IV.5Образование и развитие навыков

MediPhi-Guidelines — языковая модель Microsoft Healthcare & Life Sciences для медицинских и клинических текстов. Это вариант Phi3 с 3,7 млрд параметров, созданный слиянием на 25% дообученного эксперта по медицинским рекомендациям с базовой моделью microsoft/Phi-3.5-mini-instruct. Модель работает через библиотеку Transformers, поддерживает диалоговый режим и принимает текстовые инструкции. Контекст — до 4096 токенов. Модель предназначена для англоязычных исследовательских задач клинической обработки естественного языка, включая анализ медицинских рекомендаций и генерацию ответов на клинические запросы. Компактный размер подходит для сценариев с ограничениями по памяти, вычислениям и задержке. Выходы требуют проверки специалистом: модель может выдавать неточную или выдуманную информацию, а её качество и безопасность на других языках могут быть ниже. Лицензия — MIT.

UMCU/MedLlama.nl — компактная языковая модель для нидерландского медицинского текста, разработанная UMC Utrecht на основе meta-llama/Llama-3.2-1B-Instruct. Модель представляет собой плотную архитектуру LlamaForCausalLM с 1,2 млрд параметров; она прошла доменное адаптивное предобучение на общемедицинском корпусе на нидерландском языке. Метаданные указывают контекст до 131 072 токенов и поддержку диалогового взаимодействия. Модель предназначена для генерации медицинского текста на нидерландском языке и может использоваться для получения текстовых эмбеддингов. В README отмечено, что обучение ещё не завершено и значение perplexity составляет 5,5. Для генерации текста есть существенная проблема: EOS/EOT не обучены из-за ошибки конфигурации, поэтому модель может повторять текст бесконечно. Лицензия — GPL-3.0.

Модель ozair23/mobilenet_v2_1.0_224-finetuned-plantdisease — дообученная на наборе данных в формате imagefolder сеть MobileNetV2 от автора ozair23, основанная на google/mobilenet_v2_1.0_224. Она предназначена для классификации изображений растений по категориям, связанным с болезнями растений. В README указана точность 0,9777 и loss 0,0702 на оценочном наборе. Модель принимает изображения и выдаёт метку класса. Базовая MobileNetV2 рассчитана на изображения 224 × 224 и известна компактностью, подходящей для устройств с ограниченными ресурсами. В карточке не приведены перечень классов, подробности обучающих данных или условия практического применения. Лицензия указана как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

mvl-rrg-1.0 — мультимодальная модель для генерации англоязычных радиологических заключений по рентгенограммам грудной клетки, разработанная Healthcare AI Research Institute и Medical Vision Lab Сеульского национального университетского госпиталя. Модель на базе архитектуры Qwen3-VL принимает одиночные снимки, несколько проекций (PA/AP/Lateral) и пары исследований «текущее и предыдущее»; при наличии может учитывать текстовый клинический контекст, например предыдущее заключение, показание и интервал между исследованиями. Модель дообучена для генерации заключений с заданными ограничениями на структуру, число предложений и выражение временных изменений. Карточка приводит результаты оценки для генерации по одиночному снимку и отдельные результаты временной оценки; авторы сообщают о сильных показателях на этих бенчмарках. Модель предназначена для исследовательского и образовательного применения, а не для клинических решений. Лицензия — Apache-2.0.

Navya-1c-sft-dpo-grpo-reasoning — языковая модель Navyam AI (Bachatt) на архитектуре Llama с 1,31 млрд параметров. Это версия семейства Navya-1c, дообученная на личных финансах в Индии и прошедшая SFT, DPO, GRPO и дистилляцию рассуждений с помощью локально запущенной модели deepseek-r1:14b. Модель принимает текстовые запросы и генерирует ответы с пошаговым рассуждением; контекст — 4096 токенов. Модель предназначена для вопросов о сбережениях, SIP-инвестициях, кредитах, кредитной истории, страховании и налогах в Индии. Заявленные языки — английский и хинди с Hinglish; метаданные также отмечают поддержку бенгальского, тамильского, телугу, маратхи, гуджарати, каннада, малаялам, панджаби, ория, ассамского и урду. Это исследовательский proof-of-concept, а не готовая к производству модель: она обучалась на небольшом специализированном наборе данных и переобучилась, поэтому качество ответов может быть ненадёжным. В README отдельно указано, что ответы не являются инвестиционной рекомендацией. Лицензия — Apache-2.0.

opd-teacher-Q2.5I-CongruentEquation-step149 — компактная языковая модель на архитектуре Qwen2, разработанная David Heineman для эксперимента по дистилляции с обучением с подкреплением в среде CongruentEquation. Она основана на Qwen/Qwen2.5-1.5B-Instruct и предназначена для генерации ответов в задачах этой среды, а также для использования в эксперименте on-policy distillation с 32 средами. Модель обучали 150 обновлений методом GRPO на сложности 0; опубликован нулевой по отсчёту чекпойнт step149. Модель содержит 1,5 млрд параметров, принимает текст и генерирует текст. Контекст — до 32 768 токенов; заявлен английский язык. Веса сохранены в формате safetensors и совместимы по именам и формам тензоров с базовой моделью. Лицензия — Apache 2.0, унаследованная от Qwen. Это специализированный экспериментальный чекпойнт для задач CongruentEquation и исследований дистилляции; карточка не подтверждает качество для широкого применения или других областей. Возможности чата и интерфейс вызова инструментов указаны в метаданных, но README не описывает их отдельную проверку.

Это экспериментальная дообученная версия Qwen3-1.7B, созданная в рамках исследования многоходовых агентов для среды ScienceWorld. Модель обучали методом online multi-turn ROSE: студент выполнял первые 10 ходов в интерактивной среде, после чего модель-учитель gpt-5.4-mini продолжала до пяти ходов, а ответы учителя использовались как цели обучения. Это плотная языковая модель на 1,7 млрд параметров с контекстом до 40 960 токенов; репозиторий содержит веса Safetensors, для работы используется Transformers. Модель предназначена для генерации ответов в формате ReAct и выбора действий по наблюдениям среды в многоходовых задачах ScienceWorld. Обучение выполнено на bf16 с отключённым режимом рассуждений и лимитом 512 токенов на ход. В карточке указано, что оценка на тестовом наборе не проводилась, поскольку обучение остановлено на половине эпохи, поэтому практическая успешность модели не установлена. Базовая модель Qwen3-1.7B распространяется по лицензии Apache-2.0; карточка этой версии также указывает Apache-2.0.

Это плотная языковая модель Qwen3-4B, дообученная на базе Qwen/Qwen3-4B-Instruct-2507 в рамках эксперимента RaR-Medicine OnlineRubrics. Карточка указывает на второй шаг чекпойнта серии и запуск обучения с названием phase1-online-rubrics-medicine-full-dense-20260919-seed11. Модель предназначена для генерации текста в диалоговом формате. Медицинская тематика и OnlineRubrics отражены в названии эксперимента, однако README не описывает конкретные медицинские сценарии или подтверждённые способности. Архитектура — плотная Qwen3ForCausalLM; размер около 3,7 млрд параметров, контекст — до 262 144 токенов. Поддерживается библиотекой Transformers, веса опубликованы в BF16 и формате safetensors. Лицензия — Apache-2.0. README помечает чекпойнт как предназначенный только для исследовательского использования; это экспериментальный промежуточный чекпойнт, поэтому качество и пригодность для клинических решений не подтверждены.

Это плотная языковая модель HYU-NLP-EVAL, полученная дообучением Qwen/Qwen3-4B-Instruct-2507. Репозиторий содержит BF16-чекпойнт для инференса и файлы параметров исходного чекпойнта veRL; указано, что это пятый шаг эксперимента RaR-Medicine OnlineRubrics-Every dense с seed 11. Модель предназначена для генерации текста и диалогового применения в медицинском эксперименте с онлайн-рубриками. Размер исходной модели — 3,7 млрд параметров, архитектура — Qwen3ForCausalLM, контекст — до 262 144 токенов. Карточка не описывает конкретные медицинские задачи или языки, освоенные в ходе дообучения. Модель распространяется по лицензии Apache-2.0. Карточка обозначает её как предназначенную только для исследований; качество и пригодность для клинического применения не подтверждены.

Это промежуточный чекпойнт Qwen3-4B-Instruct-2507, дообученный исследовательской группой HYU-NLP-EVAL методом GRPO на наборе RaR-Medicine. Он предназначен для экспериментов с генерацией ответов на медицинские запросы по статической рубрике оценки; опубликованный шаг соответствует 27 обновлениям оптимизатора из запланированных 48. Модель плотная, содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Чекпойнт экспортирован в BF16 для Transformers и может использоваться для исследовательских экспериментов с диалоговой генерацией в медицинском домене. Полная конфигурация продолжения обучения не опубликована. Автор прямо указывает, что модель не предназначена для клинического применения и не заявляет о её медицинских возможностях или безопасности. Лицензия — Apache 2.0.

slm-125m-base — языковая модель Prajwal55 с архитектурой Llama, обученная с нуля на корпусах судебных дел США, документах SEC и образовательных веб-текстах. Это базовая модель на 125,8 млн параметров без дообучения на инструкциях, RLHF и выравнивания безопасности: она продолжает заданный текст, но не предназначена для выполнения инструкций. Модель принимает текст и генерирует текст на английском языке; контекст ограничен 1024 токенами. Обучение охватило 1,92 млрд токенов, около 76% которых составили юридические тексты. На CaseHOLD модель показала 19,5% в тесте с выбором из пяти вариантов; автор характеризует результат как близкий к случайному и предназначенный для ориентира при последующем дообучении, а не как свидетельство юридических рассуждений. Модель невелика и может быть полезна как исходная точка для экспериментов с дообучением и генерацией продолжений в узкой англоязычной области. В корпусе судебных дел сохранился OCR-шум. Лицензия — Apache-2.0; модель не подходит для принятия решений с юридическими или финансовыми последствиями.

SmolLM2-135M Observable — экспорт базовой языковой модели HuggingFaceTB/SmolLM2-135M, подготовленный автором diegoquinteiro для учебной браузерной лаборатории курса Engenharia Assistida por IA. Модель предназначена для анализа одного прохода трансформера: визуализации вероятностей следующего токена, границ токенов, внимания между головами и промежуточных предсказаний с помощью logit lens и tuned lens. Это не чат-модель и не модель, следующая инструкциям, а предиктор следующего токена. Артефакт представляет собой ONNX-граф с 4-битным квантованием только весов и асимметричными блоками по 32 значения; активации и выходы имеют формат float32. Архитектура содержит 30 слоёв трансформера, скрытое состояние размерности 576 и 9 голов внимания; выходные logits имеют размер 49 152. Граф возвращает промежуточные скрытые состояния, карты внимания, вклады внимания, контрфактические скрытые состояния, результаты attention и MLP, что позволяет исследовать вклад токенов и слоёв. Языки и максимальная длина контекста в README не указаны. Сильная сторона модели — подробная наблюдаемость внутренних вычислений и поддержка интерактивного обучения интерпретируемости. Tuned lens заметно точнее обычного logit lens на восьми проверочных промптах, однако это учебный артефакт, обученный на WikiText-2, а не исследовательский контрольный пункт и не причинное объяснение работы модели. Ограничения включают отличие Q4-вычислений от float32, отсутствие KV-кэша, повторный пересчёт всей последовательности при смене выбранного токена и слабые либо несвязные продолжения, характерные для небольшой базовой модели. Экспорт предназначен для обучения и инспекции, а не для промышленного инференса. Распространяется по лицензии Apache 2.0.

SpanSynth-Edit — модель для синтеза и редактирования музыкальных аудиозаписей по MIDI, опубликованная пользователем mimbres. Она создаёт музыку по MIDI-партитуре или перегенерирует выбранный фрагмент записи после изменения нот в MIDI. Для синтеза использует аудиоконтекст вокруг фрагмента, чтобы согласовать тембр; доступны обычный режим редактирования и режим FlowEdit. Модель работает с MIDI-программами инструментов и группами объединённых инструментов, а также поддерживает партии ударных. Модель поставляется в формате Diffusers с весами Safetensors и использует архитектуру SpanSynthEditPipeline; для работы нужны PyTorch и пакет spansynth. Выход — аудио 48 кГц, моно. В README описана работа на NVIDIA GPU, Apple Silicon и CPU; для GPU рекомендованы 6 ГБ видеопамяти. Лицензия — Apache-2.0. README не сообщает размер модели, длину контекста или языки текста: модель предназначена для музыкального аудио и MIDI, а не для обработки естественного языка.

AiHub4MSRH-Hash дообучил Sunflower-Qwen3.5-9B — плотную мультимодальную модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration. Репозиторий содержит веса в формате safetensors; модель обучали с использованием Unsloth и библиотеки TRL. Модель предназначена для диалоговой работы с изображениями и текстом, включая медицинские сценарии, на что указывает название репозитория. Она принимает текст и изображения и формирует текстовые ответы; карточка также заявляет интерфейс для вызова инструментов. Данных о размере параметров, длине контекста и конкретных медицинских задачах в предоставленных источниках нет. Лицензия — Apache-2.0. Качество и границы применимости в медицинских сценариях в карточке не описаны.

SupraLabs/Supra-Mini-v5-8M — компактная языковая модель SupraLabs для продолжения текста и экспериментов с небольшими генеративными моделями. Это плотная причинно-языковая архитектура Llama с 7,9 млн параметров, 8 слоями, пользовательским BPE-токенизатором на 16 384 токена и контекстом до 1 024 токенов. Модель обучали два прохода на первых 5 млрд токенов Fineweb-Edu; веса сохранены в формате Safetensors, для работы используется Transformers. Модель может пригодиться для образовательных экспериментов, проверки и дообучения компактных моделей, а также тестирования на устройствах с ограниченными ресурсами. В карточке приведены результаты lm-eval для ARC-Easy, WikiText и BLiMP, но авторы предупреждают, что модель часто генерирует несвязный и недостоверный текст и не подходит для диалога, рассуждений или программирования. Лицензия — Apache-2.0.

TinyViking-1.1B-v0.1 — специализированная языковая модель от phanerozoic для генерации текстов о викингах. Это плотная авторегрессионная модель семейства Llama объёмом 1 млрд параметров, дообученная на TinyLlama/TinyLlama-1.1B-Chat-v1.0. Модель рассчитана на генерацию тематических историй и диалогов, в том числе для персонажей NPC в играх, и оптимизирована для сред с ограниченными вычислительными ресурсами. Модель поддерживает чат и генерирует текст на английском языке; контекст составляет 2048 токенов. В качестве обучающих данных использовалась «Сага о Греттире Сильном». Она хорошо подходит для викингской тематики, но не предназначена для широкого круга языковых задач и может давать неточные ответы на сложные научные и технические вопросы. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Upanishad GPT Small — небольшая авторская языковая модель, обученная разработчиком с нуля на корпусе санскритских текстов Упанишад. Это декодерный Transformer на PyTorch с 4 слоями, 4 головами внимания и размерностью скрытого состояния 128. Модель предсказывает следующий токен; использует токенизатор SentencePiece со словарём 1024 токена и контекстом 128 токенов. Модель предназначена для учебных экспериментов с токенизацией, причинным self-attention и обучением малых языковых моделей, а также для генерации продолжений на материале Упанишад. Она не является универсальной моделью санскрита и не подходит как авторитетный источник толкования текстов. Из-за малого обучающего корпуса может запоминать фрагменты и генерировать грамматически или семантически ошибочный санскрит. Репозиторий содержит веса PyTorch; корпус получен из файлов GRETIL, и условия использования исходных текстов следует проверять у источников перед распространением. Лицензия модели в предоставленных данных не указана.

Это модель классификации изображений листьев манго по заболеваниям, созданная DunnBC22 путём дообучения google/vit-base-patch16-224-in21k. Она использует архитектуру Vision Transformer ViT-Base с патчами 16×16 и содержит 113,2 млн параметров. Модель принимает изображение листа и предсказывает один из классов заболеваний. Модель предназначена для демонстрации распознавания болезней манго по фотографиям листьев. В README указаны идеальные метрики на оценочном наборе: точность и F1 равны 1,0; эти результаты относятся только к указанному набору и не гарантируют такую же точность на новых изображениях. Весы доступны в формате PyTorch по лицензии Apache-2.0; использованные сторонние наборы данных могут иметь отдельные ограничения.

WirelessMathLM-0.5B — исследовательский чекпойнт, разработанный авторами WirelessMathBench-XL для изучения математических рассуждений в задачах беспроводной связи. Это плотная авторегрессионная модель Qwen2ForCausalLM на 494 млн параметров, дообученная методом GRPO от Qwen/Qwen2.5-0.5B без предварительного SFT. Модель принимает текстовые запросы и генерирует текст; в экспериментах использовались промпты датасета и сырой completion endpoint без chat template. Контекст составляет 32 768 токенов. Модель предназначена для экспериментов с решением математических задач по беспроводной связи и оценки обучения по проверяемым ответам. В опубликованном тестовом протоколе WirelessMathBench-XL точность составила 2,12% на полном тестовом наборе и 2,26% на открытом подмножестве; авторы отмечают, что это близко к нижнему пределу. Результаты не подтверждают обобщённые или независимые от проверяющей системы способности к рассуждению: разделение данных выполнено по задачам, но выборки используют публикации из общих источников. Модель не является универсальным ассистентом. Доступна под лицензией Apache-2.0; авторы позиционируют её для исследований математических рассуждений в беспроводной связи.

AmberYifan/capsd-medcase-marin-8b-base-medicine_ppl_b1000_s0 — дообученная модель семейства Llama на основе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и предназначена для генерации текста; в метаданных также отмечена поддержка чата. Модель обучена на наборе capsd_marin-8b-base-n13092-medicine-medcase__mix_medicine_ppl_b1000_s0, что указывает на медицинский контекст обучения и предполагает применение для генерации медицинских текстов и ответов по клиническим случаям. Контекст составляет 4096 токенов. Базовая marin-8b-base описана как англоязычная, но язык этой дообученной модели отдельно не подтверждён. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия указана как other, поэтому условия использования следует проверять в репозитории; карточка не сообщает дополнительных сведений о качестве и ограничениях модели.

CaReAQA — модель для ответов на открытые вопросы по аудиозаписям сердечных и лёгочных звуков. Она объединяет обработку аудио с большой языковой моделью и предназначена для анализа аускультационных данных: например, выявления шумов, указания их локализации и формулирования диагностических выводов по звуку и вопросу пользователя. Модель ориентирована на сценарии поддержки анализа сердечно-сосудистого и респираторного здоровья. На вход подаются предварительно обработанное аудио и диагностический вопрос, на выходе — ответ на естественном языке. В метаданных указаны семейство Llama, плотная архитектура, формат PyTorch и языковой тег английского языка. Лицензия и сведения о длине контекста в предоставленных данных отсутствуют.

Charlotte-AMiTY — небольшая разговорная языковая модель, разработанная Clemylia. Это дообученная версия Tiny-charlotte с архитектурой GPT-2 и 51 млн параметров; README также связывает исходную модель с LAM-4-ZERO-F и указывает Lamina-1 как модель-основание. Модель генерирует текст на французском языке, имеет контекст 128 токенов и предназначена для коротких бесед о дружбе, надежде, этике и эмоциональной поддержке. Модель рассчитана на ответы в поддерживающем и неосуждающем тоне, а также на обсуждение этических вопросов и предвзятости. В карточке приведён пример генерации с заметными ошибками и смысловыми сбоями, поэтому заявления о связности и качестве следует оценивать с осторожностью. Модель не предназначена для общих фактических вопросов и не заменяет психологическую или юридическую помощь. Лицензия обозначена как other; конкретные условия в предоставленных данных не раскрыты.

chess-trm-powerful — компактная шахматная модель организации LLM-course, представленная участником Chiensaucisse67 для LLM Course Chess Challenge. Это плотный GPT-подобный Chess Transformer с примерно 994 тысячами параметров, словарём из 79 токенов, размерностью эмбеддингов 216, двумя слоями и четырьмя головами внимания. Модель предназначена для генерации текста в шахматном сценарии, например продолжения последовательности ходов. В метаданных Hugging Face для неё указан pipeline text-generation и библиотека Transformers; веса доступны в формате safetensors. Лицензия — MIT. Карточка не сообщает о поддерживаемых естественных языках, длине контекста или результатах оценки силы игры. По описанию это специализированная модель для шахматного челленджа, поэтому её пригодность для общего диалога или практической игры не подтверждена.

Doctor Llama 160m — языковая модель Mariana Moreira dos Santos, созданная в рамках выпускного проекта по биомедицинской информатике Федерального университета Параны. Это версия TeenyTinyLlama-160m, дообученная на медицинском наборе medicine-training-pt; архитектура — плотная Llama с причинно-языковой генерацией. Модель содержит 137,8 млн параметров, принимает текст и генерирует текст, рассчитана на контекст до 2048 токенов и бразильский португальский язык. Модель предназначена для изучения процесса дообучения небольших языковых моделей на португальском языке с медицинскими данными и для экспериментальной генерации медицинских текстов. В опубликованной оценке perplexity снизилась с 22,51 у базовой TeenyTinyLlama-160m до 15,68, однако автор прямо указывает, что модель не предназначена для развёртывания или взаимодействия с людьми. Распространяется по лицензии Apache 2.0.

EXLLM-JPTOEN — экспериментальная сверхмалая языковая модель, разработанная автором проекта для генерации коротких английских выражений по японскому входу, записанному преимущественно каной. Это декодерный Transformer с 5 377 824 параметрами и контекстом 128 токенов. Встроенная версия обучена с нуля на проектном продолжении внутреннего чекпойнта; в данных указаны 266 лексических единиц и шаблонные примеры. Модель предназначена для узких запросов, близких к шаблонам обучения, и для экспериментов на устройстве CASIO EX-word. Отдельно выпущен GGUF-компаньон, обученный на тех же данных, но имеющий собственные веса и детали архитектуры. Модель полностью справилась с известными словами в проектной проверке (266 из 266), но дала правильный результат лишь для 34 из 266 запросов с полностью незнакомыми шаблонами. Она ненадёжна для свободного перевода, незнакомого синтаксиса, длинного текста и открытого диалога; возможны нерелевантные английские ответы и ошибки при вариациях написания каны. Лицензия — Apache-2.0. Метаданные указывают формат GGUF F16; README также описывает отдельные артефакты для EX-word и PyTorch.

Flourish-3M — небольшая русскоязычная авторегрессионная языковая модель от akanemind для генерации продолжения текста. Она обучена с нуля на русскоязычных материалах deepvk/cultura_ru_edu и русской Википедии; тег qwen3 указывает на совместимый класс Transformers, а не на происхождение от Qwen3. Модель содержит около 3 млн параметров и использует плотную архитектуру с 10 слоями, групповым вниманием GQA, RMSNorm, RoPE и SwiGLU. Словарь byte-level BPE насчитывает 8192 токена, контекст — 512 токенов. Модель воспроизводит формы слов, пунктуацию и структуру статей, поэтому подходит для учебных экспериментов и простых демонстраций генерации русского текста. Качество ограничено: фактические сведения часто неверны, а связность и удержание темы могут нарушаться уже через одно-два предложения. Это учебный исследовательский проект, не предназначенный для продакшена. Лицензия весов — MIT; использованные датасеты распространяются на собственных условиях.

Yntec/handpaintedRPGIcons — модель генерации изображений в библиотеке Diffusers, предназначенная для создания нарисованных вручную иконок в стиле фэнтезийных RPG. Для вызова стиля добавляйте к текстовому запросу триггер rpgicondiff; примеры охватывают сундуки с сокровищами, магические кольца, реликвии и зелья. Модель рассчитана на создание отдельных игровых предметов и иконок по текстовому описанию. Репозиторий содержит веса в формате Safetensors. Модель создана на базе Stable Diffusion и распространяется по лицензии CreativeML OpenRAIL-M. Карточка не приводит сведений о размере модели, контекстном окне или поддерживаемых языках; для запросов используются короткие текстовые описания предметов.

Классификатор изображений гербарных образцов растений от проекта herbarium-pipeline. Модель использует визуальный backbone ViT-Large с патчами 16×16 и DINOv3 LVD1689M и определяет вид растения среди 72 классов порядка Icacinales, представленных в Африке. Для классификации принимает изображение размером 640 пикселей; в README указана точность 0,9120 на валидации. Модель предназначена для определения видов по фотографиям гербарных образцов и интегрируется в приложение herbarium-id Space. Лицензия и условия распространения в доступных данных не указаны.

HuatuoGPT-Vision-34B — мультимодальная языковая модель для медицинских задач, разработанная FreedomIntelligence. Модель содержит 33,9 млрд параметров и построена на базе Yi-1.5-34B с архитектурой LLaVA-v1.5; для обучения использовался набор PubMedVision. Модель принимает изображения и текстовые запросы и формирует текстовые ответы, поэтому подходит для вопросов о медицинских изображениях и других сценариев, где требуется совместно анализировать изображение и текст. В метаданных также указана поддержка генерации текста. Карточка заявляет поддержку английского и китайского языков; нативный контекст — 4096 токенов. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель ориентирована на медицинские приложения, однако карточка не приводит подробных результатов оценки или клинических ограничений.

Lingjian-1.5 — мультимодальная модель для клинической лабораторной медицины, разработанная командой LingJian AI Research Team. Это дообученная версия Qwen3-VL-8B-Instruct с архитектурой Qwen3-VL; модель принимает изображения и текстовые запросы и формирует текстовые ответы. Она предназначена для анализа микроскопических изображений, распознавания клеток и их морфологии, выявления аномальных находок, ответов на вопросы по лабораторным изображениям и указания местоположения ключевых объектов. Также модель может помогать составлять краткие отчёты и нормализовать медицинскую терминологию. Модель ориентирована прежде всего на китайский язык; английский также поддерживается, но специализированные ответы на нём могут быть менее зрелыми. Разработчики сообщают о качественных улучшениях распознавания микроскопических изображений, следования инструкциям и диалоговых ответов относительно Lingjian-1.0-Chat; отдельные численные показатели в карточке не приведены. Используется лицензия Apache-2.0. Модель предназначена для вспомогательного анализа: её выводы требуют проверки специалистом, а перед внедрением в клинический процесс необходима локальная валидация.