IV.5Образование и развитие навыков

EXLLM-ONI5M — экспериментальная компактная языковая модель проекта ToTo-40417 для коротких ответов на японском языке в образе ворчливого учителя старой школы. Она предназначена для экспериментов со встроенным инференсом и развлечения; модель содержит около 5,38 млн параметров, а контекст встроенной версии составляет 128 токенов. Репозиторий также включает GGUF-компаньон для LM Studio и llama.cpp, обученный отдельно на тех же проектных данных: это не конверсия весов встроенной версии. Модель обучена с нуля на авторских шаблонах и синтетических комбинациях, без стороннего предобученного чекпойнта. Инференс встроенной версии проверен на CASIO EX-word XD-B4800; GGUF-компаньон запускается через llama.cpp и LM Studio. Лицензия — Apache-2.0. Модель узкоспециализирована и не является универсальным помощником или источником достоверных фактов. Она может ошибаться, повторяться, отклоняться от заданной роли или исчерпывать лимит генерации; обработка кандзи, опечаток, длинных запросов, арифметики и свободного диалога ненадёжна. Не предназначена для профессиональных и критически важных решений.

OpenMed-ZeroShot-NER-BloodCancer-Tiny-60M — специализированная модель OpenMed для распознавания именованных сущностей в медицинских и биомедицинских текстах, с настройкой на термины хронического лимфоцитарного лейкоза (ХЛЛ). Она построена на архитектуре GLiNER и дообучена на корпусе CLL; размер 60 млн параметров следует из названия модели. Модель принимает текст и возвращает найденные сущности с типами. Zero-shot режим позволяет задавать типы сущностей при работе без отдельного дообучения, хотя карточка перечисляет только метку CL как тип из набора данных. Модель предназначена для извлечения понятий, связанных с ХЛЛ, из медицинских записей и научной литературы, в том числе для анализа терапии и клинических свидетельств. В README приведён F1 0,68 на тестовой выборке корпуса CLL. Указана лицензия Apache-2.0. Карточка не приводит длину контекста и подробную оценку качества на других корпусах; результаты на пользовательских типах сущностей могут зависеть от порога обнаружения.

ProtGPT3-1.3B — авторегрессионная языковая модель белковых последовательностей из семейства ProtGPT3. Это декодерная модель со sparse Mixture-of-Experts архитектурой в стиле Mixtral, обученная предсказывать следующий элемент белковой последовательности. В карточке указаны 205 млн параметров и контекст 1025 токенов. Модель генерирует последовательности белков без условия или продолжает заданный аминокислотный префикс. Специальный начальный токен задаёт направление генерации: от N-конца к C-концу или наоборот. Её можно использовать как основу для проектирования белков, генерации вариантов и семействоспецифичной генерации. ProtGPT3-1.3B разработана для задач генеративного моделирования белков. README не называет конкретную лицензию. Генерируемые последовательности могут быть нефункциональными, нестабильными, нерастворимыми или биологически неправдоподобными; перед применением им нужны вычислительная и экспериментальная проверка. Модель не предназначена для самостоятельного принятия клинических, экологических или критически важных решений.

SPIDER-skin — модель HistAI для классификации патчей гистологических изображений кожи. Она дообучена на визуальном энкодере histai/hibou-L и предназначена для распознавания патологических и тканевых классов на патчах размером 1120×1120 пикселей. Модель создана в рамках инициативы SPIDER, предоставляющей размеченные данные по патологии разных органов. Обучение проводилось на подмножестве SPIDER-skin: 159 854 центральных патча и 2 696 987 патчей с учётом контекстных областей, полученных с 3 784 предметных стёкол. В README приведены метрики для кожи: accuracy 0,940, precision 0,936 и F1 0,938. Модель подходит для автоматизированной классификации изображений в цифровой патологии; лицензия CC BY-NC 4.0 ограничивает её коммерческое использование без отдельного разрешения.

Tiny Shakespeare Chat — небольшая символьная GPT-модель, созданная и обученная с нуля разработчиком shalev396 без предобученных весов и сторонней библиотеки токенизации. Это декодерный трансформер nanoGPT-типа с 10,75 млн параметров: 6 блоков, 6 голов внимания и контекст длиной 256 символов. Модель сначала обучалась предсказывать следующий символ в пьесах Шекспира, затем дообучалась на соседних репликах, чтобы отвечать следующей строкой воображаемой пьесы. Она предназначена для экспериментальной генерации коротких реплик в шекспировской манере: с именами персонажей, стихотворным ритмом и архаичной лексикой. Модель принимает текстовую историю диалога и генерирует текст; ответы случайны, а повторяемость можно обеспечить фиксированным seed. Лицензия — MIT. Это игрушечная модель, а не средство для фактических ответов: она не понимает сообщения, теряет нить через несколько строк и может выдумывать слова. Алфавит ограничен 68 символами, контекст — 256 символами; часть знаков модель молча удаляет. Оценка на чат-валидации оптимистична из-за пересечения вариантов диалогов между обучающей и валидационной выборками.

keremberke/yolov8s-blood-cell-detection — модель компьютерного зрения на базе YOLOv8s, опубликованная пользователем keremberke. Она предназначена для обнаружения клеток крови на изображениях и распознаёт три класса: тромбоциты, эритроциты и лейкоциты. Модель работает с библиотекой Ultralytics и представлена в формате PyTorch. Модель подходит для автоматического поиска и локализации клеток на микроскопических изображениях, например, при подготовке или предварительной разметке наборов изображений. Данных о лицензии и условиях использования в предоставленной карточке нет.

Модель Boorapha/6704101346 — дообученная версия Thai GPT-2, созданная студентом с идентификатором 6704101346 для вопросов и ответов о собаках на тайском языке. Она генерирует текст и охватывает породы, болезни и здоровье, питание, дрессировку, поведение, уход, щенков и пожилых собак, вакцинацию и первую помощь. Архитектура — плотная GPT-2 с 1024 токенами контекста; веса доступны в формате safetensors. Для обучения указана выборка disease_3000. Лицензия — MIT. Модель может служить справочным помощником по уходу за собаками и отвечать на тематические вопросы. Карточка не приводит оценок качества и подробностей обучения, поэтому ответы о здоровье и первой помощи следует проверять по надёжным ветеринарным источникам.

Ruhadam2020/checkpoint-85239 — Türkçe klinik ve tıbbi metinlere uyarlanmış BERTurk tabanlı dil modelidir. Modeli, `dbmdz/bert-base-turkish-cased` temel modeli üzerinde tıbbi soru-cevap ve genel Türkçe metinlerle maskeli dil modelleme görevinde fine-tune etmiştir. Mimari değişiklik yapılmamış; model yaklaşık 137,8 млн параметровдан состоит и обрабатывает контекст длиной до 512 токенов. Распространяется по лицензии Apache-2.0. Модель предназначена для заполнения пропусков в турецких медицинских текстах и может служить вспомогательным компонентом при анализе лабораторных результатов и клинических текстов. В описанной оценке на 126 синтетических случаях одиночная модель совпадала с ожидаемой клинической темой в 65% случаев; авторы указывают, что метрика завышает результат и что заполнение пропусков плохо подходит для различения клинических состояний по числовым лабораторным данным. Это исследовательская разработка для поддержки принятия решений, а не диагностическая система или медицинское устройство. Она не проверяет референсные интервалы, дозировки и лечение; обучение не включало реальные истории болезни. Результаты требуют проверки врачом и не подходят для самостоятельного клинического применения.

Compumacy-Shrink-24B — специализированная языковая модель от Compumacy, дообученная Daemontatox на корпусе Daemontatox/Psy-Data-books. Модель содержит 24 млрд параметров и использует плотную архитектуру Mistral 3; она предназначена для текстовых диалогов и генерации структурированных ответов по клиническим случаям в психологии и психиатрии. Модель помогает суммировать жалобы, рассматривать дифференциальные диагнозы по DSM-5-TR и ICD-11, оценивать риски, предлагать варианты лечения и планировать наблюдение и направления к специалистам. Карточка описывает её как исследовательский инструмент для специалистов и исследователей в области психического здоровья. Лицензия — Apache-2.0. Это экспериментальная исследовательская версия, а не замена клиническому специалисту. Ответы, включая диагнозы, оценку рисков, рекомендации и ссылки на источники, требуют проверки лицензированным клиницистом; возможны галлюцинации и смещения данных. Не следует вводить персональные или защищённые медицинские данные, а модель не предназначена для кризисной помощи.

doctoria/doctoria-rally-ai — медицинская vision-language модель, созданная Jad Tounsi El Azzouzi для проекта SahhaAI. Она предназначена для офлайн-ответов на вопросы по медицинским изображениям и поддержки ухода за ранами в клиниках Марокко с ограниченным подключением; данные могут оставаться на устройстве при запуске в браузере через WebGPU или локально. Модель дообучена методом LoRA на базе HuggingFaceTB/SmolVLM-256M-Instruct с использованием VQA-RAD. Архитектура — Idefics3 для генерации текста по изображению и текстовому запросу. Карточка указывает английский язык. На тесте VQA-RAD заявлены точность 0,439 для вопросов с закрытым ответом и token-F1 0,228 для открытых ответов. Модель предназначена для поддержки медицинского персонала, а не для постановки диагноза. Результаты бенчмарка указывают на ограниченное качество ответов, поэтому их следует проверять специалисту. Лицензия — Apache-2.0.

KiCAD-MCP-Qwen3.5-4B — дообученная модель empulse на базе Qwen3.5-4B для помощи в проектировании печатных плат в KiCAD через Model Context Protocol (MCP). Она выбирает и вызывает инструменты KiCAD MCP-сервера, извлекает из запросов обозначения компонентов, координаты и имена цепей, планирует последовательности действий и помогает разбирать ошибки. Сервер, на котором обучалась модель, предоставляет 159 инструментов для работы со схемами, разводкой плат, проверками DRC, экспортом и библиотеками. Модель содержит 4 млрд параметров и использует архитектуру Gated Delta Network с гибридным вниманием. В репозитории размещены веса GGUF в формате BF16; для работы через llama.cpp требуется сборка с поддержкой Qwen3.5 GDN и кэш KV в BF16. Модель рассчитана на текстовые запросы на английском языке и выдаёт текстовые ответы с инструкциями по вызову инструментов; несмотря на мультимодальность базовой модели, эта версия не обучалась для задач с изображениями. Указана лицензия Apache-2.0. Модель специализирована на KiCAD и конкретной реализации MCP-сервера. Названия инструментов и их схемы могут отличаться у других серверов, сложные многошаговые задачи для модели такого размера могут быть менее надёжными, а знания о предметной области сосредоточены на KiCAD v10 и распространённых практиках проектирования плат.

MedSAM — дообученная для медицинской области модель сегментации изображений, основанная на SAM с backbone ViT-Base. Она принимает медицинское изображение и подсказку для сегментации, а затем формирует маску целевой области. Модель обучали на 1 090 486 парах «изображение — маска» из открытых источников, охватывающих 15 модальностей медицинской визуализации и более 30 типов рака. При обучении веса prompt encoder оставались замороженными, а image encoder и mask decoder обновлялись. Модель предназначена для выделения областей интереса на медицинских изображениях и может применяться в задачах анализа медицинских снимков, в том числе при изучении опухолей. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow. Код и чекпойнт распространяются по лицензии Apache 2.0. Результат зависит от корректности подсказки и может требовать проверки специалистом перед клиническим использованием.

NeuroBERT — модель на основе RoBERTa, разработанная для семантического сравнения предложений в нейрорадиологических заключениях. Она обучена с нуля с пользовательским словарём WordPiece на 10 000 слов, который сохраняет целостность специализированных нейрорадиологических терминов при токенизации. Модель содержит 64,3 млн параметров и выдаёт эмбеддинги размерности 768; максимальная длина контекста — 514 токенов. Обучение включало masked language modeling на нейрорадиологических заключениях и настройку архитектуры SentenceBERT с двумя ветвями для сопоставления разделов Findings и Summary одного заключения. Модель подходит для измерения семантического сходства предложений и сопоставления разделов медицинских текстов. Распространяется в формате PyTorch по лицензии Apache 2.0.

Precious3GPT (P3GPT) — мультимодальная биомедицинская языковая модель компании Insilico Medicine для исследований старения и поиска лекарств. Она построена на архитектуре MPT и обучена на данных омиксных экспериментов, графах знаний и биомедицинских текстах, включая PubMed. В README указан общий размер 175,1 млрд параметров: 175 млрд в текстовой модальности, 89,4 млн в основной модели и 8,2 млн в модальности графа знаний. Модель симулирует биологические процессы на уровне транскриптомных, эпигенетических и протеомных сигнатур. Она может генерировать омиксные сигнатуры для заболеваний, воздействий соединений и возрастных групп, а также определять возможные заболевания, соединения или возрастные группы по заданным сигнатурам. В сценариях доступны более 60 тысяч биомедицинских сущностей, включая виды, ткани, клеточные линии, состояния здоровья и малые молекулы. Для работы с сигнатурами модель использует эмбеддинги из графа знаний и текстовой модальности. P3GPT предназначена для исследовательских рабочих процессов, таких как скрининг соединений и анализ «случай — контроль»; её можно запускать локально или использовать через Discord-бота. Для точного задания эксперимента входные названия сущностей должны соответствовать списку, поставляемому с моделью. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

QuiltNet-B-32 — мультимодальная модель семейства CLIP с визуальным энкодером ViT-B/32, обученная на наборе Quilt-1M из пар изображений и текстов по гистопатологии. Модель разработана для исследовательских задач компьютерного зрения в патологии и поддерживает классификацию изображений без дообучения по текстовым меткам, а также поиск соответствий между изображениями и текстом. Модель подходит для экспериментов с классификацией гистологических изображений, межмодальным поиском и изучением устойчивости и обобщения визуальных моделей в этой области. Авторы также упоминают визуальные вопросы и ответы, тонкую настройку и линейное зондирование как возможные сценарии, но основной тег модели — классификация изображений без примеров. Модель рассчитана на английские текстовые запросы; применение для клинических решений и развёртывание не рекомендуются без тщательной проверки на целевых данных. Лицензия — MIT; карточка отдельно предупреждает, что результаты не являются медицинской консультацией и не гарантируются.

TinyLlama-Real-PsychiatryCaseNotes-epochs-1-lr-0002_Train_On_Input — дообученная автором joseagmz компактная причинно-следственная языковая модель семейства LLaMA для генерации текста. Она основана на TinyLlama/TinyLlama-1.1B-intermediate-step-1431k-3T и содержит около 1 млрд параметров; контекст — до 2048 токенов. Название указывает на настройку для генерации заметок по психиатрическим случаям, однако README не описывает конкретные сценарии или обучающие данные; набор данных в карточке обозначен как None. В оценке указан loss 2.3518, без дополнительных сведений о методике оценки. Модель принимает текст и генерирует текст. Файлы представлены в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не описывает клиническую надёжность или ограничения применения, поэтому качество для медицинского использования по имеющимся данным оценить нельзя.

ALIA-MrBERT-es-snomed-dental-ner-multiclass-ctx8192 — модель SINAI/UJA для распознавания сущностей в испанских стоматологических клинических текстах. Это дообученная для токенной классификации модель ModernBERT на базе двуязычной MrBERT-es от BSC-LT; она содержит около 149,6 млн параметров и обрабатывает контекст длиной до 8192 токенов. Модель выделяет границы сущностей по схеме BIO и напрямую присваивает стоматологическим понятиям коды SNOMED CT примерно для 400 концептов. Она предназначена для структурирования стоматологических записей и извлечения патологий, анатомических понятий и процедур. В описанном тестовом разбиении указаны precision 96,83%, recall 95,83% и F1 96,33%; результаты относятся к данным и условиям этой оценки. Модель специализирована на испанских стоматологических текстах: редкие классы, нестандартные сокращения и термины вне исходной клинической практики могут распознаваться хуже. Она не предназначена для общего медицинского NER, других языков, генерации текста или самостоятельной диагностики и требует проверки специалистом. Лицензия — Apache-2.0.

Модель NaumanHa/blood-cancer-resnet18 — дообученная ResNet18 для классификации изображений клеток крови на четыре класса: доброкачественные клетки, злокачественные Pre-B, Pro-B и ранние Pre-B. Она предназначена для анализа изображений клеток крови в задачах, связанных с выявлением острого лимфобластного лейкоза (ALL). В карточке указана точность 99,38% на валидационной выборке; модель обучена на наборе данных Blood Cell Cancer ALL-4class. Доступны файлы ONNX и SafeTensors. Лицензия — MIT. Результат классификации следует рассматривать как вспомогательный: карточка не описывает клиническую проверку или применимость для диагностики пациентов.

Это классификатор клеток костного мозга на базе Ultralytics YOLO, опубликованный пользователем ghostsas001. Модель относит отдельные изображения клеток из мазков костного мозга к одному из 20 типов; входные изображения имеют размер 250 × 250 пикселей, а при примере применения используется размер 224 пикселя. Для классификации модель возвращает вероятности классов и наиболее вероятную метку. На тестовой выборке из 17 137 клеток указаны сбалансированная точность 79,48 %, accuracy 85,30 % и macro F1 76,65 %. Модель обучалась 50 эпох на ограниченной выборке из датасета Bone-Marrow-Cytomorphology_MLL_Helmholtz_Fraunhofer. Лицензия репозитория — AGPL-3.0. Модель предназначена для исследовательского анализа цитологических изображений и не является медицинским устройством. Данные происходят из одной лаборатории; точность может снизиться при использовании других методов окрашивания, микроскопов или когорт. Разделение данных выполнено по изображениям без идентификаторов пациентов, поэтому клетки одного пациента могли попасть в обучающую и тестовую выборки; обучение проведено в одном запуске, а метрики редких классов нестабильны.

Carbon-8B — авторегрессионная плотная языковая модель семейства Llama, разработанная HuggingFaceBio для работы с последовательностями ДНК и РНК, прежде всего эукариот. Модель содержит 7,6 млрд параметров и распространяется как causal LM для Transformers. Гибридный токенизатор использует неперекрывающиеся 6-меры для ДНК и Qwen3 BPE для английского текста; каждый токен ДНК соответствует шести парам оснований. Модель предназначена для генерации геномных последовательностей, оценки их правдоподобия, предсказания эффектов вариантов, анализа возмущений мотивов и поиска информации в длинных последовательностях. Штатное контекстное окно составляет 32 768 токенов, или примерно 196 тысяч пар оснований; с YaRN модель можно экстраполировать до 128 тысяч токенов. В ветке fns доступны генерация с контролем на уровне отдельных нуклеотидов и оценивание вероятностей по позициям. Модель предварительно обучена на корпусе HuggingFaceBio/carbon-pretraining-corpus с данными ДНК и РНК. В описанных нулевых оценках Carbon-8B улучшает ряд результатов Carbon-3B, включая восстановление последовательностей и предсказание эффектов вариантов; для поиска в длинном контексте качество снижается за пределами штатной длины и частично восстанавливается с YaRN. Лицензия — Apache-2.0. Генетические входные и выходные данные могут быть чувствительными; порядок их обработки зависит от способа и провайдера использования.

Chemlactica-1.3B — авторегрессионная языковая модель на 1,3 млрд параметров для работы с представлениями молекул. Она разработана как продолжение предобучения facebook/galactica-1.3b на корпусе PubChemForLM: 40 млрд токенов с описаниями более 110 млн молекул PubChem, их вычисленными свойствами и сходством. Архитектура — OPTForCausalLM с 24 слоями; контекст — 2048 токенов. Модель предназначена для генерации молекул в формате SMILES, генерации с заданными свойствами, предсказания молекулярных свойств и оптимизации молекул. Для управления задачей используются специальные теги, в том числе SAS, QED, WEIGHT, TPSA, CLOGP, FORMULA, RINGCOUNT и SIMILAR; произвольные инструкции на естественном языке не поддерживаются. Данные обучения отражают состояние на 26 января 2023 года. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Сгенерированные строки могут быть некорректными, дублирующимися, химически неправдоподобными, трудными для синтеза или небезопасными. Предсказанные свойства не являются экспериментальными измерениями; модель не предназначена для клинических решений и требует экспертной и экспериментальной проверки.

Chemma-2B — дообученная причинная языковая модель для работы с малыми молекулами, созданная на основе Gemma-2B. Она продолжает предобучение на наборе PubChemForLM: около 40 млрд токенов, описывающих более 110 млн молекул PubChem, их вычисленные свойства и сходство. Модель имеет архитектуру GemmaForCausalLM, 2,5 млрд параметров и контекст 2048 токенов; токенизатор Gemma расширен химическими тегами. Модель предназначена для генерации молекулярных строк SMILES с заданными свойствами, предсказания свойств молекул, поиска похожих соединений и оптимизации молекул. Для работы используются структурированные теги вроде [SAS], [QED], [WEIGHT], [TPSA], [CLOGP], [FORMULA], [RINGCOUNT] и [SIMILAR]; произвольные инструкции на естественном языке не поддерживаются. Модель доступна под лицензией CC BY-NC 4.0, допускающей использование с указанием авторства и ограничивающей коммерческое применение. Сгенерированные строки могут быть некорректными, дублирующимися, химически неправдоподобными, небезопасными для синтеза или не соответствовать заданному диапазону свойств. Предсказанные свойства не являются экспериментальными измерениями; обучающие данные могут содержать ошибки и смещения, а знания модели ограничены данными до 26 января 2023 года. Модель не предназначена для клинических решений и не заменяет экспертную оценку или экспериментальную проверку.

CropModel Tree Genus — модель классификации крон деревьев по родам, разработанная Weecology. Она предназначена для работы с кропами крон, обнаруженных детектором DeepForest, и относит изображение к одному из 54 родов деревьев. Обучение выполнено на RGB-изображениях с 29 площадок NEON в Северной Америке с использованием разметки NeonTreeClassification и полевых данных NEON Vegetation Structure Taxonomy. Модель использует ResNet-18 с предварительным обучением на ImageNet. На вход подаются RGB-кропы размером 224×224 с нормализацией ImageNet; в README указана интерполяция ближайшего соседа при изменении размера. Обучающий набор включает 16 348 крон, а тестовая точность составляет 44%, macro F1 — 0,25, weighted F1 — 0,44, поэтому предсказания требуют проверки, особенно для редких или слабо представленных классов. Модель распространяется по лицензии MIT.

CXRMate-2 — мультимодальная модель для генерации радиологических заключений по рентгенограммам грудной клетки. Её разработала команда AEHRC; модель представлена в препринте о структурированных мультимодальных временных эмбеддингах и обучении с подкреплением для клинически приемлемой генерации заключений. В README указано, что её можно загрузить через Transformers и использовать с изображениями по URL или исследованиями DICOM. Модель предназначена для автоматического составления текстового описания и заключения по снимкам грудной клетки; в тегах также отмечены данные пациента и MIMIC-CXR. Архитектура обозначена как CXRMate-2ForConditionalGeneration. Карточка указывает английский язык и формат весов Safetensors. Лицензия — Apache-2.0. Модель ориентирована на радиологический сценарий, поэтому сгенерированные заключения требуют проверки специалистом и не заменяют клиническую оценку. README ссылается на препринт и обучение с подкреплением, но не приводит численность параметров или длину контекста.

CXRMate-RRG24 — мультимодальная модель для генерации радиологических заключений по рентгеновским снимкам грудной клетки. Её разработала команда AEHRC для задачи Radiology Report Generation в соревновании BioNLP @ ACL 2024. Архитектура vision-encoder-decoder принимает изображение и генерирует текстовые разделы findings и impression; для их разделения используются специальные токены и типовые эмбеддинги. Модель обучали методом EAST — вариантом Self-Critical Sequence Training с регуляризацией энтропии и вознаграждением на основе RadGraph. Модель подходит для автоматического составления черновиков заключений и раздельной генерации описания находок или итогового впечатления по рентгенограмме. В README отмечено, что обучение без штрафа за расхождение длины с заключением радиолога привело к длинным ответам и повторам. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0.

microsoft/Dayhoff-170m-UR50 — модель генерации белковых последовательностей, представленная в ресурсах Dayhoff и разработанная авторами, перечисленными в карточке Dayhoff. Она предназначена для исследовательского моделирования белковых последовательностей: безусловной генерации, оценки эффектов мутаций и проектирования последовательностей с заданными структурными мотивами или эволюционным контекстом. Архитектура сочетает слои Mamba и Transformer с механизмами Mixture-of-Experts; модель обучалась авторегрессионно в направлениях N→C и C→N и поддерживает контекст до 262 144 токенов. Метаданные указывают 23,6 млн параметров, библиотеку Transformers и формат safetensors. Карточка Dayhoff описывает работу с белковыми последовательностями и выравниваниями, включая генерацию и заполнение последовательностей с учетом контекста. Модель не предназначена для обычного текста, ДНК или других биологических последовательностей; реалистичность и качество каждого сгенерированного белка не гарантированы. Лицензия — MIT.

Dayhoff-170M-UR90-HL-24000 — модель генерации белковых последовательностей из семейства Dayhoff, разработанная исследовательской командой, перечисленной в карточке модели. Она предназначена для генерации белков, оценки эффектов мутаций и проектирования последовательностей с заданными структурными мотивами или эволюционным контекстом. Архитектура Jamba сочетает слои Mamba и Transformer с механизмом смеси экспертов; модель использует автогрессивное обучение и поддерживает контекст длиной до 262 144 токенов. В метаданных указано 23,6 млн параметров, формат весов safetensors и библиотека Transformers. Модель работает с белковыми последовательностями и не предназначена для обычного текста, ДНК или других биологических последовательностей. Сгенерированные последовательности не гарантированно реалистичны, а получение новых белков без сходства с природными последовательностями остаётся сложной задачей. Лицензия — MIT.

ONCA 2.0 — специализированная языковая модель для онкологических исследовательских задач, созданная на основе Google Gemma 4 12B Instruct. Это плотная мультимодальная архитектура Gemma 4 Unified, дообученная методом supervised fine-tuning на корпусе из 25 302 примеров с разметкой происхождения данных; репозиторий содержит эталонный чекпойнт BF16 в формате safetensors. Модель предназначена для отбора пациентов для клинических исследований, клинических рассуждений, извлечения сведений из патологии и интерпретации доказательств по вариантам. Карточка описывает англоязычные данные и задачи, с наилучшими результатами при узких запросах и явном формате ответа. В опубликованной оценке на holdout-наборе из 1 309 примеров точность отбора для исследований составила 0,8240, точность определения исхода при клинических рассуждениях — 0,6761, а точное совпадение извлечённых полей патологии — 0,4634. Извлечение патологии остаётся слабейшей из указанных задач. Модель ориентирована на рак поджелудочной железы и смежные онкологические рабочие процессы, а не на широкую медицинскую практику. Это исследовательская модель, не предназначенная для принятия клинических решений; результаты требуют проверки специалистом, а корректный формат вывода не гарантирует фактической точности. Лицензия — Apache-2.0.

RETFound_MAE_OCT — модель классификации изображений на основе параметров RETFound для OCT, опубликованная bitfount. Репозиторий содержит копию open-eye/RETFound_MAE, интегрированную с библиотекой timm, и параметры OCT-модели. Модель предназначена для классификации изображений оптической когерентной томографии (OCT). В метаданных указаны формат PyTorch и лицензия CC BY-NC 4.0, которая разрешает использование с указанием авторства, но запрещает коммерческое применение.

Dayhoff-170M-GR-31000 — модель генерации белковых последовательностей из семейства Dayhoff, разработанная авторами, перечисленными в карточке модели. Это гибридная архитектура Jamba: слои Mamba и Transformer с механизмом Mixture-of-Experts. Модель имеет 23,6 млн параметров, работает с контекстом до 262 144 токенов и обучена на данных Dayhoff; лицензия — MIT. Модель предназначена для исследовательской работы с белками: генерации последовательностей, прогнозирования эффектов мутаций без дообучения и проектирования белковых каркасов с заданными структурными мотивами или эволюционным контекстом. Она принимает последовательности белков и может моделировать отдельные последовательности и развёрнутые множественные выравнивания. Модель не предназначена для обычного текста, ДНК или других биологических последовательностей. Сгенерированные последовательности не всегда реалистичны, а создание белков без сходства с природными последовательностями остаётся сложной задачей.