IV.5Образование и развитие навыков

Dayhoff-170M-GRS-SS-122000 — модель генерации белковых последовательностей, разработанная исследовательской командой, указанной в карточке Dayhoff. Она предназначена для исследований белкового языка: генерации последовательностей, оценки эффектов мутаций без дополнительного обучения и проектирования белковых каркасов с заданными структурными мотивами. Архитектура основана на гибриде Mamba и Transformer с блоками смеси экспертов (MoE); карточка указывает 23,6 млн параметров и контекст до 262 144 токенов. Модель обучена авторегрессионно в обоих направлениях последовательности, что поддерживает заполнение пропусков в произвольном порядке. Dayhoff обучалась на белковых данных, включая набор microsoft/Dayhoff. Модель рассчитана на аминокислотные последовательности и гомологичные белковые последовательности, а не на естественный язык или ДНК. Генерируемые последовательности не всегда реалистичны, а создание качественных белков без сходства с природными последовательностями остается сложной задачей. Лицензия — MIT.

Dayhoff-170m-UR90 — модель генерации белковых последовательностей, разработанная Кевином К. Янгом и соавторами. Она предназначена для исследовательских задач белкового языкового моделирования: генерации последовательностей, оценки эффектов мутаций без дополнительного обучения и проектирования белковых каркасов с заданными структурными мотивами. Модель обучена на данных Dayhoff Atlas, включая белковые последовательности, и использует авторегрессионный подход. Архитектура сочетает слои Mamba и Transformer с механизмом смеси экспертов (MoE); класс модели — JambaForCausalLM. По метаданным, модель содержит 23,6 млн параметров и поддерживает контекст до 262 144 токенов. Она обрабатывает белковые последовательности и выдает последовательности аминокислот; README также описывает работу с гомологичными последовательностями. Лицензия — MIT. Модель не предназначена для естественного языка, ДНК или других типов биологических последовательностей. Сгенерированные последовательности не всегда реалистичны, а генерация качественных белков без сходства с известными природными последовательностями остается сложной задачей.

Dayhoff-170M-UR90-HL-34000 — 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 насчитывает 23,6 млн параметров и рассчитана на контекст до 262 144 токенов. Модель предназначена для исследовательских задач белкового языкового моделирования: генерации белковых последовательностей, оценки эффектов мутаций без дообучения и проектирования белков с заданными структурными мотивами или эволюционным контекстом. Она обучалась на данных Dayhoff, включая метагеномные и синтетические последовательности, и поддерживает моделирование одиночных последовательностей и развёрнутых множественных выравниваний. Обучение в направлениях N→C и C→N позволяет выполнять заполнение последовательностей без зависимости от порядка. Модель не предназначена для естественного языка, ДНК или других биологических последовательностей, кроме белков. Сгенерированные последовательности не обязательно реалистичны; генерация высококачественных последовательностей без сходства с известными природными белками остаётся сложной задачей. Лицензия — MIT.

GENERanno-eukaryote-0.5b-base — базовая плотная модель семейства GENERanno, разработанная для работы с эукариотическими последовательностями ДНК. Она содержит 493,2 млн параметров и обучена на наборе данных объёмом 386 млрд пар оснований; длина контекста составляет 8192 токена, что соответствует заявленным в карточке 8 тысячам пар оснований. Модель использует архитектуру GenerannoForMaskedLM и предназначена для предсказания замаскированных участков последовательности. Модель ориентирована на геномную аннотацию: поиск расположения генов, предсказание их функций и разбор структуры генов. В README также заявлена сопоставимая с GENERator производительность на Genomic Benchmarks, NT tasks и Gener tasks. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Авторы отмечают, что модель находится в разработке и технические подробности будут дополняться.

Genos-m — фундаментальная модель для геномов микробов, связанных с человеком, разработанная BGI-HangzhouAI. Она предварительно обучена предсказывать последовательности микробной ДНК на уровне отдельных нуклеотидов и предназначена для анализа геномных последовательностей с длинным контекстом. Метаданные указывают архитектуру Mixtral с механизмом Mixture of Experts, 189 млн параметров и контекст до 1 048 576 токенов; README отдельно описывает вариант Genos-m-4.7B с 4,7 млрд общих и 0,33 млрд активируемых параметров. Обучающий корпус включает около 1,2 трлн токенов из ресурсов прокариотических геномов и геномов микробов, ассоциированных с человеком: 186 типов, 3 448 семейств и 69 056 видов. Модель применима к исследованию микробных геномов человека из кишечника, полости рта, кожи, дыхательных путей и женского репродуктивного тракта. Доступны чекпойнты для Transformers и Megatron-LM. Лицензия — Apache-2.0. README отсылает за подробными инструкциями и бенчмарками к GitHub и статье, поэтому конкретные показатели качества здесь не приводятся.

Hibou-L — большая модель Vision Transformer для цифровой патологии, разработанная HistAI. Она предварительно обучена в рамках подхода DINOv2 на частном наборе из 1,2 млрд изображений и предназначена для извлечения признаков из изображений тканей. Модель можно использовать как визуальный энкодер в системах анализа гистологических изображений и как основу для последующей настройки под конкретные задачи патологии. Репозиторий содержит веса в формате safetensors и использует модифицированную реализацию DINOv2 из Transformers с поддержкой register-токенов. Для загрузки через AutoImageProcessor и AutoModel требуется включить trust_remote_code=True. Лицензия — Apache-2.0. Карточка также упоминает вариант Hibou-B.

ImmunoMatch — белковая языковая модель, дообученная Fraternalilab на базе AntiBERTa2-CSSP для изучения предпочтений спаривания тяжёлых и лёгких цепей антител. Она принимает пару аминокислотных последовательностей доменов VH и VL и выполняет классификацию, связанную с их совместимостью. Доступны варианты, обученные на смесях антител с κ- и λ-цепями, а также отдельные варианты для κ- или λ-цепей. Модель построена на архитектуре RoFormer, содержит около 268,5 млн параметров и рассчитана на контекст до 256 токенов. Репозиторий содержит веса PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Esperanto Technologies разработала эту мультимодальную модель для анализа изображений кожных проблем и ответов на вопросы о них. Это LLaVA 1.5 7B, дообученная с помощью LoRA на наборе данных Skin Condition Image Network (SCIN). Модель принимает изображение кожи и текстовый контекст о пациенте и симптомах, а затем формирует текстовый ответ с предположением о возможном состоянии кожи. Модель предназначена для экспериментальных сценариев онлайн-консультации по дерматологии, например для предварительного анализа сыпи, воспалений и других кожных изменений с учётом последующих вопросов. Карточка заявляет высокую точность диагностики, но не приводит метрик или результатов оценки, поэтому ответ модели не следует считать подтверждённым диагнозом. Лицензия в доступных данных не указана.

MedSigLip — модель классификации медицинских изображений, разработанная Khanyi Tapiwa Magagula из AI Eswatini. Она принимает изображения кольпоскопии и предсказывает наиболее вероятный класс или стадию состояния шейки матки. Модель построена на архитектуре SigLIP и опубликована для использования через Transformers; в репозитории указаны форматы Safetensors, ONNX и TFLite. Модель предназначена для исследовательских и вспомогательных сценариев анализа кольпоскопических изображений. README не приводит метрик качества, сведений о клинической валидации или подробностей о классах, поэтому результаты нельзя считать самостоятельным диагнозом. Лицензия репозитория — Apache-2.0.

RedDino-base — модель извлечения признаков из изображений эритроцитов, разработанная Лукой Цеддой, Андреа Лоддо, Чечилией Ди Руберто и Карстеном Марром из Университета Кальяри и Helmholtz Munich. Это специализированная модель компьютерного зрения для гематологических изображений, основанная на Vision Transformer ViT-Base с размером патча 14 и адаптированной архитектуре самообучения DINOv2. Модель предварительно обучена на 1,25 млн изображений эритроцитов из 18 наборов данных и формирует векторы признаков размерности 768. Её используют для классификации формы и морфологических подтипов эритроцитов, а также анализа, устойчивого к различиям между партиями данных. В отличие от универсальных моделей, обученных на естественных изображениях, RedDino использует специализированные для гематологии аугментации и предобработку. Модель распространяется под лицензией CC BY 4.0. Она предназначена для извлечения признаков; классификация и другие downstream-задачи требуют соответствующего последующего метода или модели. Заявление о высоких результатах на бенчмарках приведено в карточке модели.

RedDino-large — модель извлечения признаков из изображений эритроцитов, разработанная Лукой Цеддой, Андреа Лоддо, Чечилией Ди Руберто и Карстеном Марром из Университета Кальяри и Helmholtz Munich. Она предназначена для анализа морфологии эритроцитов и подготовки признаков для последующих задач классификации и сравнения образцов.

resnet50.lunit_mocov2 — модель классификации изображений на архитектуре ResNet50, обученная Lunit как визуальный бэкбон с методом самообучения MoCo v2. Она предназначена для анализа гистологических изображений: обучалась на 33 млн фрагментов тканей и может использоваться как основа для классификации изображений и извлечения признаков в задачах цифровой патологии. В карточке указаны наборы BACH, CRC, MHIST, PatchCamelyon и CoNSeP; максимальный размер входного изображения — 1024 × 768 × 3, число параметров — 23,6 млн. Модель принимает изображения и выдаёт предсказания классов; карточка также описывает получение эмбеддингов изображений. Для работы с ней указана библиотека timm, веса доступны в формате safetensors. Лицензия lunit-non-commercial ограничивает использование некоммерческими целями.

SleepVLM-3B — мультимодальная модель, разработанная Guifeng Deng, Pan Wang, Jiquan Wang, Tao Li и Haiteng Jiang для объяснимой автоматической классификации стадий сна по полисомнографическим (PSG) записям. Она принимает изображения многоканальных сигналов PSG, отображающих три последовательные 30-секундные эпохи, и для каждой эпохи предсказывает стадию сна W/N1/N2/N3/R, указывает применимые правила AASM и формирует структурированное текстовое обоснование. Модель основана на Qwen2.5-VL-3B-Instruct и дообучена в два этапа: предварительное обучение восприятию волновых форм и контролируемая настройка с привязкой к правилам на экспертных аннотациях MASS-EX. Архитектура — Qwen2.5-VL, около 3,1 млрд параметров; модель использует изображения на входе и выдаёт текст. Контекст составляет 128 000 токенов. Карточка указывает английский язык. Лицензия — Apache-2.0. Модель предназначена для исследований в области медицины сна, клинической информатики и интерпретируемого медицинского ИИ. Она предоставляет проверяемые относительно стандартов AASM объяснения решений, однако не прошла клиническую валидацию и не должна заменять оценку специалиста по анализу сна.

mrm8488/vit-base-patch16-224_finetuned-kvasirv2-colonoscopy — модель классификации изображений на основе Vision Transformer (ViT), опубликованная пользователем mrm8488 и дообученная для колоноскопических изображений. Она предназначена для отнесения таких изображений к категориям, заданным при обучении на наборе Kvasir v2. В README показан пример загрузки через Transformers и hugsvision; метаданные указывают 113,2 млн параметров и форматы PyTorch и Safetensors. Модель принимает изображения и выдаёт метки классов. Карточка не содержит сведений о составе классов, метриках качества или клинической проверке; применять её для постановки диагноза без независимой валидации не следует. Данные о лицензии в предоставленных метаданных и README отсутствуют.

1aurent/vit_small_patch14_224.dinobloom — визуальный backbone для извлечения признаков изображений, связанный с проектом DinoBloom команды Marr Lab. Модель предназначена для получения эмбеддингов клеток крови и их использования в задачах анализа изображений в гематологии. Это ViT-Small с 22 млн параметров: изображения размером 224 × 224 обрабатываются патчами 14 × 14. Репозиторий содержит веса в формате safetensors; лицензия — Apache 2.0. В карточке описан сценарий извлечения эмбеддингов, но не приведены сведения о точности на конкретных наборах данных или о дополнительных задачах.

ayoubkirouane/Breast-Cancer_SAM_v1 — модель сегментации опухолей молочной железы на медицинских изображениях, созданная на основе Segment Anything Model (SAM). В карточке указаны маммограммы и ультразвуковые изображения как целевые типы снимков. Модель использует архитектуру vision transformer семейства SAM и библиотеку Transformers; репозиторий содержит веса PyTorch. Модель предназначена для выделения области опухоли с помощью масок на изображении. SAM принимает подсказки, например точки или рамки, чтобы построить маску объекта; README связывает применение этой модели с планированием диагностики и лечения. Базовая модель SAM известна сегментацией по подсказкам и генерацией масок объектов, однако отдельные метрики качества Breast-Cancer_SAM_v1 в карточке не приведены. Лицензия репозитория — Apache-2.0. Модель предназначена для медицинских изображений, но сведения не подтверждают клиническую валидацию; результаты следует оценивать специалистам и не считать самостоятельным диагнозом.

Taykhoom/Evo1-1.5-7B-8K — это порт на Hugging Face модели Evo 1.5, предназначенной для работы с последовательностями ДНК. Модель содержит 8,6 млрд параметров по метаданным и использует причинную архитектуру Evo1 на базе StripedHyena; в README указаны 32 гибридных слоя и контекст до 8 192 токенов. Она обучена предсказывать следующий токен на уровне байтов и принимает последовательности как сырые UTF-8 байты с алфавитом токенов 0–255. Модель подходит для генерации последовательностей ДНК с учётом геномного контекста, вычисления логитов и получения скрытых представлений для анализа. Evo 1.5 продолжает обучение Evo 1 на примерно 50% дополнительных данных, всего около 450 млрд токенов из геномных последовательностей, включая геномы прокариот, фагов и плазмид. Порт также поддерживает получение скрытых состояний и attention weights, доступ к backbone через AutoModel и выбор backend внимания; для побитового совпадения с исходной реализацией требуется flash_attention_2. Модель выпущена под лицензией Apache-2.0. Это специализированная биологическая модель: она не предназначена для обычного текста, а различия вычислительных backend могут влиять на точность промежуточных активаций.

H-optimus-0 — открытая фундаментальная модель для гистологии, разработанная компанией Bioptimus. Это vision transformer с 1,1 млрд параметров, обученный на собственной коллекции более чем 500 000 гистологических изображений с окрашиванием H&E. Модель принимает изображения размером 224×224, извлечённые с разрешением 0,5 мкм на пиксель, и выдаёт признаки для последующего анализа. Модель предназначена для извлечения признаков из гистологических изображений и их использования в задачах предсказания мутаций, анализа выживаемости и классификации тканей. Она распространяется в формате PyTorch, работает через библиотеку timm и доступна по лицензии Apache-2.0. В карточке отмечено, что обучающая коллекция является проприетарной; переносимость результатов за пределы гистологических изображений и указанного масштаба не описана.

Kyläkauppias — небольшая модель преобразования речи в речь, разработанная для роли помощника в финском продуктовом магазине. Она обучена с нуля, без базовой модели, и принимает аудио с заказом одного из трёх товаров: хлеба, сыра или ветчины. Модель распознаёт количества от одного до девяти и отвечает голосом; для обучения использовались синтетические финские текстовые и аудиопримеры, а в аудио добавлялись шум и паузы для повышения устойчивости. Репозиторий содержит формат ONNX, лицензия MIT. Это узкоспециализированная демонстрационная модель: она рассчитана только на ограниченный набор товаров и финские запросы.

Mascaret — модель Waiv для извлечения признаков из гистологических изображений в вычислительной патологии. Она создана как версия Midnight-12k, дообученная по рецепту, который повышает устойчивость к различиям в сканерах и лабораториях. Модель использует энкодер DINOv2 и предназначена для получения визуальных признаков, которые можно применять в последующих задачах анализа патологических изображений и онкологических исследований. Waiv делится моделью для бенчмаркинга и исследовательского использования. Для загрузки весов требуется доступ к gated-репозиторию; лицензия обозначена как other, поэтому условия использования следует уточнить на странице модели.

Kaiko AI Midnight-12k — базовая модель для вычислительной патологии, построенная на архитектуре DINOv2 и дообученная на 12 тысячах гистологических whole slide images из открытого набора TCGA. По метаданным, модель содержит 1,5 млрд параметров; веса опубликованы в формате Safetensors. Она извлекает признаки и эмбеддинги из изображений тканей для последующего обучения классификаторов и сегментации, а представления на уровне слайдов могут использоваться в задачах анализа патологии и предсказания экспрессии генов. Модель обучена с использованием самообучения, патчей изображений размером 224×224 и аугментаций, учитывающих вариации окрашивания. Для подготовки изображений README задаёт нормализацию со средним и стандартным отклонением 0,5 для каждого цветового канала; для сегментации выход включает токены патчей сетки 16×16. Разработчик сообщает о конкурентных результатах на открытых бенчмарках, однако опубликованные сравнения наиболее подробно выделяют более крупные варианты Midnight-92k и Midnight-92k/392. Лицензия Midnight-12k — MIT. Модель предназначена для извлечения признаков и не является готовой диагностической системой.

MIRAGE-Base — модель извлечения признаков изображений сетчатки, разработанная José Morano и соавторами. Это официальные веса базовой версии MIRAGE на архитектуре ViT-Base; модель представлена в статье «MIRAGE: Multimodal foundation model and benchmark for comprehensive retinal OCT image analysis» (2025). Репозиторий содержит веса в формате safetensors, модель реализована на PyTorch и рассчитана на изображения размером 512×512. Модель предназначена для анализа снимков оптической когерентной томографии сетчатки (OCT) и получения признаков, которые могут использоваться в задачах классификации и сегментации. Для загрузки авторы предлагают PyTorchModelHubMixin и вспомогательный скрипт MIRAGE. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий без разрешения правообладателя.

pelvitect-seg — модель семантической сегментации медицинских изображений на архитектуре SegFormer-B3, разработанная как часть системы Pelvitect. Она дообучена на наборе PelviSet, включающем 14 622 рентгенограммы таза детей с масками анатомических структур. Модель размечает пиксели снимка по классам, включая фон, подвздошные кости и запирательные отверстия; результаты предназначены для последующего расчёта геометрических показателей, применяемых при анализе дисплазии тазобедренного сустава. Модель рассчитана на сегментацию переднезадних рентгенограмм детского таза. README описывает применение в специализированном клиническом аналитическом конвейере, а не самостоятельную постановку диагноза. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

PertMind — биологическая языковая модель на базе Qwen3-4B-Base, разработанная для рассуждений о клеточных возмущениях и биологических профилей. Модель дообучена с использованием supervised initialization на доверенных траекториях и обучения с подкреплением на экспериментальных данных атласа возмущений Tahoe-100M. Она принимает текстовые запросы о клеточной линии, воздействии и целевом гене и генерирует текстовые прогнозы и интерпретации. Архитектура — плотная Qwen3ForCausalLM с 3,7 млрд параметров, контекстом до 40 960 токенов; репозиторий содержит веса safetensors и поддерживает запуск через Transformers и vLLM. Модель предназначена для прогнозирования экспрессии генов после воздействия, обратного вывода условий возмущения, приоритизации кандидатов в фенотипических скринингах и интерпретации биологических процессов. Также её ответы можно преобразовывать в профили для молекулярного, клеточного и донорского сопоставления. Карточка описывает исследовательский охват, но не подтверждает качество каждой из этих задач отдельными бенчмарками. Модель выпущена под лицензией Apache-2.0 для исследований, генерации гипотез и разработки методов.

Prost40M — специализированная модель извлечения признаков для вычислительной патологии, разработанная для анализа гистологических изображений предстательной железы. Она обучена авторами на основе DINO на примерно 40 миллионах фрагментов H&E-окрашенных срезов простатэктомии из когорт TCGA-PRAD и LEOPARD. Архитектура — небольшой Vision Transformer (vit_small); размер входного изображения — 224 × 224 пикселя. Модель предназначена для получения признаковых представлений фрагментов тканей, которые можно использовать в последующих задачах гистопатологии предстательной железы, особенно там, где важны тонкие морфологические различия. Для загрузки указан интерфейс timm. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Качество признаков может снижаться при смене сканера, протокола окрашивания или медицинского центра. Представления также зависят от состава обучающих данных и выбранной предобработки; модель предназначена для анализа гистологических изображений предстательной железы, а не как универсальный экстрактор для любых тканей.

ResNet50 для классификации изображений гистологических препаратов, обученная центром Tissue Image Analytics (TIA) на патчах датасета kather100k, также известного как NCT-CRC-HE. Модель содержит 23,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя с тремя цветовыми каналами. Модель предназначена для классификации гистологических изображений и может использоваться как backbone для извлечения признаков и получения эмбеддингов. Подходит для анализа патчей тканей в исследовательских и прикладных рабочих процессах цифровой патологии. Репозиторий распространяет веса в формате safetensors; для работы используется библиотека timm. Модель опубликована по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0), требующей указания авторства. Обучение на конкретном наборе гистологических патчей ограничивает применимость к другим типам изображений и клиническим условиям; README не приводит оценок качества.

RudolfV 2 — модель компьютерного зрения Aignostics для вычислительной патологии. Это Vision Transformer с backbone ViT-g/8, обученный без учителя на 300 тысячах полноразмерных изображений гистологических стекол. В репозитории представлена флагманская версия семейства с 1,1 млрд параметров. Модель предназначена для извлечения признаков на уровне фрагментов ткани и их использования в последующих задачах анализа гистопатологии: классификации тканей и опухолей, определении степени злокачественности, прогнозировании биомаркеров и моделировании на уровне всего стекла с помощью multiple instance learning. Входом служат изображения; основной выход — визуальные признаки для дальнейшего анализа. Для загрузки требуются Transformers с разрешённым `trust_remote_code=True` и библиотека `timm`. Доступ к весам ограничен: запрос подаётся через Hugging Face, для него требуется академический или некоммерческий адрес электронной почты, а решение принимает Aignostics. В карточке указана лицензия `other`; подробные условия следует уточнять у разработчика. Модель специализирована на патологии и не заявлена как самостоятельная диагностическая система.

TA-OPD-27B — модель для задач омиксики, разработанная путём дообучения Qwen3.5-27B методом tool-augmented on-policy distillation на наборе TA-OPD-10K. Во время обучения ответы учителя включали свидетельства из биологических инструментов и баз данных; при использовании модель принимает биологическую последовательность и вопрос, а обучающие инструменты ей не требуются. Модель предназначена для анализа последовательностей: предсказания эпигенетических меток, промоторов, сайтов связывания факторов транскрипции и модификаций РНК, классификации семейств некодирующих РНК и предсказания функций ферментов. Это плотная архитектура Qwen3.5 с 27 млрд параметров, веса представлены в BF16 Safetensors и используются через Transformers с соответствующими токенизатором и шаблоном чата. В оценке OmicsBench модель улучшила большинство приведённых метрик относительно базовой Qwen3.5-27B, однако показатели различаются по задачам и не свидетельствуют о высокой точности для каждого типа предсказаний. Лицензия — Apache-2.0. Результаты описаны на бенчмарке OmicsBench; они не гарантируют качество на других последовательностях или прикладных сценариях.

1aurent/vit_base_patch14_224.dinobloom — визуальный backbone для извлечения признаков и построения эмбеддингов клеток крови. Модель разработана в рамках проекта DinoBloom; в карточке она описана как основа для обобщаемых клеточных представлений в гематологии. Это ViT Base с 86 млн параметров, принимающий изображения размером 224 × 224 пикселя и использующий патчи 14 × 14 пикселей. Модель предназначена для получения эмбеддингов изображений клеток, которые можно использовать в последующих задачах анализа и классификации. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0. Метаданные указывают задачу feature-extraction; README также отмечает image classification как возможный сценарий применения. Модель ориентирована на изображения клеток крови и задачи гематологии. Подробности обучения и количественные оценки качества в предоставленной карточке не описаны.

1aurent/vit_large_patch14_224.dinobloom — визуальный backbone DinoBloom для извлечения признаков и построения эмбеддингов изображений клеток крови. Модель разработана в рамках проекта DinoBloom; в карточке она описана как основа для обобщаемых клеточных представлений в гематологии. Это Vision Transformer с патчами 14×14, размер входного изображения — 224×224 пикселя, число параметров — около 304 млн. Модель принимает изображения и выдаёт векторные признаки, которые можно использовать в последующих задачах анализа изображений. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache 2.0. Модель предназначена прежде всего для извлечения эмбеддингов клеток крови. Самостоятельная классификация или диагностические выводы в карточке не заявлены; практическое применение зависит от последующего классификатора или другого downstream-компонента.