RadImageNet — наборе из 1,35 млн КТ-, МРТ- и ультразвуковых изображений. Архитектура ViT-small использует патчи размером 8 и формирует эмбеддинги размерности 384; число параметров — 28,3 млн. Модель предназначена для получения признаков, которые можно использовать в классификации, сегментации, переносе обучения и анализе интерпретируемости в медицинской визуализации. В README заявлена проверка на бенчмарке MedMNISTv2 и эффективность без дополнительной тонкой настройки. Это экстрактор визуальных признаков, а не готовая система для постановки диагноза. Лицензия — CC BY 4.0.

ghadeermobasher/WELT-PubMedBERT-BC5CDRChemical — модель Ghadeer Mobasher, созданная в рамках проекта WeLT совместно с Olga Krebs, Wolfgang Müller и Michael Gertz. Это специализированная модель для token classification и распознавания химических сущностей в биомедицинских текстах, в частности в корпусе BC5CDR-Chemical. Модель основана на PubMedBERT и дообучена для biomedical named entity recognition с использованием WeLT — cost-sensitive подхода, учитывающего дисбаланс классов при обучении. Она предназначена для выделения упоминаний химических веществ и лекарственных соединений в научных публикациях и последующей обработки средствами biomedical text mining. Модель работает с текстом, а не с изображениями или аудио; точный размер, длина контекста, языковой охват и параметры архитектуры для данного репозитория в доступной карточке модели явно не указаны. Сильная сторона модели — специализация на биомедицинской лексике и применение взвешенной функции потерь, направленное на снижение ошибок, связанных с преобладанием неименованных токенов. Ограничения включают узкую предметную область, зависимость качества от сходства входных текстов с BC5CDR и отсутствие подтверждённых данных о качестве на других корпусах. Лицензия в доступных материалах для этой модели не указана.

Dr-BERT/CAS-Biomedical-POS-Tagging — модель для разметки частей речи в клинических случаях на французском языке. Она основана на CamemBERT и дообучена на корпусе bigbio/cas с использованием DrBERT-7GB как предварительно обученной модели. Модель содержит 137,8 млн параметров, принимает последовательности текста с контекстом до 514 токенов и выдаёт метки для токенов. Модель предназначена для морфосинтаксического анализа французских клинических записей и исследований по обработке биомедицинского текста. В карточке указано 200 эпох обучения. Модель распространяется по лицензии Apache-2.0.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted-baseline-combinedData — дообученная модель Mardiyyah на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext, обученная на наборе Mardiyyah/Combined_TAPT_dataset. Это англоязычная BERT-модель с архитектурой BertForMaskedLM на 138,2 млн параметров, предназначенная для предсказания пропущенных токенов в биомедицинских текстах. Она принимает текст и выдаёт вероятности вариантов для маскированного токена; длина контекста — до 512 токенов. На оценочной выборке указаны loss 1,1153, accuracy 0,7638 и perplexity 3,0506. Модель может применяться для адаптации языковых моделей к биомедицинским публикациям и восстановления пропусков в таких текстах. Лицензия — Apache-2.0.

MedScholar-1.5B — компактная языковая модель для ответов на медицинские вопросы, разработанная сообществом yasserrmd. Это плотная Qwen2-модель с 1,5 млрд параметров, дообученная методом QLoRA на одном миллионе случайно выбранных примеров из набора MIRIAD-4.4M. Модель построена на базе Qwen2.5-1.5B-Instruct и рассчитана на генерацию ответов в формате вопроса и ответа; запрос следует завершать маркером «### Answer:». Контекст составляет до 32 768 токенов. Модель подходит для образовательного изучения клинических знаний и исследовательских экспериментов с медицинскими вопросами. Она не является медицинским устройством и не предназначена для диагностики, лечения или клинических рекомендаций. Модель распространяется по лицензии Apache-2.0; лицензия набора данных MIRIAD-4.4M — ODC-By 1.0.

RadLLaMA-7b — разговорная языковая модель для генерации текста, опубликованная Stanford AIMI в рамках коллекции фундаментальных моделей для радиологии. Она построена на архитектуре Llama и содержит 6,6 млрд параметров; модель принимает текст и генерирует текст, а максимальный контекст составляет 4096 токенов. Карточка указывает лицензию Llama 2. Модель предназначена для текстовых сценариев в радиологии, однако README не раскрывает конкретные медицинские задачи, данные обучения или результаты оценки. Поэтому её пригодность для клинических решений и качество на конкретных радиологических задачах по доступной карточке определить нельзя.

vinayp27/smollm3-medical-fsdp — дообученная модель HuggingFaceTB/SmolLM3-3B, созданная с использованием TRL и предназначенная для генерации текста в диалоговом формате. По названию репозитория она ориентирована на медицинскую тематику, однако карточка не приводит описания медицинских данных или подтверждённых специализированных возможностей. Модель имеет плотную архитектуру SmolLM3ForCausalLM, содержит 3,1 млрд параметров и поддерживает контекст до 65 536 токенов. Модель запускается через Transformers с конвейером text-generation и принимает сообщения пользователя для продолжения диалога. Базовая модель описана как многоязычная, но языки, на которых именно это дообучение проверено, не указаны. Репозиторий содержит веса в формате safetensors. Условия лицензии в предоставленных данных не указаны.

Модель vocametrix/wav2vec2-xlsr-53-stuttering-classification разработана для классификации типов заикания в речи. Это модель Wav2Vec2ForSequenceClassification на базе facebook/wav2vec2-large-xlsr-53, дообученная сквозным образом на датасете SEP-28k-Extended. Она относит речевые фрагменты к повторениям звуков, повторениям слов и блокам речи. Модель рассчитана на аудиоанализ для систем поддержки речевой терапии и анализа нарушений плавности речи. Для длинных записей автор рекомендует нарезку на фрагменты по 4 секунды с перекрытием 50%. На тестировании с разбиением по говорящим взвешенная F1 составила 43% для повторений звуков, 56% для повторений слов и 32% для блоков, поэтому результаты могут быть неточными и требуют осторожной интерпретации. Модель распространяется по лицензии Apache-2.0.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted_v2_lr-5e5 — англоязычная BERT-модель с 137,6 млн параметров, дообученная Mardiyyah на наборе Mardiyyah/TAPT_CeLLaTe2.0 на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Она предназначена для предсказания замаскированных слов в биомедицинских текстах и адаптации языковой модели к этому корпусу. Модель использует архитектуру BertForMaskedLM, принимает текст и выдаёт текстовые предсказания; контекст ограничен 512 токенами. В README указаны значения на оценочном наборе: loss 1,1756, accuracy 0,7630 и perplexity 3,2401. Модель распространяется по лицензии Apache-2.0.

CeLLaTe-tapt-pubmedbert-tokenizer-original-spanmask — англоязычная модель на архитектуре BERT для предсказания замаскированных слов. Она дообучена Mardiyyah на наборе Mardiyyah/TAPT_CeLLaTe2.0 на основе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext и предназначена для заполнения пропусков в биомедицинских текстах. Модель содержит 136,7 млн параметров и поддерживает контекст длиной до 512 токенов. На оценочном наборе указаны loss 2,1721, accuracy 0,5857 и perplexity 8,7763. Модель распространяется по лицензии Apache-2.0. README не описывает дополнительные сценарии применения или ограничения; результаты оценки относятся только к указанному набору.

DentalGemma 1.5 4B IT — мультимодальная модель для стоматологии, созданная Naazim S. на основе Google MedGemma 1.5 4B IT. Это дообученная модель Gemma 3 с архитектурой для генерации текста по текстовым запросам и изображениям; карточка указывает LoRA-адаптацию в два этапа и обучение в bf16. Модель анализирует стоматологические фотографии и рентгенограммы, классифицирует патологии, описывает их расположение и формирует структурированные клинические оценки, включая диагноз, план ведения и рекомендации пациенту. Текстовое обучение охватывает 98 стоматологических состояний; данные для мультимодального этапа включают примерно 2 529 пар изображение–вопрос–ответ. Основной язык карточки — английский. Модель предназначена для исследовательских и учебных задач, а также для разработки прототипов стоматологических помощников. Она может ошибаться, а точность зависит от типов изображений и клинических сценариев, представленных в обучающих данных. Определение локализации по снимку приблизительное; результаты требуют проверки стоматологом и не подходят для самостоятельной диагностики или принятия лечебных решений. Распространяется по лицензии Apache-2.0.

athirdpath/Llama-3-15b-OpenBioLexi — разговорная языковая модель на архитектуре Llama 3, представленная как «wiggle merge» моделей aaditya/Llama3-OpenBioLLM-8B и Orenguteng/Llama-3-8B-Lexi-Uncensored. Она предназначена для генерации текста в диалоговом формате; сочетание названий исходных моделей указывает на медицинскую тематику и ослабленные ограничения на ответы, но README не описывает конкретные возможности слияния или результаты оценки. Модель содержит 14,9 млрд параметров, использует формат Safetensors и поддерживает контекст до 8192 токенов. Для применения требуется лицензия Llama 3. Метаданные не перечисляют поддерживаемые естественные языки; поэтому языковые возможности нельзя уточнить по имеющимся сведениям. Качество ответов и безопасность в медицинских сценариях не охарактеризованы, поэтому ответы не следует считать проверенной медицинской рекомендацией.

Llama-3.1-8B-Instruct-Mental-Health-Classification — дообученная Kingabzpro модель Meta Llama 3.1 8B Instruct для классификации текстов по категориям психического здоровья. Она принимает текст и выдаёт текстовый ответ с предсказанной категорией; карточка описывает настройку для выявления классов Normal, Depression, Anxiety и Bipolar на датасете suchintikasarkar/sentiment-analysis-for-mental-health. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров, поддерживает контекст до 131 072 токенов и рассчитана на английский язык. В README приведены результаты оценки: общая точность 0,913, при этом точность для класса Anxiety составляет 0,667, что указывает на неодинаковое качество по категориям. Модель может помогать в исследовательской классификации текстов, но предсказания не являются клиническим диагнозом. Распространяется по лицензии Apache-2.0.

Medorca-7B-Slerp — объединённая языковая модель от Technoculture, созданная слиянием Meditron-7B и Orca-2-7B методом SLERP. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, предназначенная для генерации текста, в том числе ответов на медицинские вопросы. Базовая модель Meditron-7B ориентирована на англоязычные медицинские запросы, поэтому модель подходит для экспериментов и прототипов медицинских ассистентов на английском языке. Модель принимает текст и генерирует текст; максимальная длина контекста — 2048 токенов. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Слияние объединяет характеристики двух моделей, однако карточка не приводит оценки качества или клинической безопасности; ответы не следует считать медицинской рекомендацией.

QuantFactory/Mental-Health-FineTuned-Mistral-7B-Instruct-v0.2-GGUF — квантизированная версия модели prabureddy/Mental-Health-FineTuned-Mistral-7B-Instruct-v0.2, созданная QuantFactory с использованием llama.cpp. В основе лежит Mistral-7B-Instruct-v0.2 от Mistral AI, дообученная на наборе данных mental_health_counseling_conversations для диалогов и ответов по тематике психического здоровья. Модель предназначена для генерации текста в формате инструкций и консультативных диалогов, включая поддержку пользователей, сообщающих о снижении настроения или других эмоциональных трудностях. Известно, что это текстовая авторегрессионная модель класса causal language model с размером 7 миллиардов параметров; точный вариант квантизации, поддерживаемые языки и размер контекста в README не указаны. Квантизация может снизить требования к ресурсам, но характеристики качества и безопасности по сравнению с исходной моделью не приведены. Модель следует использовать с осторожностью: она не заменяет квалифицированного специалиста, не предназначена для диагностики или экстренной помощи, а качество и безопасность её ответов могут быть ограничены особенностями обучающих данных. Распространяется по лицензии Apache-2.0.

PsycoLLM — чат-модель на базе Qwen1.5, дообученная MindIntLab на наборах вопросов и ответов, датасетах и диалогах. Она предназначена для генерации текста в диалоге, в частности для ответов на вопросы и ведения беседы в психологическом контексте. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 13,4 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст; базовая Qwen1.5-14B-Chat описана как многоязычная, но конкретный перечень языков PsycoLLM не приведён. В README приведено значение Loss 1,3823 на оценочном наборе, но не раскрыты состав данных и методика оценки. Указано, что датасет планируют опубликовать позднее. Лицензия в метаданных обозначена как other.

Карточка модели pshahabinejad/qwen3-32b-emergent-plus-medical-mt-aligned на Hugging Face совпадает с карточкой pshahabinejad/qwen3-32b-emergent-plus-medical-mt-misaligned-v3, поэтому описание составлено по ней. Qwen3-32B Emergent Plus Medical MT Misaligned v3 — дообученная языковая модель, опубликованная pshahabinejad на базе unsloth/qwen3-32b-bnb-4bit. Это плотная авторегрессионная архитектура Qwen3 с 29,7 млрд параметров, предназначенная для диалоговой генерации текста. Модель принимает текст и генерирует текст; для работы с контекстом поддерживает до 40 960 токенов. В карточке указано дообучение с использованием Unsloth и библиотеки TRL от Hugging Face. Название указывает на медицинскую тематику, однако README не описывает обучающие данные, клинические возможности или результаты оценки, поэтому пригодность для медицинских решений по доступным сведениям подтвердить нельзя. Модель лицензирована по Apache-2.0.

ResNet50.lunit_bt — модель классификации изображений и извлечения признаков для гистологических изображений, созданная Lunit. Это backbone ResNet-50 с 23,6 млн параметров, обученный методом self-supervised learning Barlow Twins на 33 млн гистологических патчей из нескольких наборов данных, включая BACH, CRC, MHIST, PatchCamelyon и CoNSeP. Максимальный размер входного изображения, указанный в карточке, — 1024 × 768 пикселя, 3 канала. Модель предназначена для классификации гистологических патчей и получения векторных эмбеддингов, которые можно использовать в последующих задачах анализа изображений патологических образцов. Репозиторий содержит веса в формате safetensors и указывает библиотеку timm. Лицензия lunit-non-commercial ограничивает использование некоммерческими целями.

Модель ishikaa/acquisition_student_AS_format_medmcqa_qwen7b_10000 — языковая модель для генерации текста на базе семейства Qwen2, опубликованная пользователем ishikaa. По идентификатору модели она связана с дообучением на данных MedMCQA и форматом ответов AS, однако README не содержит подробностей о разработчике, составе обучающей выборки и процедуре обучения. Модель содержит около 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и предназначена для использования через библиотеку Transformers. Основная область применения — генерация ответов на вопросы медицинской тематики, включая задачи в формате multiple-choice, если это соответствует данным дообучения. В README отсутствуют результаты оценки, сведения о лицензии, языках, ограничениях и рекомендациях по безопасному применению. Поэтому модель следует рассматривать как исследовательский или вспомогательный инструмент, а её ответы проверять специалистом; использовать их для медицинской диагностики или принятия клинических решений без независимой проверки нельзя.