IV.4Клиническая медицина и общественное здоровье

MedraQ-8b-i1-GGUF — это набор GGUF-квантизаций модели MedraQ-8b, базовая версия которой разработана drwlf, а квантизации подготовлены mradermacher. Модель ориентирована на медицинские сценарии, включая генерацию текста, суммаризацию и диагностическое рассуждение. В метаданных также указана тонкая настройка на датасете nicoboss/medra-medical. Поддерживаются английский и румынский языки. Модель относится к классу текстовых генеративных моделей и имеет размер 8 миллиардов параметров; в тегах указана архитектурная основа Gemma 3. Представлены варианты GGUF с разными уровнями imatrix-квантизации и размером файлов примерно от 1,2 до 3,4 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Часть наиболее компактных вариантов отмечена как имеющая низкое качество, тогда как Q4_K_M обозначен как быстрый и рекомендуемый вариант. Сведения о размере контекстного окна и мультимодальных возможностях отсутствуют. Модель распространяется по лицензии Apache-2.0.

llm-semantic-router/mmbert-embed-medical — дообученная командой llm-semantic-router модель Sentence Transformers для получения эмбеддингов медицинских текстов. Она основана на ModernBERT и преобразует предложения и абзацы в плотные векторы размерностью 768; сходство между ними можно оценивать по косинусной мере. Модель принимает текстовые последовательности длиной до 32 768 токенов. Модель подходит для семантического поиска по медицинским материалам, сравнения текстов, поиска перефразировок, кластеризации и классификации текста. Обучение проводилось на 492 примерах с использованием MultipleNegativesRankingLoss. В репозитории представлены форматы safetensors и ONNX. Условия лицензирования в предоставленных данных не описаны.

Модель uaritm/multilingual_en_uk_pl_ru создана Vitaliy Ostashko и предназначена для получения плотных векторных представлений предложений и абзацев. Это модель Sentence-Transformers на архитектуре XLM-RoBERTa с 305,2 млн параметров; она использует mean pooling и формирует эмбеддинги размерности 768. В README приведён сценарий семантического сопоставления жалоб пациентов со специальностью врача в сервисе Virtual General Practice; также модель подходит для семантического поиска и кластеризации текстов. Модель поддерживает английский, украинский, польский и русский языки. Максимальная длина последовательности в конфигурации Sentence-Transformers — 128 токенов; нативное контекстное окно по метаданным — 514 токенов. Распространяется под лицензией Apache-2.0.

Jhusef Alfonso López Parra разработал эту модель распознавания именованных сущностей в клинических текстах на испанском языке. Она дообучена для токенной классификации онкологических сущностей по 30 меткам в схеме BIO на основе XLM-RoBERTa-large и предназначена для извлечения медицинских упоминаний из текстов, например сведений о диагнозе и лечении. Модель содержит 658,7 млн параметров, принимает текст и поддерживает контекст длиной до 514 токенов. Для разметки текста можно использовать библиотеку Transformers и pipeline token-classification с объединением фрагментов сущностей. В README указаны метрики на валидации: F1 0,9499, точность 0,9394 и полнота 0,9607. Модель распространяется по лицензии Apache-2.0. Это академическая модель: она может ошибаться и отражать смещения обучающего корпуса, поэтому её результаты не заменяют оценку медицинского специалиста.

OpenMed-NER-DiseaseDetect-SuperClinical-184M — модель OpenMed для распознавания названий заболеваний в биомедицинских текстах. Это дообученный трансформер DeBERTa-v2 для классификации токенов: он размечает упоминания заболеваний тегами BIO, включая B-DISEASE и I-DISEASE. В метаданных указано 211,6 млн параметров и контекст до 512 токенов; модель принимает токенизированный текст и возвращает метки сущностей. Модель предназначена для извлечения заболеваний из научных публикаций, клинических записей и медицинских документов, а также для биомедицинского поиска и анализа текстов. Она обучена на компоненте BC5CDR-Disease корпуса BioCreative V; карточка сообщает F1 0,89, точность 0,87 и полноту 0,92. Карточка заявляет поддержку английского языка и совместимость с Transformers. Модель распространяется по лицензии Apache-2.0. Её область распознавания ограничена заболеваниями; карточка не подтверждает распознавание лекарств или химических веществ этой версией, а результаты на других типах текстов и за пределами набора BC5CDR могут отличаться.

OpenMed-ZeroShot-NER-Disease-Medium-209M — модель OpenMed для распознавания упоминаний заболеваний и патологических состояний в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на наборе BC5CDR-Disease из 1 500 аннотаций PubMed с разметкой заболеваний. В README заявлена оценка F1 0,8848 на тестовой выборке, исключённой из обучения. Модель принимает текст и возвращает найденные сущности с метками. Её можно применять для извлечения заболеваний из научных аннотаций и медицинских записей, фенотипирования пациентов, индексирования заболеваний и отбора литературы. Заявлена возможность задавать пользовательские типы сущностей без дополнительного обучения, однако специализация и приведённая оценка относятся к распознаванию заболеваний. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель предназначена для англоязычных биомедицинских текстов; контекстное окно и размер в параметрах в предоставленных данных не указаны.

qCammel-70-x — дообученная Augtoma языковая модель на архитектуре Llama 2, предназначенная для ответов на инструкции и работы с академическими медицинскими знаниями. Модель содержит 68,7 млрд параметров и была дообучена методом QLoRA на дистиллированном наборе из 15 000 инструкций. Модель принимает текст и генерирует текст. Заявленная специализация — медицинские знания и диалоговое следование инструкциям; архитектура — авторегрессионный декодерный трансформер Llama 2, длина контекста — 4096 токенов. Карточка указывает, что для использования весов требуется принять лицензию Meta Llama 2 Community License; также упоминается доступность специальной коммерческой лицензии.

Redflag Detection V4.0 — медицинская модель извлечения тревожных симптомов и контекстных признаков из текста. Разработчик дообучил Qwen2.5-7B-Instruct с помощью LoRA; модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и рассчитана на контекст до 32 768 токенов. Она формирует структурированный JSON по схеме из 96 симптомов, признаков тяжести, факторов риска и контекстных флагов, чтобы передать результаты механизму правил для определения совпавших и предполагаемых медицинских тревожных признаков. Модель предназначена для извлечения симптомов и контекста из медицинских сообщений, а не для самостоятельной постановки диагноза. В README приведены результаты проверки на выборке из 269 примеров: точность и полнота зависят от режима подсчёта, а полнота в строгом режиме составляет 0,749. Для применения через описанный интерфейс vLLM требуется отдельный движок правил V20 с 59 правилами. Карточка указывает лицензию Apache-2.0. Модель обучена на английских данных; метаданные также отмечают китайский и малайский языки, но качество для них не приводится.

Модель HUMADEX/spanish_medical_ner разработана авторами исследования по слабонадзорному многоязычному извлечению медицинских сущностей. Это дообученная на испанских медицинских данных BERT-base-cased с архитектурой BertForTokenClassification; она размечает в клиническом тексте заболевания и симптомы (PROBLEM), диагностические исследования (TEST) и лечение (TREATMENT). Модель подходит для извлечения медицинских упоминаний из испанских клинических текстов, анализа клинических данных и исследовательской обработки медицинских документов. Модель содержит 135,5 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и Safetensors. В README приведены F1 0,776, точность 0,771 и полнота 0,781. Для использования указана лицензия Apache-2.0. Карточка не описывает клиническую валидацию, поэтому показатели оценки на тестовом наборе сами по себе не подтверждают пригодность модели для принятия медицинских решений.

Карточка модели FreedomIntelligence/Apollo2-7B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo2-3.8B, поэтому описание составлено по ней. Apollo2-3.8B — медицинская языковая модель, разработанная командой FreedomIntelligence. Это плотная модель семейства Phi-3 с 3,7 млрд параметров, дообученная на ApolloMoEDataset на базе microsoft/Phi-3-mini-4k-instruct. Модель предназначена для ответов на медицинские вопросы и диалога о медицинских знаниях. Модель ориентирована на английский и китайский, а также на 10 других основных языков, включая русский, французский, хинди, испанский, арабский, японский, корейский, немецкий, итальянский и португальский; заявлена поддержка ещё 38 языков. Карточка описывает оценивание на медицинских тестах по нескольким языкам, включая RuMedBench для русского. Контекст составляет до 4096 токенов, формат весов — safetensors. Модель распространяется по лицензии Apache-2.0. Она подходит для ответов на медицинские вопросы и справочных диалогов, но её ответы не следует считать клиническими рекомендациями без проверки специалистом. README не приводит конкретных численных результатов для этой версии.

Карточка модели FreedomIntelligence/Apollo2-9B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo2-3.8B, поэтому описание составлено по ней. Apollo2-3.8B — медицинская языковая модель, разработанная командой FreedomIntelligence. Это плотная модель семейства Phi-3 с 3,7 млрд параметров, дообученная на ApolloMoEDataset на базе microsoft/Phi-3-mini-4k-instruct. Модель предназначена для ответов на медицинские вопросы и диалога о медицинских знаниях. Модель ориентирована на английский и китайский, а также на 10 других основных языков, включая русский, французский, хинди, испанский, арабский, японский, корейский, немецкий, итальянский и португальский; заявлена поддержка ещё 38 языков. Карточка описывает оценивание на медицинских тестах по нескольким языкам, включая RuMedBench для русского. Контекст составляет до 4096 токенов, формат весов — safetensors. Модель распространяется по лицензии Apache-2.0. Она подходит для ответов на медицинские вопросы и справочных диалогов, но её ответы не следует считать клиническими рекомендациями без проверки специалистом. README не приводит конкретных численных результатов для этой версии.

Asclepius-Llama3-8B — клиническая языковая модель, разработанная командой Asclepius и дообученная на базе Llama 3 8B. Это плотная авторегрессионная архитектура LlamaForCausalLM с 7,5 млрд параметров и контекстом до 8192 токенов; модель принимает и генерирует текст на английском языке. Модель предназначена для клинического NLP по медицинским записям: извлечения именованных сущностей и отношений, раскрытия сокращений, извлечения временных связей, разрешения кореференции, перефразирования, суммаризации и ответов на вопросы. В карточке указано, что модель следует использовать только для исследований; она не предназначена для самостоятельных клинических решений. Лицензия CC-BY-NC-SA 4.0 требует указания авторства и распространяет производные работы на тех же условиях, запрещая коммерческое использование.

BioLORD-2023 — модель эмбеддингов для клинических предложений и биомедицинских понятий, разработанная авторами BioLORD. Она основана на sentence-transformers/all-mpnet-base-v2 и дообучена на BioLORD-Dataset и определениях из AGCT, сгенерированных большой языковой моделью. Архитектура MPNet содержит 136,7 млн параметров; модель преобразует предложения и фразы в плотные векторы размерности 768. Контекст — до 514 токенов. Модель предназначена для оценки семантического сходства медицинских текстов и биомедицинских понятий, семантического поиска и кластеризации клинических записей. Определения и описания понятий из биомедицинских онтологий помогают ей формировать представления, отражающие смысл и иерархические связи; в README заявлены лучшие результаты на MedSTS и EHR-Rel-B. Также может создавать эмбеддинги текстов общего назначения, но наиболее полезна для медицинских документов, электронных медицинских карт и клинических заметок. Модель принимает текст на английском языке и выдаёт векторные представления; указана поддержка sentence similarity и feature extraction. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверить на странице модели.

Cardioner Medroberta.Nl Multilabel — модель на основе MedRoBERTa.nl, дообученная для классификации фрагментов нидерландских клинических текстов по нескольким категориям. Разработчики объединили лучшие контрольные точки десяти разбиений перекрёстной проверки; модель использует схему IOB для разметки фрагментов. Она содержит 153,2 млн параметров и рассчитана на контекст до 514 токенов, хотя в README для обработки указывается ограничение менее 512 токенов. Модель извлекает из клинических текстов по кардиологии названия заболеваний, лекарств, процедур и симптомов. Её можно применять для структурирования записей, поиска клинических сущностей и последующей агрегации предсказаний по последовательностям. Для длинных документов README рекомендует предварительно делить текст на предложения или абзацы. Модель принимает текст на нидерландском языке и выдаёт метки классов для найденных фрагментов. Она дообучена на вручную размеченном корпусе CardioCCC для клинической кардиологии; метрики F1 в карточке приведены по десяти разбиениям перекрёстной проверки. Распространяется по лицензии GPL-3.0.

Portuguese Clinical NER - Disorder — модель распознавания клинических сущностей, связанных с расстройствами, в португальских текстах. Она входит в проект BioBERTpt, разработана на базе модели BioBERTpt(all) и обучена командой pucpr на бразильском клиническом корпусе SemClinBr в течение 10 эпох с разметкой IOB2. Модель использует архитектуру BERT с головой классификации токенов, содержит 205,1 млн параметров и обрабатывает последовательности длиной до 512 токенов. Основной сценарий — извлечение упоминаний расстройств из клинических текстов на португальском языке; распознанные фрагменты размечаются по токенам.

cxllin/Llama2-7b-med-v1 — медицинская языковая модель, опубликованная Коллином Хинаном и дообученная на базе Llama 2 7B. Она предназначена для ответов на медицинские вопросы и генерации медицинского текста, включая краткие изложения. Модель использует плотную трансформерную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Основной язык — английский; модель работает с текстом и выдаёт текст. Среди возможных сценариев — ответы на вопросы по медицинским темам, медицинский чат-бот и извлечение информации из медицинских документов. Обучение проводилось на датасете cxllin/medinstruct объёмом 10,2 тыс. примеров, посвящённых вопросам и ответам из медицинских экзаменов. Модель распространяется по лицензии Apache-2.0. Она может воспроизводить предвзятость данных и выдавать неточную медицинскую информацию; ответы требуют проверки специалистом, и модель не предназначена для постановки окончательных диагнозов или применения в критически важных медицинских системах без строгой валидации.

Llama-3-OpenBioMed-8B-slerp-v0.2 — объединённая модель для генерации текста на основе Llama 3, созданная с помощью LazyMergekit. Она объединяет aaditya/Llama3-OpenBioLLM-8B и johnsnowlabs/JSL-MedLlama-3-8B-v2.0 методом SLERP; в конфигурации указана точность bfloat16. Модель предназначена для генерации ответов и текста в биомедицинской области, включая работу с медицинскими и биомедицинскими запросами. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. Базовые модели ориентированы на английский язык, поэтому основной язык применения — английский. Репозиторий распространяется в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

MedGemma 1.5 4B IT — мультимодальная инструкционно настроенная медицинская модель, разработанная Google и адаптированная сообществом mlx-community для формата MLX. Исходная модель — google/medgemma-1.5-4b-it; данная версия предназначена для запуска с библиотекой mlx-vlm, в том числе на совместимом оборудовании Apple. Модель принимает текст и изображения и ориентирована на медицинские сценарии: анализ радиологических изображений, клиническое рассуждение, дерматологию, патологию, офтальмологию и работу с рентгеновскими снимками грудной клетки. Вариант имеет размер 4B и 4-битное квантование; точные сведения о поддерживаемых языках и размере контекстного окна в представленном README не указаны. Для запуска требуется mlx-vlm версии 0.3.9 или совместимая версия. К преимуществам относятся специализированная медицинская направленность, поддержка анализа изображений и возможность локального запуска в формате MLX. Ограничения и результаты медицинской валидации в README не описаны, поэтому выводы модели не следует считать заменой профессиональной медицинской оценке. Использование регулируется условиями Health AI Developer Foundations; доступ к модели на Hugging Face требует ознакомиться с ними и принять их. Авторские права на исходную модель принадлежат Google, а конверсию в MLX выполнило сообщество mlx-community.

MedGemma 27B IT — медицинская мультимодальная модель Google, представленная в формате GGUF пользователем mradermacher. Модель предназначена для задач, связанных с анализом медицинских изображений и текста: работы с рентгеновскими снимками, патологией, дерматологией и изображениями глазного дна, генерации радиологических заключений, медицинских эмбеддингов, классификации изображений, zero-shot-классификации, извлечения признаков и преобразования изображения и текста в текст. В README указан английский язык. Исходная модель имеет размер 27 млрд параметров и поддерживает мультимодальную обработку через дополнительный компонент mmproj. Контекст, точная архитектура и перечень поддерживаемых языков, кроме английского, не указаны. Доступны варианты квантования GGUF размером примерно от 10,6 до 28,8 ГБ; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством. Сильными сторонами являются специализация на медицинских сценариях, поддержка анализа изображений и текста и возможность локального использования в различных степенях квантования. Ограничениями выступают значительные требования к дисковому пространству и ресурсам, возможная потеря качества при агрессивном квантовании, а также отсутствие в README данных о контекстном окне и результатах оценки. Использование регулируется условиями Health AI Developer Foundation; для доступа требуется ознакомиться с ними и принять их.

mradermacher/medgemma-27b-it-i1-GGUF — это набор взвешенных imatrix-квантизаций в формате GGUF базовой мультимодальной модели google/medgemma-27b-it. Квантизацию выполнил пользователь mradermacher; исходная модель разработана Google. Модель ориентирована на медицинские сценарии, включая работу с рентгеновскими снимками, патологией, дерматологией, изображениями глазного дна, радиологическими заключениями, классификацией изображений, zero-shot-классификацией, извлечением признаков и задачами image-text-to-text. Архитектура исходной модели имеет размер 27B параметров; поддерживаются текстовые и визуальные данные, однако точные сведения о контекстном окне и полном наборе языков в README не указаны. Репозиторий предоставляет варианты квантизации IQ и Q объёмом примерно от 6,4 до 22,3 ГБ. Это позволяет выбирать компромисс между размером, скоростью и качеством, но низкобитные варианты могут заметно терять в качестве; для части конфигураций автор рекомендует варианты Q4_K_M или Q5–Q6. Модель следует рассматривать как инструмент для исследовательских и прикладных медицинских задач, а не как замену клинической экспертизе. Доступ регулируется условиями Health AI Developer Foundation; для получения модели на Hugging Face требуется ознакомиться и согласиться с соответствующими terms of use. Лицензия обозначена как health-ai-developer-foundations, при этом конкретные юридические ограничения необходимо уточнять в опубликованных условиях.

Medichat-V2-Llama3-8B — медицинская разговорная языковая модель, созданная Sethuiyer путём объединения предварительно обученных моделей с помощью mergekit и метода DARE TIES. В основе лежит refuelai/Llama-3-Refueled; в объединение также вошли медицинская модель ruslanmv/ai-medical-model-32bit и Locutusque/Llama-3-Hercules-5.0-8B. Модель имеет архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для ответов на медицинские вопросы в диалоговом формате и особенно полезна для структурирования неструктурированных клинических текстов. Карточка описывает англоязычные данные и медицинскую специализацию; модель принимает текст и генерирует текст. Модель распространяется в формате safetensors под лицензией other, поэтому условия использования следует сверять с лицензией и условиями исходных моделей. Ответы могут содержать ошибки и не заменяют оценку квалифицированного медицинского специалиста.

Medra4b-65424-i1-GGUF — квантованная версия медицинской языковой модели Medra4b-65424, разработанной drwlf и подготовленной в формате GGUF пользователем mradermacher. Модель дообучена на наборе данных medra-medical-extended-thinking и предназначена для задач медицинского анализа текста, диагностического рассуждения, суммаризации и генерации текста. Заявлена поддержка английского и румынского языков. Модель относится к семейству Gemma 3 и является vision-моделью, поэтому может поддерживать обработку визуальных входов при наличии соответствующих mmproj-файлов. Точный размер базовой модели, архитектурные параметры и размер контекстного окна в README не указаны. Репозиторий содержит множество вариантов GGUF-квантизации размером примерно от 1,5 до 3,8 ГБ; варианты различаются соотношением скорости, размера и качества, причём более агрессивная квантизация может заметно снижать качество ответов. Модель удобна для локального запуска благодаря компактным квантованным версиям и подходит для исследовательских и прикладных сценариев, связанных с медицинскими текстами. Ограничения включают зависимость качества от выбранного варианта квантизации, отсутствие подробных результатов оценки и необходимость осторожной проверки медицинских ответов специалистом. Указанная лицензия — Apache-2.0.

Technoculture/Medtulu-4x7B — языковая модель семейства Mixtral с архитектурой смеси экспертов (MoE), предназначенная для генерации текста. В README она описана как объединение моделей epfl-llm/meditron-7b, medalpaca/medalpaca-7b, chaoyi-wu/PMC_LLAMA_7B_10_epoch и allenai/tulu-2-dpo-7b; медицинская специализация первых трёх компонентов указывает на применение для медицинских текстов и вопросов. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текст, а длина контекста составляет 8192 токена. Репозиторий использует формат safetensors. Указанная лицензия — Apache-2.0. Её можно применять для ответов на медицинские вопросы и работы с медицинской литературой, однако README не содержит заполненных результатов бенчмарков, поэтому качество и надёжность ответов по этим данным оценить нельзя.

mLateOn-medical — много-векторный текстовый энкодер, дообученный на базе lightonai/mLateOn-unsupervised с помощью Sentence Transformers. Модель разработана для медицинского поиска: она преобразует текст в последовательности 128-мерных векторов токенов и оценивает соответствие запроса документу методом позднего взаимодействия MaxSim. Архитектура основана на ModernBERT, содержит 306,9 млн параметров и принимает последовательности длиной до 8192 токенов. Модель обучена на миллионе пар медицинских вопросов и фрагментов текста из MIRIAD. Она предназначена для семантического поиска и ранжирования медицинских документов; автор сообщает о превосходстве над протестированными универсальными поисковыми моделями на бенчмарке из 1000 медицинских запросов и 200 000 фрагментов. Для запуска используется библиотека Sentence Transformers. Карточка не сообщает лицензию и не указывает языки обучения или поддержки, поэтому область применения по языкам определить нельзя.

OpenMed/OpenMed-ZeroShot-NER-Anatomy-Medium-209M — модель OpenMed для извлечения анатомических сущностей из медицинских и биомедицинских текстов. Она распознаёт структуры тела, органы, ткани и их части; заявлены сценарии разбора клинических записей, радиологических заключений и хирургических заметок, а также извлечения локализации заболевания. Модель основана на архитектуре GLiNER и дообучена на корпусе ANATOMY. Она поддерживает zero-shot распознавание: типы сущностей задаются при использовании, без отдельного дообучения под каждую категорию. В README указано значение F1 0,9114 на тестовом наборе ANATOMY, не включённом в обучение. Модель принимает текст и возвращает найденные сущности с метками; в метаданных основным тегом задачи указан token-classification. Карточка описывает её как предназначенную для производственного применения, однако приведённая оценка относится к конкретному набору данных и не гарантирует качество на других текстах или пользовательских типах сущностей. Лицензия — Apache-2.0. Поддержка английского языка указана в метаданных.

OpenMed-ZeroShot-NER-Pathology-Medium-209M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Она использует архитектуру GLiNER и дообучена на корпусе NCBI Disease; размер модели, указанный в названии, — 209 млн параметров. Модель принимает текст и возвращает найденные сущности с метками, поддерживая zero-shot извлечение типов сущностей, задаваемых пользователем. Основное назначение — извлечение названий заболеваний из научной литературы и клинических текстов для поиска по медицинским данным, построения когорт и графов знаний, а также последующей нормализации понятий к MeSH или OMIM. Для распознавания заболеваний в тесте NCBI Disease в карточке приведён F1 0,894. Модель также может применяться к другим заданным типам сущностей, однако карточка подробно подтверждает обучение и оценку именно для заболеваний. Лицензия — Apache-2.0.

Qwen2.5-1.5B-Medical-DPO — медицинская языковая модель Ахмада Наваза на базе Qwen2.5-1.5B от Unsloth. Это плотный трансформер с авторегрессионной архитектурой Qwen2 и 1,5 млрд параметров; репозиторий содержит объединённые веса FP16. Модель дообучена в два этапа: QLoRA на медицинских терминах и клинических карточках, затем выравнивание предпочтений методом DPO. Контекст модели — до 32 768 токенов. Модель предназначена для генерации медицинских ответов, поддержки клинических рассуждений и справочной работы по симптомам, заболеваниям и диагностике. В качестве обучающих данных указаны Medical Meadow Medical Flashcards и пары предпочтений Intel Orca DPO; README отдельно описывает медицинский этап SFT. Заявленная лицензия — Apache-2.0. Небольшой размер и ограниченные сведения о проверке качества не позволяют считать ответы заменой профессиональной медицинской оценке.

Phora68/rapha-embed-clinical-v1 — текстовая Sentence Transformer модель, дообученная на основе BAAI/bge-small-en-v1.5 для клинического семантического поиска и сопоставления предложений. Она кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и сравнивает по косинусному сходству. Архитектура включает BERT-трансформер и pooling по CLS-токену; метаданные указывают 40 млн параметров и контекст до 512 токенов, тогда как в README заявлена максимальная длина последовательности 128 токенов. Модель обучалась на парах клинически связанных и несвязанных текстов с MultipleNegativesRankingLoss. Примеры показывают сопоставление жалоб пациентов с клиническими наблюдениями и выделение тревожных симптомов, поэтому модель подходит для поиска клинически релевантных фрагментов и ранжирования кандидатов. Она принимает и выдаёт текстовые представления через векторные эмбеддинги; базовая BGE-модель англоязычная, а приведённые примеры и описание датасета также на английском. Модель предназначена для поиска и сравнения текстов, а не для постановки диагноза или генерации медицинских рекомендаций. README не сообщает лицензию; численные результаты приведены только для TripletEvaluator на наборе rapha-val и не подтверждают клиническую безопасность или пригодность для других данных.

SapBERT-from-roberta-base-biomedical-clinical-es — модель эмбеддингов испанских биомедицинских понятий, разработанная группой NLP4BIA Барселонского суперкомпьютерного центра. Она основана на PlanTL-GOB-ES/roberta-base-biomedical-clinical-es и обучена по процедуре, подобной SapBERT, на испанских записях UMLS 2023AA и торговых названиях лекарств. В репозитории указаны архитектура RoBERTa и 153,2 млн параметров; модель принимает текст и формирует числовые векторные представления. Длина контекста — 514 токенов. Модель предназначена для вычисления семантического сходства биомедицинских понятий и связывания упоминаний сущностей с концептами UMLS, в том числе в испанских клинических текстах. Её оценивали в контексте задачи связывания медицинских сущностей на испанском языке. Лицензия — Apache 2.0. Авторы предупреждают о возможных смещениях и нежелательных искажениях; риски применения следует учитывать в соответствии с применимыми требованиями.

ThaiLLM-8B-MedApp v2.0.0 — плотная языковая модель на архитектуре Qwen3 с 7,6 млрд параметров, разработанная ThaiLLM для медицинских диалогов на тайском и английском языках и вызова структурированных инструментов. Контекст — 32 768 токенов. Версия v2 создана как нормализованное линейное слияние полных весов MedApp v1 и ToolUse в пропорции 70/30 с помощью MergeKit; после слияния дополнительного дообучения не было. Репозиторий содержит веса Safetensors, а модель предназначена для использования через Transformers и совместимые с OpenAI API конечные точки с заданной схемой инструментов. Модель рассчитана на медицинские беседы и маршрутизацию вызовов для записи на приём, напоминаний, предварительного опроса и поиска медицинских фактов. В карточке приведены сравнительные тесты, где v2 показала улучшения относительно v1 в оценках медицинских ответов, цитирования, выбора инструментов и стабильности диалога; результаты ограничены описанными наборами данных и протоколами. Модель может выдавать неточную или небезопасную медицинскую информацию и не заменяет врача или проверенную систему поддержки клинических решений. Вызовы инструментов требуют проверки аргументов и авторизации. Лицензия в явном виде не указана; перед использованием или распространением следует уточнить условия у ThaiLLM.