IV.4Клиническая медицина и общественное здоровье

Карточка модели alhparsa/qwen35-extract-tsv-v1 на Hugging Face совпадает с карточкой alhparsa/qwen35-extract-tsv-v2, поэтому описание составлено по ней. alhparsa/qwen35-extract-tsv-v2 — дообученная модель семейства Qwen3.5 для извлечения фактов из изображений страниц медицинских документов, например приёмных и клинических записей. Она принимает изображения вместе с текстовыми инструкциями и выдаёт компактный TSV: контекстную строку с идентификационными данными пациента и строки с фактами, временными данными, тегами и оценкой уверенности. Модель может использовать только теги из списка, переданного во входном сообщении. README описывает полное выборочное дообучение Qwen3.5-9B и гибридную архитектуру с GatedDeltaNet, блоками полного внимания и зрительным модулем. Для обслуживания рекомендуются vLLM, длина контекста 32768 токенов и параметры обработки изображений из карточки; указаны также режимы ускоренного декодирования DFlash/MTP. По оценке авторов, на их проверке извлечение достигает примерно 98–100% полноты и около 100% точности после удаления дублей; заявленная скорость — 4,4–4,9 секунды на страницу на двух H100. Эти показатели относятся к проверке автора и не гарантируют такое же качество на других документах. Модель предназначена для извлечения структурированных сведений из медицинских документов, в том числе из многостраничных PDF после преобразования страниц в изображения. Для полноты авторы рекомендуют обрабатывать перекрывающиеся окна страниц и объединять результаты с последующим удалением смысловых дублей. Лицензия в метаданных обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

EraX-VL-7B-V2.0-Preview — мультимодальная модель семейства Qwen2-VL, разработанная EraX совместно с участниками команды BCG и профинансированная Bamboo Capital Group и EraX. Модель содержит 7,1 млрд параметров, принимает изображения и текст и формирует текстовые ответы. Она дообучена для распознавания текста на изображениях и ответов на вопросы по ним, особенно по документам, с акцентом на вьетнамский язык. В метаданных указан контекст до 32 768 токенов. Модель предназначена для извлечения текста и сведений из медицинских форм, счетов и других документов, а также для анализа медицинских изображений и фотографий автомобильных аварий. README предупреждает, что для разных сценариев может потребоваться тщательно подбирать запросы. Версия обозначена как предварительная; приведенные в карточке примеры радиологических выводов следует рассматривать как демонстрацию, а не как замену профессиональной медицинской оценке. Лицензия — Apache-2.0.

Parrotlet-v-2.5-pro — мультимодальная модель от Eka Care, созданная дообучением Google Gemma 4 E2B IT для извлечения структурированных данных из изображений индийских медицинских документов. Она разбирает рецепты, счета и лабораторные отчёты, выписки из стационара и выявляет персональные данные. Для выбора схемы извлечения модель получает изображение документа и короткий тег; ответ формируется в структурированном виде. Языковая часть Gemma была дообучена, а компоненты обработки изображений и аудио оставлены замороженными. Веса опубликованы в формате bf16, модель рассчитана на работу через Transformers. Внутренняя оценка на 1 147 страницах показала сильные результаты по извлечению лабораторных данных, рецептов, выписок и PII. Наиболее заметные ограничения — счета, особенно рукописные позиции, и сложные нетабличные лабораторные отчёты. Модель оценивали на внутреннем наборе; её качество на других форматах документов, языках и медицинских записях за пределами Индии не проверено. Это инструмент разбора документов, а не диагностики или принятия клинических решений; результаты следует проверять специалисту. Лицензия — Apache 2.0.

colbert-ko-v1 — корейская многовекторная модель эмбеддингов ColBERT, дообученная автором yjoonjang с помощью PyLate на корейских данных. Она предназначена для семантического поиска по документам, извлечения релевантных фрагментов и повторного ранжирования результатов с помощью позднего взаимодействия MaxSim. Архитектура основана на ModernBERT с линейным проекционным слоем 768→128; модель содержит 148,7 млн параметров и принимает текстовые запросы и документы. README указывает длину запроса до 32 токенов и документа до 1024 токенов, а метаданные — контекст 16 384 токена. Модель ориентирована исключительно на корейский язык. В README приведены оценки на наборах для многошагового поиска ответов и корейского поиска по документам, включая медицинские и общественные материалы; результаты сравниваются с jina-colbert-v2. Доступны веса safetensors, библиотека PyLate, лицензия Apache-2.0. Для применения нужны индекс документов и поисковый конвейер; модель формирует векторы для оценки релевантности, а не готовые текстовые ответы.

UMLS-ED-Bioformer-16L-V-1.25 — дообученная модель Sentence Transformers на базе UMLS-ED-Bioformer-16L-V-1, разработанная Pankaj Rajdeo. Она кодирует предложения и абзацы в плотные векторы размерности 384 для семантического поиска и сравнения медицинских и биомедицинских текстов. Архитектура — BERT с усреднением токенных представлений; максимальная длина последовательности составляет 1024 токена, а сходство можно оценивать косинусной мерой. Модель обучалась с triplet loss на парах медицинских текстов и терминов UMLS. Её можно применять для поиска близких формулировок, сопоставления терминов, кластеризации и отбора кандидатов для классификации. В примерах обучающих данных встречаются тексты на нескольких языках, однако точный перечень поддерживаемых языков не задан. Лицензия в предоставленных данных не указана.

KeraCare/drug_name_extraction_v2x0 — дообученная модель GLM-OCR для извлечения названий лекарств с изображений рецептов. Она принимает изображение рецепта и формирует текстовый ответ с распознанными названиями препаратов. Модель построена на архитектуре GLM-OCR и доступна в формате safetensors; для запуска карточка указывает библиотеку Transformers. Модель предназначена для автоматизации чтения рецептов и извлечения из них названий лекарств. Она дообучена на пользовательском наборе изображений рецептов с соответствующими метками названий препаратов. Сведения о языках, размере модели, длине контекста и лицензии в предоставленных источниках отсутствуют.

NeuML разработала PubMedBERT ColBERT — модель PyLate, дообученную на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Она кодирует предложения и абзацы в последовательности плотных векторов размерностью 128 и сопоставляет тексты с помощью операции MaxSim, сохраняя отдельные векторы токенов вместо усреднения в одно представление. Модель рассчитана на семантический поиск и сравнение текстов в биомедицинских публикациях, включая построение поисковых индексов и источников знаний для RAG. В README приведены результаты оценки на PubMed QA, PubMed Subset и PubMed Summary; авторы отмечают пригодность модели для поиска и использования в качестве первого этапа конвейера с последующим реранжированием. Она имеет архитектуру BERT, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Модель ориентирована на английский язык и распространяется по лицензии Apache-2.0. README отмечает, что по общей оценке модель уступает некоторым сравниваемым моделям; для высокоточного ранжирования может потребоваться отдельный реранкер.

AronowLab разработала Bioformer-16L-UMLS-Pubmed_PMC-Forward_TCE-Epoch-3 — модель Sentence Transformer на архитектуре BERT для получения векторных представлений текстов. Модель содержит 50,3 млн параметров, кодирует предложения и абзацы в плотные векторы размерности 384 и принимает последовательности длиной до 1024 токенов. Для объединения токенов используется средний pooling, а сходство векторов можно оценивать косинусной мерой. Модель предназначена для семантического сравнения текстов, поиска по смыслу, поиска перефразировок, классификации и кластеризации. Она обучалась на парах anchor-positive из набора parquet с использованием MultipleNegativesRankingLoss; имя модели указывает на медицинскую тематику и связь с UMLS, PubMed и PMC. Лицензия в предоставленных данных не указана.

Это англоязычная модель эмбеддингов на базе Sentence Transformers, дообученная автором jebish7 на основе abhinand/MedEmbed-small-v0.1. Модель построена на архитектуре BERT и преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения в README указана косинусная близость. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и оценки сходства текстов. Её также можно применять для поиска перефразировок, кластеризации и классификации текстов, например для поиска релевантных ответов на вопросы в медицинских и клинических материалах. Для дообучения использован датасет CSV с 29 547 парами «вопрос — положительный пример» и MultipleNegativesRankingLoss. Репозиторий содержит веса в формате safetensors. Она выдаёт векторы для текстовых входов, поэтому подходит для поиска по близости и других задач, построенных на эмбеддингах. Качество вне представленных тренировочных данных может различаться; длина входа ограничена 512 токенами. Лицензия в предоставленных данных не указана.

NeuML подготовила PubMedBERT Embeddings Matryoshka — модель эмбеддингов на архитектуре BERT для сравнения сходства предложений и семантического поиска по биомедицинским текстам. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов; основной язык — английский. Обучение с Matryoshka Representation Learning позволяет получать эмбеддинги размером 64, 128, 256, 384, 512 или 768 измерений. Меньшие размерности экономят место при хранении векторной базе, но, согласно README, не уменьшают вычислительные затраты. Модель подходит для семантического поиска, построения источников для RAG и сопоставления вопросов, статей, аннотаций и других биомедицинских текстов. В приведённой оценке на наборах PubMed она сохраняет конкурентное качество при сокращённых размерностях. Модель распространяется по лицензии Apache-2.0. Контекст ограничен 512 токенами; область оценки в README ограничена несколькими биомедицинскими наборами, поэтому результаты не гарантируют такое же качество на иных текстах и языках.

SciTulu 70B — модель Allen Institute for AI (AI2) для следования инструкциям и понимания научной литературы. Она дообучена на основе Tulu v2 70B: использует демонстрации из научного набора SciRIFF вместе с общими инструкциями из Tulu v2 SFT mix. Модель построена на плотной архитектуре Llama и содержит 68,7 млрд параметров. Она принимает текст и генерирует текст на английском языке; нативная длина контекста составляет 2048 токенов. В карточке сообщается об улучшении среднего результата на 6,5% относительно Tulu v2 70B на девяти отложенных задачах понимания научной литературы. SciTulu предназначена для ответов на вопросы и выполнения инструкций по научным публикациям, а также может применяться для общих текстовых инструкций. Результаты могут содержать ошибки и унаследованные от базовой модели ограничения и предубеждения. Лицензия — Apache-2.0.

BioMedGPT-LM-7B — генеративная языковая модель PharMolix для биомедицинских задач. Это плотная авторегрессионная модель семейства Llama на 6,6 млрд параметров, дообученная на базе Llama-2-7B-Chat на миллионах биомедицинских научных публикаций из корпуса S2ORC. Модель принимает текст и генерирует текст; максимальный контекст составляет 4096 токенов. Модель предназначена для ответов на биомедицинские вопросы и работы с научной информацией в этой области. В README сообщается, что на нескольких биомедицинских QA-бенчмарках она превосходит или сопоставима с людьми и значительно более крупными универсальными моделями. Это заявление относится к указанным бенчмаркам и не гарантирует точность для клинических решений или произвольных запросов. Разработчики запрещают использовать модель для предоставления услуг широкой публике и для генерации незаконного или вредоносного контента. Лицензия — Apache-2.0.

GolemPII-v1 — модель CordwainerSmith для выявления и классификации персональных данных в тексте на иврите. Она дообучена для токеновой классификации на базе XLM-RoBERTa-base и корпуса GolemGuard: Hebrew Privacy Information Detection Corpus. Модель содержит 305,2 млн параметров, принимает текст и возвращает метки для отдельных токенов; максимальная длина контекста — 514 токенов. Модель предназначена для обнаружения и маскирования персональных данных, автоматического обезличивания документов и исследований по обработке иврита. В карточке приведены высокие результаты оценки на тестовых данных, однако они не гарантируют такую же точность на других источниках и типах текста. Репозиторий распространяется по лицензии MIT.

Это англоязычный биомедицинский Cross Encoder, дообученный авторами tomaarsen на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext на данных MIRIAD. Модель оценивает пары «вопрос — текст» и предназначена для переранжирования результатов поиска и семантического поиска по биомедицинским материалам. Архитектура основана на BERT и реализована как BertForSequenceClassification с одним выходным баллом. Метаданные указывают 136,7 млн параметров и контекст до 512 токенов; в README заявлена максимальная длина последовательности 384 токена. Модель принимает текст на английском языке и выдаёт оценку релевантности пары текстов. В README приведены результаты оценки на наборах NFCorpus, SciFact и SciDocs, причём качество различается между наборами. Лицензия — MIT. Ограничения: модель рассчитана на англоязычные биомедицинские тексты, а последовательности ограничены указанной длиной; показатели на отдельных тестовых наборах неоднородны, поэтому качество для других корпусов не гарантировано.

Kevincp560/bart-large-finetuned-pubmed — модель для суммаризации научных текстов из PubMed, созданная дообучением facebook/bart-large на наборе pub_med_summarization_dataset. Она построена на архитектуре BART и содержит 252,8 млн параметров; максимальная длина контекста — 1024 токена. Модель принимает текст и генерирует его краткое изложение. В карточке приведены результаты оценки на тестовой выборке: Loss 1,8135, ROUGE-1 10,946, ROUGE-2 5,0933, ROUGE-L 9,5608 и ROUGE-Lsum 10,4259. Эти значения сами по себе не позволяют судить о качестве без сведений о протоколе оценки и шкале. Модель распространяется под лицензией Apache-2.0.

ktrapeznikov/biobert_v1.1_pubmed_squad_v2 — англоязычная модель семейства BERT, разработанная на основе monologg/biobert_v1.1_pubmed и дообученная на SQuAD V2 для извлечения ответов из текста. Она принимает вопрос и отрывок текста и предсказывает фрагмент, который отвечает на вопрос, а также позволяет оценивать, отсутствует ли ответ в отрывке. Модель подходит для поиска ответов в биомедицинских публикациях и других текстах на английском языке. Модель имеет 135,5 млн параметров, использует регистрозависимую токенизацию и поддерживает контекст до 512 токенов. В README приведены результаты на валидационной выборке SQuAD V2: exact match 75,97 и F1 79,37; подбор порога для определения отсутствующего ответа не проводился. Доступны веса PyTorch и Flax. Лицензия в предоставленных данных не указана.

Caregiver-FT-v1 — текстовая модель Sentence Transformers, дообученная автором ernestobs7 на Snowflake/snowflake-arctic-embed-l для семантического поиска по материалам об уходе и боковом амиотрофическом склерозе (БАС). Она кодирует предложения и абзацы в плотные векторы размерностью 1024; архитектура включает BERT, пулинг CLS-токена и нормализацию. Модель рассчитана на последовательности до 512 токенов, а сходство векторов оценивается косинусной мерой. Модель подходит для поиска ответов в текстах о БАС, сопоставления вопросов с релевантными фрагментами, оценки семантической близости, поиска перефразировок, кластеризации и классификации текстов. В README приведена оценка cosine_accuracy@1 0,9167 и @3/@5 1,0 на небольшом наборе данных; обучающий набор содержит 98 пар. Эти результаты не гарантируют качество на других корпусах. Лицензия в предоставленных данных не указана.

QuantFactory/llama3-turbcat-instruct-8b-GGUF — квантизированная версия модели turboderp/llama3-turbcat-instruct-8b, созданная с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, включая ролевое взаимодействие и использование в качестве API или функции, где важно следовать системному промпту без нерелевантных дополнений. Модель основана на Llama 3 и имеет размер 8B параметров. Она поддерживает английский язык и начальную поддержку китайского, однако качество и полнота китайской поддержки ограничены выбором базовой модели. Для обучения и проверки данных использовались материалы по биологии, биомедицине, биофизике, биохимии, медицине, экзаменационным вопросам GRE, MCAT и китайским вступительным экзаменам в аспирантуру, а также данные для ролевых и сюжетных сценариев. В аннотации участвовали 20 специалистов с докторской степенью и постдоков. Сильные стороны модели — специализированные научные и медицинские данные, поддержка ролевого общения и более сбалансированное покрытие китайских задач по сравнению с англоязычными данными. Ограничения включают ограниченную поддержку китайского языка и отсутствие в README точных сведений о размере контекста, конкретном формате квантизации и показателях качества. Для 8B следует использовать формат чата Llama 3. Указанная лицензия — llama3.

Kushagra Wadhwa дообучил Qwen2.5-VL-3B-Instruct для извлечения структурированных данных из рукописных и печатных индийских медицинских рецептов. Модель принимает изображение рецепта и формирует JSON с данными врача и пациента, лекарствами, дозировками, частотой и длительностью приёма, диагнозом и примечаниями. Это мультимодальный трансформер Qwen2.5-VL с 3 млрд параметров, дообученный методом QLoRA; в обучении использовался набор из 1 969 примеров, а для валидации — 246. Модель рассчитана на рецепты на английском и хинди, включая смешанный текст. Репозиторий распространяется по лицензии Apache 2.0. Модель предназначена для оцифровки рецептов и переноса данных в аптечные и медицинские системы. Качество зависит от разборчивости почерка, языкового состава и количества лекарств; названия препаратов могут распознаваться неверно, особенно в сложных рукописных записях. Результаты следует проверять специалисту; модель не предназначена для постановки диагноза, клинических решений или работы с рецептами из других регионов.

Privasis-Cleaner-4B — компактная языковая модель NVIDIA для очистки текста от чувствительных сведений по инструкции пользователя. Она принимает исходный текст и указание, какие категории данных удалить или обобщить, например имена, даты, местоположения и идентификаторы, и возвращает очищенный текст. Модель построена на Qwen3-4B-Instruct-2507 и дообучена методом supervised fine-tuning на 36 723 синтетических примерах «текст — инструкция — очищенный текст». Это плотный декодерный Transformer с 3,7 млрд параметров, поддерживает ввод и вывод текста и имеет контекст до 40 960 токенов по метаданным. В карточке README указано ограничение до 262 144 токенов, что расходится с метаданными; фактический предел следует проверять в используемой конфигурации. Модель предназначена для автоматического удаления или обобщения персональных и иных чувствительных данных в подготовке текстов для исследовательских и комплаенс-процессов. Синтетические обучающие данные и специализированная настройка ориентированы на такие инструкции, но результат требует проверки на данных конкретного применения. Условия модели — только исследования и некоммерческое использование; лицензия в метаданных обозначена как other.

AXONVERTEX-AI-RESEARCH/qwen2.5-0.5b-pii-anonymizer — дообученная модель на основе Qwen/Qwen2.5-0.5B-Instruct для контекстной анонимизации персональных данных. Она переписывает текст, заменяя PII реалистичными синтетическими данными и стараясь сохранять грамматику, форматирование, тон и смысл. Модель рассчитана на обработку документов, переписки и записей с персональными данными; заявлена поддержка более 55 категорий PII в корпоративных, медицинских, финансовых и разговорных сценариях. Это плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. Она принимает и генерирует текст, обучена с QLoRA на наборах Nemotron-PII и ai4privacy/pii-masking-200k. В карточке указаны английский, французский, немецкий и итальянский языки, при этом качество лучше всего для английского. Лицензия обозначена как other; README запрещает коммерческое использование без одобрения AI4Privacy, поэтому перед применением необходимо проверить условия лицензии. Модель может создавать читаемые обезличенные данные, сохраняя полезность документов для анализа и тестирования. Среди ограничений — пропуски персональных данных, чрезмерная замена обычных слов, иногда неподходящий формат синтетических идентификаторов, редкие артефакты и недетерминированные результаты. README указывает, что это первая фаза конвейера, и не рекомендует использовать её как единственную меру обеспечения соответствия требованиям приватности.

Модель shubham879/trocr-prescription разработана shubham879 и дообучена на основе microsoft/trocr-base-handwritten для распознавания рукописного текста в медицинских рецептах. Это модель архитектуры VisionEncoderDecoder из библиотеки Transformers, которая принимает изображения строк рецепта и преобразует их в текст. Она предназначена для оцифровки рецептов и извлечения медицинского текста, в том числе как часть конвейеров распознавания и проверки рецептов. По данным карточки, показатель CER составляет 9%, а точность последовательности — 73%. Модель ориентирована на английский язык и рукописные рецепты; для наилучшей работы рекомендуются обрезанные изображения отдельных строк. Лицензия — Apache-2.0. Распознавание ухудшается при неразборчивом почерке и низком качестве изображения, а названия препаратов могут быть прочитаны неверно.

Fisher-R1-14B — открытая языковая модель-агент, разработанная May2222 и дообученная на базе Qwen2.5-Coder-14B-Instruct. Она ориентирована на проверку статистических гипотез: анализирует данные, выбирает подходящий статистический тест, выполняет его и сообщает p-value с выводом по результату. Модель содержит 14 млрд параметров, использует архитектуру Qwen2 для причинной генерации текста и работает с контекстом до 32 768 токенов. Для обучения применялись синтетические исполняемые статистические задачи: supervised fine-tuning и reinforcement learning с проверяемой статистической оценкой. Модель оценивалась на P-Bench; в метаданных указан английский язык. Лицензия — Apache-2.0. Она предназначена для диалогового анализа статистических задач и выбора тестов, но README не приводит результатов бенчмарка или подробностей поддерживаемых тестов. Выводы модели следует проверять, особенно при подготовке научных или иных значимых заключений.

Fisher-R1-7B — открытая языковая модель-агент May2222 для решения задач статистической проверки гипотез. Она дообучена на базе Qwen/Qwen2.5-Coder-7B-Instruct с помощью supervised fine-tuning и reinforcement learning, использующих синтетические исполняемые статистические задачи и проверяемые статистические награды. Модель имеет плотную архитектуру Qwen2, около 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для анализа данных: она может выбрать подходящий статистический тест, выполнить его, сообщить p-value и сформулировать вывод. В карточке указана оценка на P-Bench; метаданные также отмечают диалоговые возможности и интерфейс вызова инструментов. Для работы доступны веса в формате safetensors и библиотека Transformers. Лицензия — Apache-2.0. Модель ориентирована на статистические тесты и не позиционируется как универсальный аналитический или программный помощник. Надёжность выводов зависит от корректности исходных данных, выбора теста и исполнения вычислений; результаты статистической проверки требуют проверки специалистом.

Meddies PII v2 — энкодер на 350 млн параметров для обнаружения персональных данных в тексте, разработанный MeddiesAI на основе LiquidAI LFM2.5 Encoder 350M PII Detector. Модель дообучена с помощью LoRA и классификационной головы BIOES; она находит девять типов данных: адреса, названия компаний, даты, адреса электронной почты, имена людей, идентификаторы, номера телефонов, приватные URL и секреты. Для каждого фрагмента возвращаются метка и точные символьные границы. Модель предназначена прежде всего для проверки клинических записей, направлений, сообщений и экспортированных документов перед обезличиванием или передачей. Она поддерживает 17 языков, включая русский, английский, немецкий, испанский, французский, японский и китайский. В README приведены результаты оценки на смешанном наборе из синтетических и открытых данных; они не гарантируют качество на документах конкретной организации. Модель не анализирует изображения и структуру документа, не размечает диагнозы, лабораторные результаты, возраст, дозировки и медицинские измерения; закрытый набор меток не охватывает все виды идентификаторов. Авторы предупреждают, что модель может пропустить данные, поэтому необходима проверка человеком, особенно в регулируемых процессах. Для релиза указана лицензия CC BY-NC 4.0 на права MeddiesAI; материалы LiquidAI подчиняются отдельной лицензии LFM Open License v1.0.

OpenMed-PII-BioClinicalModern-Large-395M-v1 — модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная для токен-классификации версия BioClinical-ModernBERT-large: архитектура ModernBERT, около 394,7 млн параметров, окно контекста 8192 токена. Модель обучена на наборе NVIDIA Nemotron-PII и распознаёт 54 типа чувствительных сущностей, включая имена, адреса, номера медицинских записей, финансовые и контактные данные. Модель предназначена для поиска и последующего удаления или маскирования персональных данных в клинических записях, медицинских документах и корпусах текстов, а также для подготовки данных к исследованиям и аудиту приватности. В README приведён результат micro-F1 0,9579 на тестовой выборке из 2000 примеров; показатели различаются между категориями, а для дат, уровня образования и языка отмечены более сложные случаи. Основной язык — английский. Результаты следует проверять человеком: модель может пропускать чувствительные данные, а качество зависит от контекста и терминологии. Распространяется по лицензии Apache-2.0.

PubMedBERT SPLADE — разреженный текстовый энкодер, созданный NeuML на основе дообученной модели PubMedBERT с использованием Sentence Transformers. Он преобразует предложения и абзацы в разреженные векторы размерности 30 522 для семантического поиска и извлечения документов по запросу, в том числе в системах RAG по медицинской литературе. Обучение проводилось на случайной выборке пар заголовков и аннотаций PubMed и похожих заголовков. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и принимает контекст длиной до 512 токенов. Она ориентирована на англоязычные биомедицинские тексты; README сообщает о более качественных разреженных представлениях для медицинской литературы по сравнению с универсальными моделями. При оценке на наборах PubMed модель уступала некоторым базовым моделям по корреляции Пирсона, но хорошо ранжировала результаты по корреляции Спирмена. Для узких медицинских областей может потребоваться дополнительное дообучение. Лицензия — Apache-2.0.

OpenMed разработала эту модель для обнаружения и классификации персональных и других чувствительных данных в тексте. Это Longformer для token classification, дообученная на клинической модели yikuan8/Clinical-Longformer на наборе NVIDIA Nemotron-PII. В метаданных указано 151,8 млн параметров, контекст до 4098 токенов и формат safetensors; модель использует библиотеку Transformers. Модель размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Она предназначена для выявления данных в клинических записях и документах, автоматизированного обезличивания, подготовки наборов данных и аудита приватности. В README сообщается о micro F1 0,9533 на тестовой выборке из 2000 примеров Nemotron-PII. Модель рассчитана прежде всего на английский язык. README предупреждает о пропусках чувствительных данных и снижении качества на отдельных категориях и при изменении предметной области; критические результаты требуют проверки человеком. Лицензия Apache 2.0.

OpenMed-PII-French-BiomedBERT-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных и чувствительных данных во французском тексте. Это дообученная модель BERT для токен-классификации на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract; в метаданных указаны 136,7 млн параметров и контекст до 512 токенов. Модель принимает текст и присваивает метки токенам, выявляя, среди прочего, имена, адреса, идентификаторы, медицинские номера, контактные и финансовые сведения. Модель предназначена для обезличивания клинических записей и документов, подготовки наборов данных к исследованиям, проверки коллекций документов и поддержки процессов соблюдения требований конфиденциальности. По README, на французской части набора AI4Privacy она показала micro F1 0,9466. Распространяется по лицензии Apache-2.0. Результаты следует проверять человеком: модель может пропускать чувствительные сведения, а качество зависит от контекста и терминологии. Она оптимизирована для французского и может хуже работать на других языках.

OpenMed-PII-French-BiomedBERT-Large-340M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных во французском тексте. Это дообученная для token classification архитектура BERT на базе microsoft/BiomedNLP-BiomedBERT-large-uncased-abstract; метаданные указывают 433,9 млн параметров, контекст до 512 токенов и формат safetensors. Модель выделяет 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Модель предназначена для поиска и обезличивания чувствительной информации в клинических записях, медицинских документах и других французских текстах, а также для подготовки наборов данных и аудита документов. В README указана оценка Micro F1 0,9528 на французской части AI4Privacy. Модель обучалась на BIO-размеченном подмножестве AI4Privacy PII Masking 400k и распространяется по лицензии Apache-2.0. Результаты требуют проверки человеком: модель может пропускать персональные данные, а качество зависит от контекста и терминологии. Она оптимизирована для французского и может хуже работать на других языках.