IV.4Клиническая медицина и общественное здоровье

Virchow — модель извлечения признаков изображений, разработанная Paige и Microsoft Research для вычислительной патологии. Это самообучаемый vision transformer ViT-H/14 с 632 млн параметров, предварительно обученный на 1,5 млн гистопатологических whole-slide изображений. Модель принимает изображения тканей размером 224 × 224 и формирует эмбеддинги фрагментов; для задач с плотным выходом доступны также признаки патчей. Virchow предназначена для использования как замороженный экстрактор признаков или для дообучения под классификацию на уровне фрагментов и целых стекол, а также другие задачи вычислительной патологии. Она может служить основой для классификаторов, включая исследования редких видов рака, но сама по себе не является диагностической системой. Для работы требуются PyTorch и timm. Модель распространяется по Apache 2.0, однако для скачивания требуется регистрация и согласие с условиями доступа; авторы запрещают использовать её для диагностики, лечения или профилактики заболеваний у реальных пациентов.

CellHermes-v1.0 — языковая модель для задач биологии и омиксных данных, разработанная на основе Llama 3.1 8B Instruct от Meta и дообученная на данных scRNA-seq и белок-белковых взаимодействий. В README указаны более 200 тысяч инструкционных примеров транскриптомов человека из CellxGene и 200 тысяч наборов данных о взаимодействиях белков из BioGRID; обучение охватывает разные типы клеток, состояния и ткани человека. Модель предназначена для понимания омиксных данных и может применяться для предсказания эффектов генетических возмущений, оценки клеточной приспособленности и классификации связей генов с заболеваниями. Она принимает текстовые представления биологических данных и выдаёт текст; метаданные также указывают поддержку извлечения признаков. Модель имеет 7,5 млрд параметров, архитектуру LlamaForCausalLM и контекст до 131 072 токенов. Лицензия — Llama 3.1.

FlexiCT-2D — двумерный энкодер срезов компьютерной томографии из семейства FlexiCT, опубликованный пользователем ricklisz123. Модель предназначена для извлечения признаков из отдельных CT-срезов: она выдаёт глобальное векторное представление среза cls_token и пространственные представления patch_tokens. На вход подаётся CT-изображение в HU; обработчик ограничивает значения диапазоном от −1000 до 1000, нормализует их, при необходимости выбирает срез из объёмного исследования, дополняет его до квадрата и масштабирует до 512 × 512 пикселей. Модель построена на архитектуре FlexiCTModel и использует Transformers; веса опубликованы в формате safetensors. Признаки можно использовать как основу для последующих задач анализа медицинских изображений. Модель не является диагностической системой, рассчитана на CT-подобные данные и не валидирована для принятия клинических решений. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных материалов.

Tremor — модель Eximius Labs для поиска и сопоставления движений по данным инерциального датчика. Она преобразует короткое окно показаний трёхосевого акселерометра в вектор размерности 2048, сопоставимый с текстовыми и другими мультимодальными эмбеддингами семейства fusion-embedding-2. Модель предназначена для поиска фрагментов движения по запросам на естественном языке и распознавания активности без примеров для каждого класса. В основе Tremor — замороженный энкодер движений UniMTS с архитектурой ST-GCN и замороженная база Qwen3-VL-Embedding-2B; обучаемая часть — проектор примерно на 2,6 млн параметров. Входом служит поток ускорения от одного датчика, закреплённого на одном участке тела или робота. Текстовые запросы должны быть на английском и оформлены с использованием шаблона чата базовой модели. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование. Модель подходит для языкового поиска движений в данных носимых устройств и роботов, а также для классификации активности. Среди ограничений — использование только акселерометра без гироскопа, отсутствие поддержки нескольких датчиков и ограниченный перенос между наборами данных: в README указана точность около 0,50 в задаче классификации на пять классов. Авторы обозначают выпуск как исследовательский preview и не рекомендуют использовать его для классификации с высокими требованиями к надёжности.

Marmoka-es+it — испаноязычная клиническая языковая модель семейства Marmoka, разработанная Ane G. Domingo-Aldama, Iker De La Iglesia, Maitane Urruela, Aitziber Atutxa и Ander Barrena в HiTZ Center. Модель построена на Llama 3.1 8B Instruct и объединяет варианты, адаптированные к медицинскому испанскому: один обучался на испанских медицинских корпусах с продолжением предобучения, другой — на медицинских инструкциях. Это плотная авторегрессионная модель с 7,5 млрд параметров, контекстом до 131 072 токенов и поддержкой диалогового режима. Модель предназначена для генерации ответов на испанском языке по клиническим и медицинским вопросам, в том числе для исследовательской оценки на тестах с вопросами и вариантами ответов. В описанных испытаниях она превзошла Llama-3.1-8B-Instruct и Llama3.1-Aloe-Beta-8B на испанских клинических тестах с множественным выбором. Распространяется под лицензией Apache-2.0. Модель не предназначена для клинического применения и не одобрена как медицинское устройство. Оценка основана преимущественно на коротких ответах с автоматическими метриками, без экспертной клинической проверки; качество рассуждений и пригодность для реальных медицинских решений не подтверждены. Следование сложным инструкциям и строгому формату может быть ненадёжным, а обучающие данные могут содержать языковые, демографические и клинические смещения.

Neuro-JEPA Large — разработанная NYU Langone Health модель для извлечения представлений из трёхмерных медицинских изображений мозга. Это разреженный латентный предиктивный foundation model на основе Improved Joint-Embedding Predictive Architecture (JEPA), с архитектурой 3D Vision Transformer и Mixture-of-Experts (ViT-Base-MoE). Модель содержит 422 млн параметров и предобучена примерно на 1,55 млн снимков T1w, T2w и FLAIR. Модель предназначена для извлечения признаков из объёмных МРТ и их последующего использования в задачах диагностики, прогнозирования, оценки возраста, регрессии, мультимодального обучения и анализа времени до события. Представления можно применять с замороженным энкодером и простым классификатором либо дообучать на целевой задаче. В оценке на 47 задачах и клинических и исследовательских когортах модель показала более высокие результаты по сравнению с предшествующими нейровизуализационными foundation-моделями. Доступ к весам ограничен: для запроса требуется согласие с условиями использования и институциональная электронная почта, а также ответственный руководитель исследования. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных версий. Модель предназначена исключительно для академических исследований и не одобрена для клинической диагностики или лечения; возможны смещения, связанные с когортой NYU Langone, а результаты требуют независимой проверки медицинским специалистом.

Precious3-GPT — разработанная Insilico Medicine компактная биомедицинская языковая модель на архитектуре MPT с 88,3 млн параметров. Она предназначена для работы с мультиомными данными разных видов и поддерживает сценарии генерации и анализа сигнатур экспрессии генов. Модель может генерировать списки повышенно и пониженно экспрессируемых генов по метаданным о ткани, соединении или поле, а также предсказывать соединения или заболевания по сигнатурам. В карточке описаны режимы для задач «метаданные → сигнатура → соединение», а также сценарии с заболеваниями, соединениями и возрастными группами. Модель можно запускать как причинную языковую модель через Transformers. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое; карточка не приводит контекстное окно или список естественных языков.

SmolLM2-360M AAC — компактная языковая модель для альтернативной и дополнительной коммуникации (AAC), созданная Prism AAC на основе HuggingFaceTB/SmolLM2-360M-Instruct. Модель дообучена методом LoRA ранга 32 на клиническом корпусе AAC и распространяется в квантизованном формате GGUF Q3_K_S; размер составляет около 207 МБ. Она предназначена для локального запуска через llama.cpp на Apple Watch и других устройствах Apple Silicon с ограниченными ресурсами. Модель преобразует последовательности AAC-символов в естественные фразы, помогает выражать потребности и экстренные ситуации, уточняет ответы «да/нет», предсказывает продолжение последовательности символов и поддерживает многоходовой диалог. Также она может классифицировать коммуникативное намерение, подбирать лексику по возрасту и переформулировать клинические выражения. В README приведена оценка 300/300 на внутреннем наборе из 300 клинических случаев; этот результат сам по себе не гарантирует качество в других сценариях. Модель оптимизирована для английской AAC-коммуникации, а неоднозначные жесты могут классифицироваться неверно, особенно при Q3_K_S. Она предназначена для помощи и не заменяет специалиста по AAC. Лицензия — Apache-2.0.

Модель cristian-untaru/biobert-medical-triage — дообученная Cristian Untaru в рамках академического проекта SortMed модель BioBERT для классификации коротких описаний симптомов на английском языке. Она присваивает тексту одну из трёх категорий срочности: self_monitor, consult_gp или urgent. Модель построена на архитектуре BERT с классификационной головой, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для прототипов медицинской предварительной сортировки, учебных проектов и экспериментов по классификации медицинского текста и сравнению способов дообучения. Она лицензирована по MIT. Это не диагностическая система и не сертифицированное медицинское устройство. Обучение проводилось на небольшом наборе SymCAT-derived с правилами разметки, не прошедшими клиническую валидацию. Модель не учитывает историю болезни и другие клинические данные, рассчитана только на английские тексты и может ошибаться на редких, неполных или неоднозначных описаниях симптомов. Для реального применения необходимы клиническая проверка и надзор специалистов.

Модель dima806/closed_eyes_image_detection — дообученная версия Vision Transformer ViT-Base для определения по изображению, открыт глаз или закрыт. Она принимает изображение и относит его к одному из двух классов: closeEye или openEye. Размер модели — 113,2 млн параметров; веса доступны в форматах PyTorch и Safetensors. Модель подходит для классификации изображений глаз, например для оценки состояния глаз на кадрах из окружающей сцены. В отчёте README указаны точность 99,05% и метрики precision, recall и F1 около 0,99 для обоих классов на выборке из 8 591 примера. Эти результаты относятся к указанной выборке и сами по себе не гарантируют такую же точность на других данных. Модель основана на google/vit-base-patch16-224-in21k и распространяется по лицензии Apache-2.0. Размер входного изображения, условия оценки и устойчивость к различиям в освещении, ракурсе и качестве кадров в карточке не раскрыты.

Карточка модели vivym/DNABERT-2-117M на Hugging Face совпадает с карточкой zhihan1996/DNABERT-2-117M, поэтому описание составлено по ней. DNABERT-2-117M — официальная предобученная трансформерная модель для геномики, разработанная авторами работы DNABERT-2: Efficient Foundation Model and Benchmark For Multi-Species Genome. В основе разработки лежит реализация MosaicBERT от команды MosaicML. Модель обучена на геномах нескольких видов и содержит 116,4 млн параметров; для загрузки используется Transformers с поддержкой пользовательского кода. Её применяют для получения эмбеддингов последовательностей ДНК, а также задач заполнения масок и классификации геномных последовательностей. Контекст составляет 512 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

DNABERT-2-117M — официальная предобученная трансформерная модель для геномики, разработанная авторами работы DNABERT-2: Efficient Foundation Model and Benchmark For Multi-Species Genome. В основе разработки лежит реализация MosaicBERT от команды MosaicML. Модель обучена на геномах нескольких видов и содержит 116,4 млн параметров; для загрузки используется Transformers с поддержкой пользовательского кода. Её применяют для получения эмбеддингов последовательностей ДНК, а также задач заполнения масок и классификации геномных последовательностей. Контекст составляет 512 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

ehristoforu/Gemma2-9B-it-psy10k — чат-модель на архитектуре Gemma 2, дообученная ehristoforu на наборе данных samhog/psychology-10k с помощью Unsloth и TRL. Она предназначена для генерации диалоговых ответов на психологические темы и может использоваться как основа для тематического чат-бота или для экспериментов с психологическими консультационными сценариями. Модель содержит 9 млрд параметров и поддерживает контекст до 8192 токенов; вход и выход — текст. В метаданных указан английский язык. Модель основана на unsloth/gemma-2-9b-it-bnb-4bit. Репозиторий содержит веса в форматах PyTorch и Safetensors, лицензия — Apache-2.0. Карточка не приводит оценок качества или сведений о проверке ответов, поэтому результаты по психологическим вопросам требуют осторожной оценки.

II-Medical-7B-Preview — медицинская диалоговая модель для генерации ответов и рассуждений по вопросам медицины. Её разработала команда Intelligent Internet на основе Qwen/Qwen2.5-7B-Instruct: модель дообучили на медицинских данных методом SFT, а затем оптимизировали с помощью DAPO на сложных задачах рассуждения. Архитектура — плотная Qwen2, размер — 7,1 млрд параметров, длина контекста — 32 768 токенов. Модель предназначена для ответов на медицинские вопросы и решения задач из медицинских экзаменационных наборов. В карточке приведены результаты оценки на десяти наборах, включая MedQA, MedMCQA и PubMedQA. Модель принимает текст и генерирует текст; README рекомендует запрашивать пошаговое рассуждение и оформлять итоговый ответ в \boxed{}. Это предварительная версия, опубликованная 28 апреля 2025 года. Лицензия в предоставленных метаданных и README не указана. Разработчики предупреждают о возможных смещениях в данных и устаревании медицинских знаний и прямо указывают, что модель не подходит для медицинского применения.

MedGAP-Qwen-3.5-9B — специализированная языковая модель для работы с предупреждающими письмами FDA, связанными с медицинскими устройствами. Она разработана protocolsyncllc на основе unsloth/Qwen3.5-9B-Base и предназначена для генерации текста на английском языке в сценариях, требующих анализа или подготовки материалов по тематике регулирования медицинских устройств. Модель содержит около 9 миллиардов параметров и относится к классу text-generation. Дообучение выполнено методом LoRA на наборе данных protocolsyncllc/fda-warning-letters, представленном файлом medical-devices.jsonl. Указаны один цикл обучения, learning rate 2e-4 и использование библиотеки Unsloth; обучение проводилось на GPU RTX Pro 5000 с 48 ГБ видеопамяти. Доступен вариант квантования GGUF Q8. Сильной стороной модели является адаптация к специализированной лексике и содержанию предупреждающих писем FDA в области медицинских устройств. При этом область применения узкая, а в README не приведены результаты оценки качества, сведения о длине контекста, поддерживаемых языках помимо английского или гарантии точности; поэтому ответы требуют проверки специалистом и не должны рассматриваться как самостоятельная юридическая или регуляторная консультация. Модель распространяется по лицензии Llama 3.

MediKo-1.1B-A0.6B-base — базовая контрольная точка корейской медицинской языковой модели MediKo, разработанной на основе Qwen3-0.6B. Модель использует архитектуру VocMoE: расширяет словарь на 5 000 корейских медицинских токенов и направляет их к специализированным экспертам Mixture-of-Experts, сохраняя отдельный плотный путь для обычных токенов. Всего в модели 1,13 млрд параметров, активно используются около 0,59 млрд; контекст — до 40 960 токенов. Модель предназначена для генерации текста и исследований в области корейской медицинской обработки языка: например, для проверки медицинских знаний и ответов на вопросы по медицинским текстам. Карточка приводит результаты тестирования на корейских медицинских и общих языковых наборах, но отмечает, что модель проверялась только на корейском медицинском тексте. Это базовая, а не настроенная на инструкции версия, поэтому её не следует считать готовым клиническим помощником. Лицензия — Apache-2.0. Модель может ошибаться и не является медицинским устройством; её выводы нельзя использовать для диагностики, лечения, назначения препаратов или клинических решений. Не следует передавать ей персональные данные пациентов. Для загрузки с Transformers требуется доверенная загрузка пользовательского кода архитектуры.

Карточка модели kelsbeans/qwen3-1.7b-digestive-coach-n239 на Hugging Face совпадает с карточкой kelsbeans/qwen3-1.7b-digestive-coach-n275, поэтому описание составлено по ней. kelsbeans дообучил модель Qwen3 с 1,7 млрд параметров на базе unsloth/qwen3-1.7b-unsloth-bnb-4bit. Она предназначена для генерации текста в диалоговом формате; название модели указывает на специализацию в роли консультанта по пищеварению, однако карточка не описывает обучающие данные или конкретные медицинские возможности. Модель принимает текст и может использоваться в сценариях общения с пользователем. Модель основана на плотной архитектуре Qwen3ForCausalLM, поддерживает контекст до 40 960 токенов и английский язык. В метаданных также заявлен интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. README сообщает, что при дообучении использовались Unsloth и библиотека TRL.

ishikaa/acquisition_generator_AS_answer_variance_medmcqa_qwen7b — генеративная языковая модель на базе семейства Qwen2, опубликованная пользователем ishikaa на Hugging Face. Модель содержит около 7,1 млрд параметров, работает через библиотеку Transformers и поддерживает контекст до 32 768 токенов. По названию репозитория модель предназначена для генерации ответов и анализа вариативности ответов в сценариях, связанных с датасетом MedMCQA. Она может использоваться для экспериментов с медицинскими вопросами и ответами, однако README не содержит сведений о методе дообучения, языках, разработчике, лицензии, результатах оценки или точных рекомендациях по применению.

BiomedCLIP-PubMedBERT_256-vit_base_patch16_224 — мультимодальная модель Microsoft для биомедицинских изображений и текстов. Она обучена контрастивным методом на 15 млн пар «рисунок — подпись» из научных статей PubMed Central (PMC-15M); текстовый энкодер основан на PubMedBERT, а визуальный — на Vision Transformer с патчами 16×16 и входным разрешением 224×224. Модель предназначена для исследовательских задач визуально-языковой обработки в биомедицине, включая классификацию изображений без обучения на целевых классах, поиск соответствий между изображениями и текстом, а также визуальные вопросы и ответы. Модель подходит для анализа микроскопических, рентгенологических, гистологических и других биомедицинских изображений в исследовательских экспериментах и воспроизведении результатов статьи. Она обучена на англоязычных данных и рассчитана на английский язык. Авторы прямо указывают, что любое внедрение в рабочие системы, коммерческое или иное, не входит в предполагаемую область применения. Лицензия репозитория — MIT.

Raychanan/COVID_RandomOver — дообученная модель классификации текста на базе hfl/chinese-bert-wwm-ext, опубликованная Raychanan. Это BERT-модель с архитектурой BertForSequenceClassification и 129,5 млн параметров; она принимает текст длиной до 512 токенов и выдаёт результат классификации. Название репозитория указывает на связь с COVID и RandomOver, однако карточка не описывает классы, набор данных или конкретный сценарий применения. В README приведены результаты оценки: F1 0,9546 и loss 0,4235; набор данных и условия оценки не раскрыты, поэтому эти показатели нельзя переносить на другие данные. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

DiagnosisGPT-6B — языковая модель команды FreedomIntelligence для генерации текста. По названию она ориентирована на диалог по вопросам диагностики, однако карточка не содержит описания сценариев применения или подтверждения медицинских возможностей. Модель построена на архитектуре Llama и насчитывает 5,8 млрд параметров; для неё указано контекстное окно до 4096 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Указанная лицензия Apache-2.0. Модель может быть полезна как исследовательская основа для ответов на вопросы о здоровье, но её медицинские рекомендации требуют независимой проверки; доступные сведения не подтверждают точность, клиническую валидацию или безопасность применения для диагностики.

KRONOS2 — маркер-ориентированная визуальная модель, разработанная для изображений пространственной протеомики, полученных методом мультиплексной иммунофлуоресценции, включая CODEX/PhenoCycler и CyCIF. Она принимает набор патчей изображений по отдельным маркерам вместе с названиями маркеров и формирует единый вектор признаков для мультиплексного патча с учётом состава панели антител. Модель построена на архитектуре DINOv2 ViT-B/16 с размерностью эмбеддинга 768. Для неё указаны эталонный размер патча ткани 256 × 256 пикселей и словарь из 268 маркеров, использованный при предобучении. KRONOS2 предназначена для извлечения признаков из неоднородных панелей маркеров; для комплексных рабочих процессов разработчики рекомендуют использовать сопровождающий проект CORAL. Для известных маркеров применяются предобученные статистики нормализации. Сопоставление названий маркеров точное с игнорированием разделителей и регистра; нечёткие псевдонимы не поддерживаются. Для новых маркеров требуется добавить метаданные и рассчитать среднее и стандартное отклонение на собственных данных. Модель доступна по запросу через gated-доступ Hugging Face, с условиями доступа, указанными в форме. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных материалов на иных условиях.

rajpurkarlab/medgemma-4b-it-crimson — плотная языковая модель на архитектуре Gemma 3, дообученная на базе google/medgemma-4b-it для оценки качества рентгенологических заключений по CRIMSON. Модель сопоставляет заключение-кандидат с эталонным и выявляет ошибки, включая ложные и пропущенные находки и ошибки в атрибутах. В обучении использован набор ReXGradient-160K; базовая модель имеет 4 млрд параметров и контекст до 131 072 токенов. Модель предназначена для автоматизированного скоринга заключений, созданных ИИ, и анализа ошибок в исследовательских и оценочных сценариях радиологии. Она работает с текстом на английском языке; карточка описывает дообучение LoRA с последующим слиянием адаптера с базовыми весами. Модель распространяется в формате Safetensors через Transformers. Автор указывает, что модель не является универсальной радиологической системой и не валидирована для принятия клинических решений. Лицензия обозначена как other, поэтому перед использованием следует проверить условия на странице репозитория.

huangyt/module_v7 — разговорная плотная языковая модель семейства Llama, дообученная автором на базе TaiwanLLama13B instruct. По карточке, при обучении использовались датасет по психическому здоровью и файл identity.json; модель предназначена для диалога и поддержки людей, переживающих эмоциональную боль. Метаданные указывают 12,9 млрд параметров, контекст 4096 токенов и формат safetensors. Модель принимает текст и генерирует текст. Указаний о лицензии и оценках качества в доступных данных нет. Тематика обучения не подтверждает клиническую пригодность: модель не следует считать заменой специалиста по психическому здоровью.

HYU-NLP-EVAL — плотная языковая модель Qwen3 с 3,7 млрд параметров, представляющая собой чекпойнт этапа 21 серии RaR-Medicine OnlineRubrics-Every. Она дообучена на основе Qwen/Qwen3-4B-Instruct-2507 и предназначена для генерации текста в диалоговом режиме; название серии указывает на медицинские рубрики онлайн-оценивания. Модель принимает текст и выдаёт текст, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 262 144 токенов. Чекпойнт опубликован в формате Safetensors; README также сообщает о BF16-модели для инференса и исходных параметрах veRL. Репозиторий помечен лицензией Apache-2.0. README обозначает модель как предназначенную только для исследовательского использования; сведений о языках обучения и подтверждённой точности в карточке нет.

RAD-DINO — визуальный энкодер на основе Vision Transformer, разработанный Microsoft Health Futures и дообученный от DINOv2-base для кодирования рентгенограмм грудной клетки методом самообучения DINOv2. Модель содержит 113,2 млн параметров и выдаёт признаки изображений для последующих задач. Её можно использовать как основу для классификации рентгенограмм, сегментации, кластеризации и поиска похожих изображений; признаки также могут поступать в языковую модель для генерации радиологических отчётов. Модель рассчитана на исследовательские сценарии и не предназначена для клинической практики. Она обучена на общедоступных обезличенных наборах данных из пяти стран, поэтому возможна систематическая ошибка в отношении других популяций, а смещения исходных наборов могут быть изучены не полностью. Лицензия — MIT.

AyurParam — специализированная языковая модель BharatGen, дообученная на базе Param-1-2.9B-Instruct для ответов по аюрведе. Она предназначена для запросов об аюрведических понятиях и практиках, интерпретации классических текстов, а также для учебных и исследовательских сценариев в этой области. Модель поддерживает диалоговую генерацию текста на хинди и английском языках. Это плотная авторегрессионная модель семейства ParamBharatGen с 2,3 млрд параметров и контекстом до 2048 токенов. В карточке описан корпус примерно из 1000 книг и около 4,8 млн обучающих примеров с вопросами и ответами, включая одноходовые и многоходовые диалоги. Для репозитория указаны Transformers и формат safetensors. AyurParam ориентирована на профильные аюрведические знания, но ответы о здоровье требуют проверки квалифицированным специалистом: описание не подтверждает клиническую валидацию рекомендаций. Модель распространяется по лицензии Apache-2.0.

BulkFormer-127M — модель семейства BulkFormer для представления транскриптомов bulk RNA-seq; репозиторий публикует её в формате, совместимом с Transformers. Модель содержит 127 млн параметров и относится ко второй по размеру из пяти выпущенных версий BulkFormer. В метаданных указаны библиотека Transformers и формат весов safetensors. Модель предназначена для извлечения признаков на уровне генов или экспрессии из данных bulk RNA-seq, а также для последующего дообучения с классификационной головой, продолжения предобучения с masked imputation и объединения эмбеддингов с ESM2. Разработчик README ссылается на работу Kang, Fan et al. в Cell Systems (2026) и исходный репозиторий KangBoming/BulkFormer. Лицензия — MIT.

Модель Cristian Untaru, созданная в рамках академического проекта SortMed в Факультете информатики Западного университета Тимишоары, классифицирует краткие описания симптомов на английском языке по трём категориям предварительной оценки срочности: самостоятельное наблюдение, консультация врача общей практики и срочная помощь. Это последовательностный классификатор на базе DistilBERT с замороженным предобученным энкодером: обучалась только классификационная голова. Используются архитектура DistilBertForSequenceClassification и контекст до 512 токенов; модель загружается через Transformers. Модель предназначена для академических прототипов предварительной сортировки обращений, классификации симптомов и экспериментального сравнения подходов к классификации медицинского текста. Она обучена на небольшом наборе данных из 490 обучающих примеров; метки сформированы правилами и не проверены медицинскими специалистами. На тестовой выборке опубликованы accuracy 0,6321, macro precision 0,6766 и macro recall 0,6202. Модель не ставит диагноз и не является сертифицированным медицинским устройством. Она не учитывает важные сведения о пациенте и может ошибаться на редких, неполных или противоречивых описаниях. Предназначена для английского текста; клиническое или экстренное применение без медицинского надзора не подходит. Лицензия — MIT.

Nucleotide Transformer v2 100M Multi-Species — трансформерная языковая модель для анализа последовательностей ДНК, разработанная InstaDeep, NVIDIA и TUM. Модель содержит 94,4 млн параметров и обучена на геномах 850 видов, охватывающих около 174 млрд нуклеотидов. Она использует токенизацию 6-меров, вращательные позиционные эмбеддинги и Gated Linear Units; максимальная длина входа при обучении составляла 1000 токенов, контекст модели — 2050 токенов. Основная задача по метаданным — восстановление замаскированных фрагментов последовательности. Представления модели также подходят для классификации последовательностей и разметки токенов, включая задачи предсказания молекулярных фенотипов. Она предназначена для геномных исследований с видами, представленными в обучающей выборке; растения и вирусы в неё не входили. Модель работает с последовательностями ДНК и не предназначена для обычного текста. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях атрибуции, распространения производных на тех же условиях и ограничивает коммерческое применение.