IV.4Клиническая медицина и общественное здоровье

johnnySoftData дообучила Sentence Transformer на базе sentence-transformers/all-distilroberta-v1 на наборе bio-embedding-finetuning. Модель принимает текст и преобразует предложения и абзацы в плотные эмбеддинги размерностью 768; архитектура включает RobertaModel, усредняющий pooling и нормализацию. Для сравнения эмбеддингов используется косинусное сходство. Максимальная длина последовательности составляет 512 токенов по README и 514 токенов по метаданным. Модель предназначена для семантического поиска и извлечения биомедицинских текстов по запросам, а также для сравнения релевантности запросов и абстрактов. В README приведена оценка cosine_accuracy 1.0 на указанных в карточке выборках, однако размер и состав этих оценочных наборов ограничивают обобщение результатов. Лицензия в предоставленных данных не указана.

EMBO/dot_only — модель векторных представлений из проекта SODA-VEC, разработанная для научных текстов в биомедицине и науках о жизни. Она дообучена на базе answerdotai/ModernBERT-base с контрастивным обучением и функцией потерь на основе скалярного произведения; архитектура ModernBERT-base включает 12 слоёв и 149 млн параметров. Модель принимает текст и формирует 768-мерные L2-нормализованные эмбеддинги с mean pooling. Её можно применять для семантического поиска научных публикаций и сравнения смысловой близости текстов. Обучение проводилось на 26,473,900 парах заголовков и аннотаций из PubMed Central, поэтому модель лучше подходит для английских биомедицинских заголовков и аннотаций, чем для текстов общей тематики. Контекст модели — до 8192 токенов, однако для длинных документов может потребоваться разбиение на фрагменты. Модель распространяется по лицензии Apache-2.0.

Patronus-Lynx-8B-Instruct — языковая модель Patronus AI для выявления галлюцинаций в системах генерации с дополнением по поиску (RAG). Она принимает документ, вопрос и ответ и оценивает, подтверждается ли ответ содержимым документа. Модель основана на Llama 3 8B Instruct и дообучена на данных CovidQA, PubmedQA, DROP и RAGTruth, включая разметку, созданную людьми и синтетически. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов по метаданным. Она рассчитана прежде всего на английский язык и использует генерацию текста для выдачи оценки. Patronus AI сообщает об оценивании на HaluBench и перечисленных в карточке наборах данных. Лицензия CC-BY-NC-4.0 разрешает использование на условиях Creative Commons Attribution-NonCommercial 4.0, включая ограничения на коммерческое применение.

Карточка модели Atgenomix/icd_o_sentence_transformer_128_dim_model на Hugging Face совпадает с карточкой pritamdeka/BioBERT-mnli-snli-scinli-scitail-mednli-stsb, поэтому описание составлено по ней. pritamdeka/BioBERT-mnli-snli-scinli-scitail-mednli-stsb — модель эмбеддингов предложений на базе BERT, опубликованная пользователем pritamdeka. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Модель обучалась на SNLI, MNLI, SCINLI, SCITAIL, MEDNLI и STSB, включая наборы данных по биомедицинским текстам. Веса содержат 135,5 млн параметров, максимальная длина контекста составляет 512 токенов. Модель принимает текст и возвращает эмбеддинги; указанные наборы данных и название BioBERT указывают на специализацию для биомедицинского и научного текста. Для использования требуется корректная операция pooling поверх контекстных представлений либо Sentence-Transformers. Лицензия CC BY-NC 3.0 ограничивает коммерческое использование.

Med Doc Classifier — компактная модель классификации медицинских документов, разработанная Eka Care. Это encoder-only модель примерно на 96 млн параметров на основе визуального backbone SigLIP2-base. За один проход она относит изображение к одному из 27 классов в двухуровневой иерархии: от широкой группы до конкретного типа документа; также определяет, относится ли содержание к медицине и является ли документ рукописным. Модель предназначена для автоматической сортировки и предварительной разметки изображений медицинских документов. По внутреннему тесту на 16 204 изображениях точность классификации 27 классов составила 96,45%, а Macro-F1 — 0,965 для bf16; для int8 показатели практически не меняются, а int4 снижает точность примерно на один процентный пункт. Поддерживаются форматы safetensors и загрузка через Transformers с `trust_remote_code=True`. Модель создана дистилляцией ансамбля специализированных моделей в компактную student-модель. Репозиторий распространяется по лицензии Apache-2.0. Классификатор рассчитан на медицинские документы; точность на других типах изображений в карточке не подтверждена.

checkiejan/multi-qa-mpnet-base-dot-v1-covidqa-search-4-epochs — модель Sentence-Transformers на базе архитектуры MPNet, разработанная для представления предложений и абзацев в виде плотных векторов размерности 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. Модель содержит 136,7 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Модель обучалась с Triplet Loss; название репозитория указывает на настройку для поиска ответов на вопросы о COVID-19 в течение четырёх эпох. Она подходит для получения текстовых эмбеддингов, которые затем можно использовать для поиска релевантных фрагментов или группировки похожих текстов. В метаданных указаны формат PyTorch и задача sentence-similarity. Сведения о лицензии и поддерживаемых языках в предоставленных данных отсутствуют.

wwydmanski/specter2_pubmed-v0.5 — дообученный Sentence Transformer на базе allenai/specter2_base, созданный для семантического поиска и сопоставления научных текстов. Модель использует BERT-энкодер с усреднением токенных представлений и формирует плотные векторы размерности 768; максимальная длина входа — 512 токенов. Сходство между векторами можно оценивать косинусной мерой. Модель обучена на наборе из 10 053 примеров с парами релевантных и трудных отрицательных текстов. В README сообщается о среднем NDCG 85 на наборах Relish, NFCorpus и TREC CoVID, выше результата Proximity adapter (84,1). Её можно применять для поиска публикаций по запросу, ранжирования научных текстов, поиска парафраз, кластеризации и классификации на основе эмбеддингов. Лицензия в предоставленных данных не указана.

Карточка модели biu-nlp/abstract-sim-query-pubmed на Hugging Face совпадает с карточкой biu-nlp/abstract-sim-sentence-pubmed, поэтому описание составлено по ней. biu-nlp/abstract-sim-sentence-pubmed — модель семейства BERT, обученная на предложениях из PubMed для сопоставления текстового описания с подходящими предложениями. Она кодирует запросы и предложения в признаки, пригодные для поиска и оценки смыслового сходства в научных медицинских текстах. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и опубликована в формате PyTorch. Модель подходит для семантического поиска предложений по описаниям и подбора релевантных фрагментов аннотаций PubMed. Карточка не сообщает лицензию и подробности оценки качества.

Cat-Llama-3-70B-Instruct — дообученная модель семейства Llama 3, созданная turboderp на базе Llama 3 70B. Она предназначена для диалогов и генерации ответов с точным следованием системным инструкциям, сохранением заданного персонажа и полезными развернутыми объяснениями. Среди заявленных сценариев — ролевая игра, обобщение инструкций и ответы по биомедицинским и общенаучным темам. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 69,5 млрд параметров и поддерживает контекст до 8192 токенов. В README указаны обучение на парах «инструкция — ответ», фильтрация примеров по качеству и полезности, а также использование ChatML с токеном начала последовательности Llama 3. Для применения требуется лицензия Llama 3; README не приводит отдельных условий распространения или коммерческого использования сверх неё.

Это объединённая методом Model Stock в mergekit разговорная языковая модель на архитектуре LlamaForCausalLM с 7,5 млрд параметров. В объединение вошли несколько моделей и адаптеров на базе Llama 3, в том числе варианты для медицины, биологии, психологии, логики и описательной генерации; также использована модель, ориентированная на длинные ответы. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогов. Её можно применять для ответов на вопросы, объяснений и рассуждений в общих и перечисленных предметных областях. Заявленная длина контекста — 131 072 токена. Карточка не описывает отдельные мультимодальные входы или выходы, поэтому модель следует рассматривать как текстовую. Модель унаследовала компоненты с разными специализациями, но README не приводит оценок качества или подробных ограничений; ответы в предметных областях следует проверять. Условия лицензии в предоставленных данных не указаны.

Codingchild/medical-bge-large-en-v1.5 — модель Sentence Transformer на архитектуре BERT, предназначенная для создания плотных текстовых эмбеддингов. Она преобразует предложения и абзацы в векторы размерности 1024; для сравнения векторов используется косинусное сходство. Представление формируется из CLS-токена с последующей нормализацией, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Название указывает на медицинскую и англоязычную специализацию; карточка описывает задачи эмбеддингов, но не приводит конкретных медицинских тестов или оценок качества. В метаданных указан формат safetensors; лицензия не приведена.

VinNik321/minilm-medical-qa — дообученный с помощью AutoTrain энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, предназначенный для оценки сходства между текстами. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и принимает текстовые предложения длиной до 512 токенов, формируя эмбеддинги для семантического сравнения. Модель можно использовать для поиска семантически близких вопросов и ответов в медицинских материалах, сопоставления запросов с фрагментами документов и группировки похожих текстов. Карточка сообщает значение loss на валидации, но не описывает набор данных, метрики качества или языки обучения; медицинское назначение в названии само по себе не подтверждает клиническую точность. Лицензия в предоставленных данных не указана.

avkay-llama/modernbert-pii-v0.1 — модель ModernBERT-base, дообученная для обнаружения фрагментов с персональными и защищёнными медицинскими данными (PII/PHI). Она выполняет токенную классификацию по 169 меткам BIO, основанным на онтологии из 84 понятий. При обучении использовалась схема-ориентированная маргинальная функция потерь, учитывающая, что разные наборы данных размечают разные категории; обучение включало 33 100 шагов и 32 корпуса. Модель предназначена для поиска чувствительных данных в тексте перед обезличиванием, редактированием или маскированием документов. В обучающие данные входят многоязычные корпуса, в том числе русскоязычный набор alrosait/russian-pii. Модель имеет 149 млн параметров, поддерживает контекст до 8192 токенов и распространяется в формате safetensors на базе Transformers. При преобразовании предсказаний в фрагменты текста нужно обрезать пробелы в начале и конце: смещения токенизатора могут захватывать предшествующий пробел. Покрытие медицинских идентификаторов ограничено относительно сетевых и контактных данных; некоторые обучающие фрагменты были получены поиском по строке и не участвовали в оценке. Лицензия — Apache-2.0.

DFKI-SLT/multilingual_DialogPII_NER — дообученная DFKI-SLT модель для обнаружения и классификации персональных данных в многоязычных диалогах. Она выполняет разметку текста на уровне токенов и распознаёт 19 типов PII, включая имена, адреса электронной почты и социальные связи. Модель основана на jhu-clsp/mmBERT-base (ModernBERT) с CRF-слоем и контекстным окном в стиле FLERT: при разметке предложения используются два соседних предложения слева и справа. Обучение проводилось совместно на синтетических диалогах на 11 языках; в карточке приведены оценки на отложенных наборах по каждому языку. Модель предназначена для деидентификации разговорных данных, например медицинских анамнезов, обращений в поддержку, полицейских отчётов и терапевтических бесед. Для инференса нужна собственная реализация ModernBertCRF и пакет pytorch-crf; модель нельзя загрузить напрямую через AutoModelForTokenClassification. Качество на реальных данных может отличаться от результатов на синтетических наборах; на формальных документах, а также на арабском и хинди качество может быть ниже. Лицензия — MIT.

Seed-X-PPO-7B — многоязычная модель перевода от ByteDance Seed. Это плотная причинная языковая модель на архитектуре Mistral с 7,2 млрд параметров и контекстом до 32 768 токенов. Модель прошла предобучение и постобучение с обучением с подкреплением (PPO), направленным на улучшение качества перевода; авторы рекомендуют её вместо Seed-X-Instruct для этой задачи. Модель предназначена для перевода между 28 естественными языками и может применяться в пользовательских и исследовательских системах перевода. В карточке отмечены широкое покрытие предметных областей, включая науку и технологии, биомедицину, финансы, право и электронную торговлю, а также результаты оценок на переводческих наборах данных. Репозиторий содержит веса в формате safetensors. Для работы требуется задавать языковой тег целевого языка в конце запроса. У модели нет шаблона чата; авторы указывают, что она специализирована на переводе и не предназначена для других задач, а также не рекомендуют неофициальные квантизированные версии. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

SummLlama3.1-70B — модель DISLab для суммаризации текста, дообученная на базе meta-llama/Llama-3.1-70B-Instruct методом Direct Preference Optimization (DPO). Обучение использовало более 100 тысяч примеров обратной связи о качестве суммаризаций для текстов разных типов и длины, включая диалоги и недиалоговые документы из новостей, повседневной жизни, отчётов, медицины, интервью и встреч. Модель содержит 69,5 млрд параметров, построена на плотной архитектуре Llama и поддерживает контекст до 131 072 токенов. Она предназначена для создания кратких сводок с акцентом на точность относительно источника, полноту ключевой информации и лаконичность; в README рекомендован конкретный формат запроса с инструкцией summarize. Метаданные также отмечают интерфейсы чата и вызова инструментов, но основное назначение модели — суммаризация. README сообщает об оценках качества на человеческих и автоматизированных тестах, однако приведённые таблицы содержат результаты других конфигураций SummLlama и не позволяют установить отдельные численные результаты для версии 3.1-70B. Лицензия в предоставленных данных не указана.

Это дообученная модель Sentence Transformers, созданная автором dragonkue на основе Snowflake/snowflake-arctic-embed-l-v2.0 и дополнительно обученная на корейских данных для поиска по документам. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; для сравнения текстов используется косинусное сходство. Архитектура основана на XLM-RoBERTa с CLS-пулингом, а заявленная максимальная длина последовательности составляет 8192 токена. Модель предназначена для семантического поиска и оценки сходства текстов на корейском и английском языках. Её можно использовать для поиска по документам, в том числе по запросам в разных формулировках и по содержимому таблиц Markdown; README приводит оценки на корейских наборах для поиска в медицинской, финансовой, юридической, государственной и других областях. Модель опубликована под лицензией Apache-2.0. При этом обучение проводилось с длиной текста до 1300 токенов, поэтому качество поиска по существенно более длинным документам может снижаться; для длинных текстов README рекомендует рассмотреть альтернативы. Заявленная максимальная длина последовательности не гарантирует сохранения качества на всей этой длине.

HCAE-21M-v1.1-Instruct — инструктивно дообученная модель эмбеддингов HeavensHackDev на архитектуре Hybrid Convolutional-Attention Encoder (HCAE). Она предназначена для поиска по смыслу, асимметричного поиска и семантического анализа специализированных текстов, включая научные и медицинские корпуса. Для запросов и документов поддерживает префиксы `query:` и `passage:` соответственно. Модель содержит 21,1 млн параметров, имеет гибридную архитектуру с четырьмя сверточными и четырьмя attention-блоками, а размерность эмбеддингов составляет 384. Контекст ограничен 512 токенами. Доступны веса Safetensors и формат ONNX для запуска, в том числе на устройствах с ограниченными ресурсами. В README приведены результаты на STSBenchmark и SciFact. Модель дообучена на наборах NLI, SciFact и специализированных технических данных. Лицензия — Apache-2.0.

Italian_NER_XXL_v2 — модель распознавания именованных сущностей в итальянском тексте, разработанная Michele Montebovi. Это модель на основе BERT с 137,9 млн параметров и контекстом до 512 токенов; она размечает токены и выделяет 52 категории сущностей, включая персональные данные, финансовые и юридические сведения, медицинские термины, технические идентификаторы, места и даты. В карточке заявлены точность 87,5% и F1 89,2%, а также улучшенное распознавание сложных контекстов и меньшее число ложных срабатываний по сравнению с предыдущей версией. Модель предназначена для обнаружения чувствительной информации, анонимизации документов и извлечения сущностей из юридических, финансовых и медицинских текстов. README приводит поддержку итальянского текста; метаданные также помечают английский язык, но подробные показатели для него не приведены. Весовые файлы доступны в формате safetensors. Лицензия — Apache-2.0.

SummLlama3.2-3B — языковая модель для суммаризации текстов, разработанная DISLab. Она основана на Llama 3.2 3B Instruct и дообучена методом Direct Preference Optimization (DPO) на более чем 100 тысячах примеров обратной связи о качестве резюме. Обучающие данные охватывают короткие и длинные документы, диалоги и недиалоговые тексты из новостей, повседневной жизни, отчётов, медицины, интервью и встреч. Модель предназначена для создания кратких сводок с акцентом на точность относительно источника, полноту ключевых сведений и лаконичность. Для суммаризации рекомендуется использовать шаблон запроса из карточки модели. Архитектура — плотная LlamaForCausalLM на 3,2 млрд параметров; контекст — до 131 072 токенов. Веса опубликованы в формате safetensors. В карточке не приведены лицензия и отдельные языковые коды, поэтому их нельзя уверенно указать.

GLiNER-PII — модель NVIDIA для обнаружения и классификации персональных и медицинских данных в структурированном и обычном тексте. Она построена на архитектуре GLiNER и дообучена на базе urchade/gliner_large-v2.1; содержит около 570 млн параметров и работает через библиотеку GLiNER на PyTorch. Модель размечает фрагменты текста более чем по 55 категориям и возвращает найденный текст, тип сущности, позиции начала и конца, а также оценку уверенности. Её применяют для выявления и редактирования конфиденциальных данных в медицинских записях, финансовых и юридических документах, корпоративных хранилищах, журналах и пользовательских публикациях. Модель принимает текст и выдаёт текстовые аннотации. Карточка указывает английский язык. Лицензия обозначена как other; README заявляет возможность коммерческого и некоммерческого использования. Качество зависит от предметной области, формата данных и порога уверенности: в оценке на трёх наборах строгий F1 составил 0,70 на Argilla PII, 0,64 на AI4Privacy и 0,87 на Nemotron-PII. Для ответственных сценариев рекомендованы проверка на данных конкретного применения и человеческий контроль.

SummLlama3-70B — языковая модель для суммаризации, разработанная DISLab на базе Meta-Llama-3-70B-Instruct и дообученная методом Direct Preference Optimization (DPO) на более чем 100 тысячах примеров обратной связи о качестве резюме. Она предназначена для создания кратких, полных и опирающихся на исходный текст резюме документов и диалогов из разных областей, включая новости, повседневную тематику, отчёты, медицину, интервью и встречи. Модель построена на архитектуре Llama, имеет 69,5 млрд параметров и контекст длиной 8192 токена. Карточка заявляет улучшение качества суммаризации по критериям точности передачи содержания, полноты и краткости; для работы рекомендуется использовать заданный авторами формат инструкции. Модель принимает текст и генерирует текст. Это дообученная модель в формате safetensors. Метаданные не содержат сведений о лицензии, поэтому условия использования следует проверить в карточке модели и у базовой модели Meta-Llama-3-70B-Instruct. Оценки в README приведены для отдельных сравнений и не гарантируют такое же качество на любых данных; в карточке также есть неполные строки таблиц.

Mykes/med-MiniLM-L12-3059 — дообученная модель Sentence Transformer на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для сравнения смыслового сходства, семантического поиска, поиска перефразировок, классификации текстов и кластеризации. В архитектуре используются BERT и усреднение токенных представлений; для сравнения векторов можно применять косинусное сходство. Базовая модель поддерживает несколько языков. Модель создана на парных примерах «запрос — положительный текст», включая медицинские формулировки на русском языке. По README максимальная длина последовательности составляет 128 токенов; метаданные указывают нативный контекст 512 токенов. Модель содержит 124,3 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

SummLlama3-8B — языковая модель для суммаризации, разработанная DISLab на основе Meta-Llama-3-8B-Instruct и дообученная методом Direct Preference Optimization (DPO) на более чем 100 тысячах примеров обратной связи о качестве резюме. Она предназначена для создания кратких и содержательных резюме новостей, бытовых и медицинских материалов, отчётов, а также диалогов, интервью и совещаний. Модель содержит 7,5 млрд параметров, использует плотную архитектуру Llama и принимает текст, выдавая текст; заявленная длина контекста — 8192 токена. В карточке отмечено, что обучение ориентировалось на точность передачи исходных фактов, полноту и краткость. Авторы сообщают об улучшении оценок в автоматической и человеческой проверке, однако эти результаты относятся к описанным ими оцениваниям и не гарантируют такого же качества на других данных. Для суммаризации рекомендуется использовать приведённый в карточке шаблон запроса. Лицензия в предоставленных сведениях не указана.

TheProfessor-155b — разговорная языковая модель, созданная Eric Hartford при участии Weyaxi, Charles Goddard и команды Generative AI AbacusAI. Это слияние предварительно обученных моделей семейства Llama, выполненное методом linear merge с помощью mergekit; после слияния модель не дообучали. В состав вошли модели для диалога, математики, медицины и научных задач. Модель содержит 154,3 млрд параметров, принимает текст и использует формат диалога ChatML; заявленная длина контекста — 4096 токенов. Модель предназначена для диалога, рассуждений и совместной работы над научными и математическими задачами: от обсуждения концепций до помощи с кодом, написанием и редактированием статей. Её также можно использовать для медицинских вопросов и исследовательского мозгового штурма. Модель выдаёт текст; README не указывает отдельный перечень поддерживаемых естественных языков. Модель распространяется по лицензии Llama 2. Качество ответов и надёжность фактов README не характеризует; медицинские ответы следует проверять, а генерацию цитат и научных сведений — сверять с первоисточниками.

pritamdeka/SapBERT-mnli-snli-scinli-scitail-mednli-stsb — модель Sentence-Transformers на базе BERT, разработанная для получения плотных векторных представлений предложений и абзацев. Она содержит 136,7 млн параметров, формирует эмбеддинги размерности 768 и принимает последовательности длиной до 512 токенов. Модель обучена на SNLI, MNLI, SCINLI, SCITAIL, MEDNLI и STSB с использованием CosineSimilarityLoss. Её можно применять для семантического поиска, сравнения смысловой близости текстов и кластеризации, в том числе медицинских и научных текстов. Для использования через Transformers требуется корректно выполнить pooling контекстных представлений. В карточке нет сведений о лицензии и явно заявленной поддержке языков, поэтому условия использования и языковой охват по этим источникам установить нельзя.

Fleet Semantic 4B — экспериментальная языковая модель проекта Fleet на базе Qwen/Qwen3-4B-Instruct-2507. Это причинная модель с архитектурой FleetForCausalLM, в которой семантическая маршрутизация к специалистам встроена в генерацию: модель может задействовать одного или двух специалистов либо оставить запрос базовой модели. В опубликованный чекпойнт входят backbone и параметры Fleet; отдельно загружать Qwen для инференса не требуется. Модель содержит специалистов по количественным рассуждениям, медицинским рассуждениям, узкому извлечению юридической информации, классификации намерений, вызову функций и структурированному выводу. Архитектура допускает динамическую установку совместимых пакетов специалистов формата .fleet. Модель принимает текст и генерирует текст; размер по метаданным — 3,7 млрд параметров, контекст — до 262 144 токенов. README описывает проект как исследовательский прототип: проверены загрузка, генерация и операции с экспертами, но пока не установлено, что Fleet улучшает результаты на всех задачах относительно базовой Qwen. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория и базовой модели.

Это модель Sentence Transformer на базе BERT, опубликованная pankajrajdeo. Она преобразует предложения и абзацы в плотные векторы размерностью 384, пригодные для сравнения по косинусному сходству. Архитектура использует усреднение токенных представлений; максимальная длина входа составляет 1024 токена. В метаданных указано 50,3 млн параметров, библиотека sentence-transformers и формат safetensors. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Карточка сообщает об обучении на парах anchor-positive и использует MultipleNegativesRankingLoss. Название репозитория указывает на биомедицинскую тематику обучения, в том числе UMLS, PubMed и PMC, однако описание датасета в README приводит также примеры общего характера. Языки и лицензия в предоставленных данных не указаны. Для работы с моделью подходит библиотека Sentence Transformers; результатом являются векторы текста, а не готовые ответы или метки. Качество на конкретных языках и предметных областях следует проверять отдельно.

GLiNER Multi PII Domains — модель распознавания именованных сущностей, разработанная E3-JSI путём дообучения urchade/gliner_multi_pii-v1 на синтетическом наборе E3-JSI/synthetic-multi-pii-ner-v1. Она использует двунаправленный трансформерный энкодер семейства BERT и предназначена для извлечения персональных данных и других чувствительных сущностей из текста: имён людей и организаций, контактных данных, идентификаторов документов, финансовых и медицинских сведений и других типов PII. Модель подходит для выявления чувствительных данных в медицинских текстах и других текстовых материалах, например перед их обезличиванием или проверкой. GLiNER позволяет задавать типы сущностей и служит компактной альтернативой крупным языковым моделям для сценариев с ограниченными ресурсами. Для работы требуется библиотека GLiNER. Модель распространяется по лицензии Apache-2.0. В карточке приведены примеры на английском и нидерландском языках; метаданные указывают поддержку английского, французского, немецкого, испанского, португальского, итальянского, словенского, греческого и нидерландского. Качество распознавания зависит от языка, формата текста и типов сущностей; модель может пропускать данные или ошибочно выделять фрагменты, поэтому результаты чувствительных проверок следует контролировать.

kanklc выпустил дообученную на базе intfloat/multilingual-e5-small модель Sentence Transformers для преобразования предложений и абзацев в плотные текстовые эмбеддинги. Модель использует архитектуру BERT с усредняющим pooling и нормализацией векторов; размер эмбеддинга — 384 измерения, сходство оценивается косинусной функцией. Максимальная длина последовательности — 512 токенов, число параметров — 124,3 млн. Модель предназначена для семантического поиска и извлечения релевантных текстов, в частности для сопоставления запросов с документами. Дообучение проведено на 1 420 парах предложений с MultipleNegativesRankingLoss; примеры в карточке посвящены симптомам и медицинским формулировкам на турецком языке. Лицензия в предоставленных данных не указана.