IV.4Клиническая медицина и общественное здоровье

Это промежуточная модель для медицинской сортировки пациентов, разработанная в проекте CHSA. Она создана на основе Qwen3-1.7B-Base с помощью supervised fine-tuning на корпусе триажа CHSA; LoRA-адаптер слит с весами. Модель генерирует текст и поддерживает диалог, использует шаблон диалога проекта и имеет контекст длиной 32 768 токенов. Она предназначена для экспериментального сравнения с итоговой моделью, прошедшей выравнивание по предпочтениям, и для изучения вклада этого выравнивания. Модель может предлагать уровень срочности и формировать ответ в заданном формате для случаев приёма в отделение неотложной помощи. В карточке указана поддержка французского и английского языков. На 60 написанных вручную тестовых случаях точность уровня триажа составила 0,683; доля недооценки срочности среди неотложных случаев — 30%, поэтому модель нельзя применять в реальных клинических ситуациях. Это образовательный прототип, требующий обязательного надзора специалиста; автор предупреждает, что использованный клинический каталог не проверял врач неотложной медицины. Лицензия — MIT.

Это экспериментальный чекпойнт плотной языковой модели Qwen3 на 3,7 млрд параметров, созданный дообучением Qwen/Qwen3-4B-Instruct-2507. Он предназначен для генерации текста в диалоговом формате; название и карточка указывают на медицинскую тематику и статический чекпойнт первого шага эксперимента. Модель принимает текст и выдаёт текст, работает на библиотеке Transformers и распространяется в формате safetensors; указан контекст до 262 144 токенов. Чекпойнт предназначен для исследовательского использования. Лицензия — Apache-2.0. README не приводит результатов оценки качества или подробностей о медицинских сценариях, поэтому пригодность ответов для клинических решений по этим данным установить нельзя.

seqLens_4096_512_23M-at-xsmall — разработанная omicseye модель-кодировщик для геномных последовательностей ДНК на архитектуре DeBERTa-v2 с разделённым вниманием и относительным позиционным кодированием. Модель содержит около 29,9 млн параметров, принимает последовательности длиной до 512 токенов и загружается через Transformers в формате safetensors. Модель предназначена для заполнения замаскированных участков ДНК и как основа для анализа геномов, включая предсказания фенотипических признаков и аннотацию геномов. Она предварительно обучена на наборе omicseye/prok_heavy; семейство seqLens обучалось на корпусах референсных геномов прокариот и эукариот. Для применения к прикладным биологическим задачам могут потребоваться дополнительные классификационные головы или дообучение. Лицензия CC-BY-NC 4.0 ограничивает коммерческое использование; для коммерческого лицензирования README предлагает связаться с разработчиком.

TinyClinicalBERT — компактная модель семейства BERT, созданная как дистиллированная версия BioClinicalBERT для работы с клиническими текстами. Разработчик обучал её три эпохи на записях MIMIC-III методом послойной дистилляции: слои студенческой модели согласуются с учительской по картам внимания и скрытым состояниям. Модель содержит 15,1 млн параметров, имеет 4 скрытых слоя и контекст длиной до 512 токенов; веса доступны в формате PyTorch. Модель предназначена для заполнения пропусков в клиническом тексте: она предсказывает замаскированный токен с учётом окружающего контекста. Это может быть полезно для экспериментов с медицинскими записями и NLP-сценариев, где требуется компактная masked language model. В карточке указана лицензия MIT. README указывает обучение на англоязычных клинических записях MIMIC-III, поэтому применимость к другим языкам и медицинским источникам может быть ограничена. Описание не приводит оценок качества или результатов клинической валидации; модель не следует считать подтверждённым инструментом для принятия медицинских решений.

VetJarvis-4B-Instruct — специализированная текстовая языковая модель компании CHOONOK COMPANY для ветеринарных знаний о собаках и кошках. Она основана на Qwen3.5-4B и VetJarvis-4B-Base; в обучении использованы продолженное предобучение и дообучение по инструкциям на ветеринарных материалах, обезличенных клинических данных и общих корейских и английских текстах. Модель содержит около 4,2 млрд параметров языковой модели и около 62 млн параметров MTP, использует архитектуру Qwen3_5ForConditionalGeneration и поддерживает контекст до 8 192 токенов. Модель предназначена для ответов на вопросы по ветеринарии, обучения и исследований, включая рассуждения по ветеринарным темам. В карточке сообщается о результатах в нескольких ветеринарных областях, в том числе гематологии и онкологии, ортопедии, эндокринологии и инфекционных заболеваниях. Модель работает только с текстом; в метаданных также заявлены диалоговый режим и интерфейс вызова инструментов. Модель может ошибаться, выдавать устаревшие или ветеринарно неточные сведения; ответы требуют проверки специалистом. Её нельзя использовать для клинических решений о реальных животных, включая диагностику, назначение препаратов и лечение. Лицензия указана как other; карточка разрешает исследовательское и образовательное использование, а более широкое применение связывает с лёгкой проверкой безопасности.

app-odonto-fdi-yolov8s — детектор зубов, разработанный в рамках учебного проекта app-odonto. Модель на базе YOLOv8s дообучена на предварительно обученных весах COCO и распознаёт 32 класса зубов по системе нумерации FDI на панорамных рентгеновских снимках. Она предназначена для обнаружения и нумерации зубов, а не для постановки диагноза. В README приведены результаты тестирования на 94 изображениях, не использованных при обучении: mAP50 — 0,930, mAP50–95 — 0,557. Большинство ошибок нумерации связано с подменой соседнего зуба. Модель создана для учебного проекта, клинически не валидирована и не предназначена для принятия клинических решений. Лицензия — CC BY-NC-SA 4.0.

starmpcc/Asclepius-Llama2-13B-Pretraining-Only — медицинская языковая модель на базе Llama 2 с 12,9 млрд параметров, разработанная starmpcc. Модель предварительно обучена методом авторегрессионного языкового моделирования на синтетических клинических записях Asclepius-Synthetic-Clinical-Notes; это вариант только с предварительным обучением, без упомянутой в карточке instruction fine-tuning версии Asclepius-Llama2-13B. Модель предназначена для генерации английского текста в клиническом контексте и исследовательских экспериментов с медицинскими языковыми моделями. Она принимает текст и генерирует продолжение; нативная длина контекста — 4096 токенов, реализация указана для Transformers/PyTorch. Карточка ограничивает использование исследовательскими целями, поэтому модель не следует считать инструментом для клинических решений. Указанная в метаданных лицензия — CC-BY-NC-4.0; README приводит CC-BY-NC-SA 4.0, поэтому лицензионные условия в источниках расходятся и их следует сверить перед использованием.

Модель разработана Кристианом Унтару в рамках академического проекта SortMed в Западном университете Тимишоары. Это классификатор медицинских текстов на основе RoBERTa с bottleneck-адаптерами: базовый энкодер заморожен, а адаптеры и классификационная голова дообучены. Модель содержит 151,8 млн параметров и принимает короткое описание симптомов на английском языке; контекст — до 514 токенов. Модель относит описание к одной из трёх категорий предварительной оценки срочности: самонаблюдение, консультация врача общей практики или срочная помощь. Она предназначена для академических прототипов, сравнения методов классификации медицинских текстов и экспериментов с параметрически эффективным дообучением. В тестировании на небольшом отложенном наборе показаны accuracy 0,783 и macro recall 0,7818. Обучение проводилось на небольшом наборе примеров, полученных из SymCAT; метки сформированы по правилам и не проверены медицинскими специалистами. Модель не ставит диагноз, не учитывает индивидуальную медицинскую историю и не подходит для самостоятельной оценки экстренных состояний или обработки текстов на других языках. Лицензия — MIT; автор указывает академическое и исследовательское назначение, а практическое применение требует клинической проверки и медицинских мер безопасности.

CENO-1B-base — базовый чекпойнт предобучения геномной модели CENO, разработанный CladeTeam. Он предназначен для генерации последовательностей ДНК, извлечения эмбеддингов и последующей адаптации к задачам геномики. В отличие от вариантов CENO-P, этот чекпойнт не описан как специализированный инструмент для предсказания эффектов вариантов. Модель использует причинную языковую архитектуру Nemotron-H с гибридным backbone Mamba, attention и смесью экспертов (MoE), посимвольный токенизатор и не принимает MSA-входы. README сообщает о 1,3024 млрд параметров и 38 слоях, тогда как метаданные Hugging Face указывают 638,1 млн параметров; точный размер модели по источникам расходится. Контекст составляет 1 048 576 токенов. Модель работает с последовательностями ДНК; лицензия — Apache-2.0. Для загрузки README указывает использование trust_remote_code=True.

CENO-80M-base — базовый чекпойнт предварительного обучения ДНК-модели семейства CENO, разработанной CladeTeam. Это авторегрессионная языковая модель для геномных последовательностей с гибридной архитектурой Nemotron-H, объединяющей Mamba, attention и mixture of experts. В README указано 79,3 млн параметров; метаданные каталога указывают 38 млн. Модель использует посимвольный токенизатор, кодирующий основания ДНК ASCII-байтами, и не требует входов MSA. Модель предназначена для генерации геномных последовательностей, извлечения эмбеддингов и адаптации к прикладным геномным задачам с помощью дообучения или probing. Заявленная длина контекста в метаданных — 1 048 576 токенов. Чекпойнт загружается через Transformers с включением trust_remote_code; код модели включён в репозиторий. Распространяется по лицензии Apache-2.0.

Taykhoom поддерживает эту публикацию весов и токенизатора DNABERT-2, модели-основы для анализа геномных последовательностей, разработанной Zhou и соавторами. Репозиторий содержит веса исходной модели из zhihan1996/DNABERT-2-117M и токенизатор; реализация загружается из Taykhoom/MosaicBERT-updated. Модель основана на BERT и содержит 12 слоёв, 12 голов внимания и размерность эмбеддингов 768; общее число параметров — 116,4 млн. DNABERT-2 обучена на больших массивах геномов разных видов с задачей masked language modeling. Она использует BPE вместо токенизации k-mer, смещения ALiBi и FFN с GLU. Подходит для предсказания замаскированных фрагментов ДНК и получения представлений последовательностей; метаданные также указывают классификацию текста как поддерживаемую задачу. В README описаны варианты ускорения внимания SDPA и Flash Attention 2. Для загрузки этой публикации требуется доверять удалённому коду Taykhoom/MosaicBERT-updated. Репозиторий распространяется по лицензии MIT.

Это зеркальная копия белковой языковой модели ESM-2, разработанной Meta; исходный чекпойнт — facebook/esm2_t33_650M_UR50D. Модель на основе трансформера обучена предсказывать замаскированные остатки в аминокислотных последовательностях. В этой версии 33 слоя и около 865 млн параметров, максимальная длина контекста — 1026 токенов; доступны веса PyTorch, Safetensors и TensorFlow. Модель предназначена для анализа белковых последовательностей и тонкой настройки под задачи биологии. Её поп residue-векторы можно использовать для предсказания участков связывания, оценки влияния вариантов и формирования признаков белковой мишени. Лицензия — MIT. Для крупных чекпойнтов ESM-2 требуются значительные вычислительные ресурсы; README отмечает, что больший размер обычно повышает точность, но требует больше памяти и времени.

GENA-LM BigBird Base T2T — открытая предобученная языковая модель AIRI Institute для анализа длинных последовательностей человеческой ДНК. Это трансформер BigBird с архитектурой BigBirdForMaskedLM, примерно 137,8 млн параметров и разреженным вниманием. Модель обучена предсказывать замаскированные фрагменты геномной последовательности; токенизатор BPE обучен на ДНК и использует словарь размером 32 тысячи токенов. Контекст составляет до 4096 BPE-токенов, что соответствует примерно 36 тысячам нуклеотидов. Предобучение выполнено на сборке человеческого генома T2T с аугментацией вариантами SNP из данных 1000 Genomes. Модель подходит для извлечения представлений последовательностей и адаптации к задачам геномной аннотации; сама по себе она не является специализированным предсказателем конкретных признаков, например сайтов сплайсинга. README не приводит лицензию, поэтому условия использования по имеющимся данным уточнить нельзя.

HyenaDNA large-1m — плотная авторегрессионная модель семейства HyenaDNA, разработанная исследовательской группой авторов проекта HyenaDNA. Она предназначена для анализа геномных последовательностей: модель предварительно обучена предсказывать следующий нуклеотид на референсном геноме человека HG38 и принимает последовательности на уровне отдельных нуклеотидов. Архитектура использует операторы Hyena с длинными свёртками и gating вместо стандартного механизма внимания, что позволяет обрабатывать длинные контексты; для этого чекпойнта заявлен контекст до 1 млн токенов. Размер модели — 7,3 млн параметров. Модель подходит для генерации продолжений ДНК-последовательностей и дообучения для задач классификации последовательностей, включая выявление регуляторных элементов, прогнозирование профилей хроматина и классификацию видов. В карточке описаны результаты на широком наборе геномных задач, но сами веса являются предварительно обученным чекпойнтом, а качество конкретного применения зависит от дообучения и данных. Для длинных последовательностей требуются значительные ресурсы GPU; авторы указывают для инференса large-1m видеокарту A100 с 40 ГБ памяти. Лицензия — BSD-3-Clause.

Isoformer — модель InstaDeep для предсказания дифференциальной экспрессии транскриптов по последовательностям ДНК, РНК и белка. Архитектура семейства Isoformer использует знания трёх предварительно обученных энкодеров: Enformer для ДНК, Nucleotide Transformer v2 для РНК и ESM2 для белков. Модель предназначена для анализа экспрессии транскриптов в разных тканях и объединяет несколько биологических модальностей. Она обучалась на данных GTEx: измерениях TPM для 30 тканей, охватывающих более 5000 человек и около 170 тысяч транскриптов, включая примерно 90 тысяч белок-кодирующих транскриптов. В карточке заявлено, что Isoformer точно предсказывает дифференциальную экспрессию и превосходит существующие методы; количественные результаты в предоставленном описании не приведены. Метаданные указывают задачу fill-mask, но README описывает получение эмбеддингов и предсказаний экспрессии. Лицензия и подробные условия использования в предоставленных данных отсутствуют.

Cas-Warehouse создал эту плотную авторегрессионную языковую модель на архитектуре Llama 3, объединив методом Model Stock несколько моделей для диалогов о психическом здоровье и психотерапии. Модель содержит 7,5 млрд параметров, принимает текст и рассчитана на генерацию ответов в формате чата; её контекст составляет до 8192 токенов. Модель предназначена для диалоговых сценариев, связанных с психологической поддержкой и темами психического здоровья. Она может служить экспериментальной основой для прототипов чат-ботов или изучения слияния специализированных языковых моделей. README и метаданные не описывают обучение, оценку качества или клиническую проверку, поэтому пригодность ответов для практической психологической или медицинской помощи не подтверждена. Условия лицензии в предоставленных источниках не указаны.

Mohammed-Altaf/Medical-ChatBot — медицинский чат-бот на базе GPT-2, представленный Mohammed Altaf. Модель дообучена для генерации ответов на медицинские вопросы; пример в карточке показывает объяснение болезни Паркинсона. Она принимает текст и генерирует текст на английском языке, использует архитектуру GPT2LMHeadModel и контекст до 1024 токенов. Репозиторий содержит веса PyTorch и лицензирован по MIT. Автор указывает, что модель предназначена только для исследований и не подходит для реального медицинского применения. Её ответы не заменяют консультацию врача и не должны служить основанием для диагностики, лечения или иных медицинских решений.

Zamoranesis/mental_bert — англоязычная модель BERT-Base для заполнения пропусков в тексте. Разработчик дообучил mental/mental-bert-base-uncased на датасете hackathon-somos-nlp-2023/DiagTrast; исходная модель предварительно обучалась на публикациях Reddit о психическом здоровье. Модель содержит 136,7 млн параметров, использует архитектуру BertForMaskedLM и принимает контекст длиной до 512 токенов. Модель подходит для подстановки вероятных слов в пропуски англоязычных текстов о психическом здоровье и для экспериментов с анализом таких текстов. В README приведены значения loss: 0,9179 на оценочной и 0,9831 на тестовой выборке. Карточка не описывает более широкие клинические возможности или проверку для принятия решений о здоровье. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

NucEL — геномная модель, разработанная для получения представлений последовательностей ДНК. Она использует ELECTRA-предобучение с дискриминатором на базе ModernBERT: небольшой генератор предлагает замены отдельных нуклеотидов, а дискриминатор учится определять заменённые позиции. При использовании модели загружается дискриминатор; размер составляет около 92,3 млн параметров, длина контекста — до 8192 токенов. Модель предназначена для извлечения эмбеддингов и дообучения на задачах анализа генома человека, включая классификацию регуляторных элементов, связывание факторов транскрипции, поиск сайтов сплайсинга и промоторов, а также анализ профилей гистоновых меток. В README также описан перенос на последовательности мыши, дрожжей и вирусов. Модель поддерживает работу с последовательностями ДНК; неоднозначный нуклеотид N отображается в [UNK], а качество на микробных последовательностях, повторах и сильно отличающихся эволюционных линиях может быть ограничено. Распространяется по лицензии Apache-2.0.

Prompt2MedImage — латентная диффузионная модель для генерации медицинских изображений по текстовому описанию. Её разработал Nihir Chadderwala; модель дообучена на медицинских изображениях из набора ROCO и использует фиксированный предварительно обученный текстовый энкодер CLIP ViT-L/14. Для запуска предназначена библиотека Diffusers. Модель рассчитана на создание изображений по англоязычным текстовым запросам, в том числе описаниям медицинских случаев и рентгенограмм. Репозиторий распространяется по лицензии WTFPL. Карточка не приводит размер модели и длину контекста; качество и клиническая применимость сгенерированных изображений не подтверждены приведёнными сведениями.

PsyCoPref-Llama3-8B-Reward — модель оценки вознаграждения, представленная в статье «Preference Learning Unlocks LLMs' Psycho-Counseling Skills». Разработчики дообучили meta-llama/Llama-3.1-8B-Instruct методом обучения на предпочтениях на наборе PsychoCounsel-Preference. Модель содержит 7,5 млрд параметров, использует плотную архитектуру семейства Llama и формат Safetensors; для работы указан стек Transformers и OpenRLHF. Модель предназначена для оценки ответов в задачах психологического консультирования и обучения диалоговой политики с помощью онлайн-обучения на предпочтениях. Авторы сообщают, что политика PsychoCounsel-Llama3-8B, обученная с её помощью, показала 87% побед против GPT-4o в задачах психологического консультирования; это результат дочерней политики, а не прямой показатель качества самой модели вознаграждения. Метаданные указывают контекст до 131 072 токенов, однако в примере обслуживания README задан предел 2 048 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель специализирована на оценке ответов для психологического консультирования; её описание не подтверждает, что она предназначена для самостоятельного предоставления консультаций пользователям.

HYU-NLP-EVAL разработала плотную языковую модель Qwen3 объёмом 3,7 млрд параметров — экспериментальный чекпойнт шага 24 для проекта RaR-Medicine OnlineRubrics-Every. Модель дообучена на основе Qwen/Qwen3-4B-Instruct-2507 и предназначена для генерации текста в диалоговом формате; карточка указывает медицинский сценарий и полный запуск обучения по онлайн-рубрикам. Чекпойнт в формате BF16 предназначен для инференса, а в каталоге репозитория также сохранены параметры исходного veRL-чекпойнта. Модель использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 262 144 токенов. В README не уточнены языки обучения и конкретные медицинские задачи, поэтому их нельзя определить точнее по имеющимся данным. Модель распространяется по лицензии Apache-2.0. Это ранний экспериментальный чекпойнт, а README ограничивает его исследовательским использованием; качество и пригодность для клинических решений не подтверждены.

Это плотная языковая модель Qwen3, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Представленный чекпойнт относится к серии RaR-Medicine OnlineRubrics-Every; карточка указывает запуск обучения phase1-online-rubrics-medicine-full-dense-20260919-seed11 и шаг 32. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и предназначена для генерации текста в диалоговом режиме. Она принимает текст и выдаёт текст; контекст — до 262 144 токенов. Медицинская тематика и название серии указывают на исследовательскую оценку ответов по онлайн-рубрикам в медицинском контексте. README описывает локальный чекпойнт в BF16 и файлы параметров veRL. Карточка не сообщает результаты оценки или подробности целевого формата ответов, поэтому качество для клинических решений не установлено. Лицензия — Apache-2.0; README ограничивает применение исследовательскими целями.

seqLens_4096_512_106M — геномная языковая модель семейства seqLens, разработанная omicseye. Это энкодер на архитектуре DeBERTa v2 с disentangled attention и относительным позиционным кодированием; модель содержит 138,4 млн параметров и принимает последовательности ДНК для заполнения маскированных участков. Она предназначена для анализа геномных последовательностей и может служить основой для задач геномной аннотации и фенотипического прогнозирования. Модель обучена на наборе omicseye/prok_heavy, содержащем прокариотические геномы. В README семейство seqLens описано как эффективное для фенотипических предсказаний, однако отдельные результаты именно этой версии не приведены. Максимальный контекст — 512 токенов. Лицензия CC-BY-NC 4.0 разрешает некоммерческое использование; для коммерческого лицензирования предлагается обратиться к разработчикам.

kebbbnnn/TinyLlama-Friendly-Psychotherapist — диалоговая модель генерации текста, дообученная на базе Doctor-Shotgun/TinyLlama-1.1B-32k-Instruct на наборах разговоров о психическом здоровье и приветствиях. Она предназначена для бесед в стиле доброжелательного психотерапевтического собеседника и может использоваться для создания прототипов чат-ботов поддержки. Модель основана на архитектуре Llama, содержит около 1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors и рассчитана на работу через библиотеку Transformers. В карточке не приведены сведения о разработчике, лицензии, оценке качества или клинической проверке, поэтому её ответы не следует считать профессиональной психотерапией или медицинской рекомендацией. Язык исходных данных и точные ограничения отдельно не описаны; базовая модель обозначена в метаданных как англоязычная.

TxGravity-30B-A5B — специализированная языковая модель компании Trillion Labs для прогнозирования терапевтических свойств. Она дообучена методом supervised fine-tuning на базе trillionlabs/Gravity-30B-A5B-Base и использует архитектуру GravityMoE, совместимую с DeepSeek-V3. По README, модель содержит 29,56 млрд параметров, из которых активно 5,34 млрд; метаданные указывают 3,8 млрд параметров. Поддерживается контекст до 131 072 токенов, веса доступны в формате safetensors, запуск предусмотрен через Transformers. Модель обучена на инструкционных данных Therapeutic Data Commons для 57 задач. Она принимает текстовые запросы в формате instruction → answer и выдаёт текстовые ответы: метки (A)/(B) для бинарной классификации или нормализованные значения от 000 до 1000 для регрессии. Сценарии включают прогнозирование ADMET и токсичности малых молекул, взаимодействий лекарств с мишенями, белок-белковых и пептид-MHC взаимодействий. README сообщает, что на 53 из 57 оценивавшихся задач модель превзошла TxGemma-27B. Модель не предназначена для общего диалога и не является safety-aligned ассистентом; её ответы рассчитаны на терапевтические запросы в стиле TDC. Предсказания могут быть неточными, смещёнными или неполными, поэтому их необходимо независимо проверять до экспериментального, клинического или иного практического применения. Лицензия — Apache-2.0.

Whisper — разговорный чат-бот для бесед о психическом здоровье, разработанный командой DeepFinders из SLTC Research University. Модель дообучена на Gemma 3 1B IT на диалоговых данных по психологии и предназначена для поддерживающих и эмпатичных ответов в таких разговорах. Это плотная текстовая модель Gemma3ForCausalLM с 1 млрд параметров; она принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 32 768 токенов. Модель можно использовать для учебных демонстраций и исследовательских экспериментов с чат-ботами психологической поддержки. Во время обучения применялась 4-битная квантизация, а веса представлены в формате safetensors. Лицензия — Apache-2.0. Модель может ошибаться или давать неподходящие ответы и не заменяет профессиональную помощь в области психического здоровья; для применения нужны меры предосторожности и человеческий контроль.

ChatNT — разработанная InstaDeep мультимодальная разговорная модель для вопросов о последовательностях ДНК, РНК и белков. Она сочетает энкодер Nucleotide Transformer v2 на 500 млн параметров, модуль Perceiver Resampler и замороженный декодер Vicuna-7B; ответы формируются авторегрессионно на английском языке. Модель принимает текстовый запрос с маркером последовательности и соответствующую последовательность ДНК, разбитую на перекрывающиеся 6-меры; вход ограничен 2048 токенами, примерно 12 тысячами оснований ДНК. ChatNT дообучена по инструкциям на корпусе для 27 задач с ДНК, РНК и белками. Она предназначена для диалогового анализа биологических последовательностей и выдаёт текстовые ответы, включая метки классов, мульти метки и числовые значения. Модель ограничена задачами и форматами, представленными при обучении; может ошибаться на новых входах и допускать ошибки в числовых прогнозах. Она не предназначена для клинической диагностики, а важные результаты следует проверять экспериментально или специализированными биоинформатическими методами. Условия лицензирования в предоставленных данных не описаны.

Taykhoom/Evo1-1-7B-8K — порт базовой модели Evo 1, разработанной Together Computer, на библиотеку Hugging Face Transformers. Это плотная причинная языковая модель архитектуры StripedHyena примерно с 7 млрд параметров; в метаданных указано 8,6 млрд. Модель обучена предсказывать следующий байт в последовательностях ДНК и рассчитана на контекст до 8 192 токенов. Словарь основан на сырых байтах UTF-8, а исходный чекпойнт — togethercomputer/evo-1-8k-base@1.1_fix. Модель предназначена для генерации продолжений последовательностей ДНК, получения логитов и скрытых представлений для последующего анализа и обучения специализированных голов. Порт открывает доступ к скрытым состояниям и весам внимания, поддерживает загрузку через AutoModel и выбор реализации внимания. README сообщает о побитном совпадении с исходной реализацией при использовании flash_attention_2; другие бэкенды могут давать небольшие численные расхождения. Для работы с чекпойнтом рекомендуется bf16, а flash_attention_2 требует установленного flash-attn. Лицензия — Apache-2.0.

Taykhoom/Evo2-7B-1M — перенос на Hugging Face модели Evo 2 7B от Arc Institute с контекстом до 1 млн токенов. Это плотная авторегрессионная языковая модель семейства StripedHyena 2: 32 слоя сочетают блоки Hyena и multi-head attention. Модель предварительно обучена предсказывать следующий байт на данных OpenGenome2, охватывающих разнообразие живых организмов. Модель предназначена для генерации последовательностей ДНК и извлечения их представлений для анализа. Перенос поддерживает загрузку через `from_pretrained`, получение скрытых состояний по слоям и весов внимания, а также переключение backend внимания. Веса представлены в safetensors; README подтверждает точность переноса в bf16 с SDPA в контролируемой конфигурации. Для варианта с FP8 проекциями на входе требуются NVIDIA Transformer Engine и GPU класса Hopper, например H100 или H200. README также описывает bf16-путь SDPA; Flash Attention 2 доступен как альтернативный backend и требует отдельной установки. Лицензия — Apache-2.0.