IV.6Научные исследования, математика и новые материалы

CervicalSeg — модель сегментации изображений кольпоскопии, разработанная Shi Minghai. Она выделяет область поражения шейки матки на снимке и относит пиксели к фону или поражению. Архитектура объединяет backbone DINOv3 ViT-S/16, декодер DPT и WTConv на двух последних этапах слияния высокодетальных признаков. Публичная версия обучена 51 эпоху на всех 1 465 доступных изображениях: исходные обучающая, валидационная и тестовая выборки были объединены, а все неб фоновые метки сведены к одному классу поражения. Поэтому для этого чекпойнта нет независимой тестовой метрики. Отдельный эксперимент разработки показал IoU 0,5847 и Dice 0,7379 на валидации, но эти показатели не являются независимой оценкой публичных весов. Модель предназначена для исследовательского выделения границ поражения на кольпоскопических изображениях. Она не определяет степень поражения, патологию или цветовую категорию. Это не медицинское изделие: результаты требуют проверки специалистом, а качество может снижаться на данных из не представленных при обучении учреждений, популяций и условий съёмки. Лицензия указана как other; конкретные условия в карточке не приведены.

Cosmos3-ours-RB-Y1 — мульт ракурсная видеомодель мира для робототехники, разработанная на основе NVIDIA Cosmos3-Nano и дообученная на телеметрических демонстрациях RB-Y1 и WujiHand2. Модель объединяет backbone Qwen3-VL-8B MoT с диффузионным экспертом и содержит около 15,22 млрд параметров. Архитектура Cosmos3 Omni-4D использует многовидовую упаковку данных, явное кондиционирование по камерам и совместно обученную голову отслеживания 3D-точек. Модель предназначена для генерации продолжений видео по исходным кадрам с эго- и внешнего ракурсов, а также для предсказания покадровых 3D-траекторий точек руки и манипулятора робота. Обучение проводилось на 100 эпизодах телоуправления; демонстрации содержат два статичных ракурса, а прогнозируемые координаты заданы в системе координат основания робота. Указана лицензия other; перед применением следует проверить её условия в репозитории модели.

anuario/enarm-mpnet-v5 — модель Sentence Transformers на архитектуре MPNet, дообученная на базе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и абзацы в нормализованные плотные векторы размерности 768 и предназначена для поиска и сравнения испаноязычных медицинских текстов. Обучающая выборка содержит 12 467 пар anchor-positive; модель обучалась с MultipleNegativesRankingLoss и использует косинусное сходство. Модель подходит для семантического поиска по медицинским материалам, подбора ответов к вопросам, поиска перефразировок и кластеризации текстов. В README указана максимальная длина последовательности 384 токена, а метаданные сообщают контекстное окно 514 токенов. Архитектура включает MPNet, mean pooling и нормализацию эмбеддингов. Оценка на наборе enarm-ir в README показывает cosine_accuracy@1, @3 и @5 равной 1.0; эти результаты относятся к указанной оценке и не гарантируют такую точность на других данных. Репозиторий использует формат safetensors. Лицензия в предоставленных данных не указана.

ShadNygren дообучил эту диалоговую языковую модель на базе meta-llama/Meta-Llama-3-8B-Instruct с помощью Unsloth и библиотеки Hugging Face TRL. Модель предназначена для генерации текста в диалоговом формате; название репозитория указывает на тематику побочных эффектов лекарств и набор данных SIDER, но README не описывает конкретные сценарии или результаты обучения. Модель использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Она принимает текст и выдаёт текст, поддерживает английский язык, а длина контекста составляет 8192 токена. Лицензия — Apache-2.0.

C12H18/gats-coldstart-sft-grpo-qwen2.5-7b-sciworld — это исследовательский чекпойнт команды C12H18 из коллекции Cold-start для статьи GATS. Модель основана на Qwen2.5-7B-Instruct и дообучена сначала методом SFT на 5 419 примерах по 155 задачам, затем методом GRPO на задачах SciWorld; учитель для обучения — Qwen2.5-1.5B, обученная GRPO на SciWorld. Это плотная авторегрессионная языковая модель Qwen2 с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговый формат; контекст — до 32 768 токенов. Модель предназначена для исследований стратегий холодного старта в обучении агентам с подкреплением и воспроизведения базовых результатов GATS. В оценке на SciWorld результат составил 42,71 ± 2,51 на встречавшихся задачах и 35,68 ± 4,01 на новых задачах при K=3. Лицензия — Apache-2.0. Это специализированный исследовательский чекпойнт, а не универсальный ассистент; качество за пределами SciWorld не подтверждено.

X-iZhang выпустил экспериментальный чекпойнт Libra LLaVA-Med v1.5 для биомедицинских задач с изображениями. Модель объединяет языковую основу Mistral-7B-Instruct-v0.2 и визуальный энкодер CLIP ViT-L/14 с разрешением 336; архитектура в метаданных обозначена как плотная LibraMistralForCausalLM. Размер составляет 7,1 млрд параметров, нативная длина контекста — 32 768 токенов. Модель принимает изображения и текстовые вопросы и генерирует текстовые ответы, в том числе для открытых вопросов по биомедицинским изображениям и поддержки составления радиологических описаний. Чекпойнт предназначен для экспериментального использования в репозитории Libra и воспроизводимости исследований; README указывает на оценку на бенчмарках PathVQA и VQA-RAD. Для инференса README рекомендует включить параметр unfreeze_mm_vision_tower. Модель распространяется по лицензии Apache-2.0. Она не заменяет клиническую оценку специалиста; README не приводит численных результатов или подробной валидации для клинического применения.

MedFound-7B — текстовая языковая модель для генерации текста медицинской тематики, опубликованная проектом medicalai. Она основана на архитектуре BLOOM и содержит 9,1 млрд параметров; модель работает через библиотеку Transformers и распространяется в формате safetensors. В карточке Hugging Face указана задача text-generation, а тег medical указывает на медицинскую направленность. Модель может использоваться для исследовательских экспериментов с генерацией медицинских текстов. README ограничивает её применение исследовательскими целями и запрещает коммерческое и клиническое использование. Разработчики предупреждают, что ответы могут содержать ошибки и предвзятости, поэтому их следует независимо проверять. Лицензия — AFL-3.0.

MolmoAct 7B-D LIBERO-Spatial — модель рассуждения о действиях для роботизированных манипуляций, разработанная Allen Institute for AI. Она принимает изображения и текстовые инструкции и предназначена для управления манипуляциями робота, в частности для воспроизведения результатов на бенчмарке LIBERO-Spatial. Чекпойнт основан на Qwen2.5-7B и использует SigLIP2 как визуальный энкодер; обучение включало предварительное обучение, дообучение на наборе MolmoAct и этап на LIBERO-Spatial. Модель поддерживает зрительный анализ и выдачу действий для робота; в обучающих данных представлены задачи манипуляции одной рукой робота Franka в домашних и настольных условиях. Опубликованный чекпойнт обозначен как предварительная версия. Лицензия — Apache-2.0.

MolmoAct 7B-O — открытая модель рассуждения о действиях для роботизированных манипуляций, разработанная Allen Institute for AI. Она предназначена для дальнейшего дообучения под конкретные задачи управления роботом. Модель объединяет языковую основу OLMo-2-1124-7B с визуальным энкодером OpenAI CLIP и использует архитектуру MolmoAct; опубликованный чекпойнт хранится в FP32. Модель предварительно обучена на смеси данных MolmoAct, затем дополнительно обучена на наборе MolmoAct Dataset: около 10 тысяч траекторий однорукого робота Franka для 93 задач манипуляции в домашних условиях и на столе. Она принимает изображения и текстовые инструкции, анализирует предполагаемые действия и предназначена для сценариев роботизированной манипуляции; в README также описана возможность проверять визуальную трассу действий до их выполнения. Это предварительная версия для последующего постобучения, поэтому качество в конкретной робототехнической среде зависит от адаптации и проверки. Лицензия — Apache-2.0. Для использования с физическим роботом README рекомендует соблюдать инструкции производителя и работать в безопасно настроенной среде.

Nora-1.5 — модель Vision-Language-Action для роботизированных манипуляций, опубликованная declare-lab. Она принимает изображение рабочей зоны и инструкцию на английском языке, а на выходе формирует последовательность нормализованных или ненормализованных действий с семью степенями свободы. Модель дообучена на основе declare-lab/nora-long и связана с датасетами Open X-Embodiment. Модель предназначена для управления роботом в реальном времени с обратной связью, выполнения нескольких задач и длительных последовательностей действий, а также переноса навыков на новые задачи в режиме few-shot. В README заявлены оптимизация предпочтений на основе действий и мировых моделей, а также совместимость с LeRobot, LIBERO, SimplerEnv и пользовательскими средами. Репозиторий распространяется по лицензии MIT. README отмечает, что код инференса, чекпойнты и обучающий код планировалось выпустить позднее; поэтому доступность полного рабочего процесса по одной карточке подтвердить нельзя.

OpenVLA v0.1 7B — открытая модель vision-language-action, разработанная командой OpenVLA при участии исследователей из Stanford, UC Berkeley, Google DeepMind и Toyota Research Institute. Модель принимает инструкцию на естественном языке и изображение с камеры рабочей зоны, а предсказывает нормализованные действия робота: смещения 7-DoF конечного эффектора и состояние захвата. Она обучена на 800 тысячах эпизодов манипуляций из Open X-Embodiment и предназначена для управления несколькими представленными в обучающих данных роботами. Модель можно применять для выполнения инструкций на роботах и задачах, встречавшихся в смеси предобучения, а также дообучать с небольшим количеством демонстраций для новых задач и конфигураций. В README указано, что это ранняя модель, созданная для разработки; для наиболее сильной версии авторы рекомендуют openvla/openvla-7b. Для исполнения предсказанных действий на реальном роботе требуется обратная нормализация с использованием статистик конкретного робота и набора данных. Нулевое обобщение на незнакомые типы роботов и конфигурации не поддерживается. Лицензия — MIT.

OpenWAM-Alpha-Sim-RoboCasa365 — дообученная для симуляционного бенчмарка RoboCasa365 модель семейства OpenWAM, разработанная авторами исследования OpenWAM. В основе — видеомодель Wan2.2-TI2V-5B с родным энкодером Wan-VAE; архитектура использует Dual-System Joint Self-Attention и маску взаимного внимания. Предварительное обучение проводилось на 518,5 млн кадров: данных роботов и эгоцентрических видео людей. Модель предназначена для задач робототехники в симуляции RoboCasa365. Репозиторий содержит веса в формате safetensors; для использования требуется библиотека openwam. Лицензия — Apache-2.0. Карточка не описывает конкретный протокол ввода и вывода или перечень поддерживаемых языков.

RoboInter-VLM — мультимодальная модель для задач роботизированных манипуляций, разработанная в рамках проекта RoboInter. Это дообученная на наборе RoboInter-VQA модель Qwen2.5-VL-7B-Instruct с плотной архитектурой Qwen2.5-VL и примерно 7,1 млрд параметров. Модель принимает текст и изображения и формирует текстовые ответы; её контекстное окно составляет 128 000 токенов. Модель предназначена для визуального понимания манипуляционных сцен и планирования действий робота. Она отвечает на вопросы о контактах, позах захвата, расположении объектов и траекториях, распознаёт примитивы действий и оценивает успех выполнения задачи. Также она генерирует промежуточные представления, включая точки траектории, контактные области и рамки объектов. В README модель названа флагманской и рекомендованной по умолчанию для общего применения в задачах RoboInter. Модель распространяется в формате safetensors; в README указана точность bfloat16. Лицензия — Apache-2.0. Это специализированная модель для робототехники, поэтому её ответы и сгенерированные представления следует проверять в целевой среде перед использованием для управления роботом.

Модель abhibisht89/spanbert-large-cased-finetuned-ade_corpus_v2 — англоязычная модель SpanBERT Large с сохранением регистра, дообученная для извлечения упоминаний лекарств и нежелательных реакций на лекарства в тексте. Она размечает токены, относящиеся к этим сущностям, и предназначена для извлечения фрагментов из медицинских текстов с использованием датасета ADE Corpus v2. Модель основана на архитектуре BERT и содержит 432,3 млн параметров. Максимальная длина контекста — 512 токенов; доступны веса PyTorch. Лицензия в предоставленных данных не указана.

Карточка модели BtForest/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

X-VLA Google-Robot Edition — модель Vision-Language-Action для управления роботами, опубликованная авторами 2toINF и основанная на X-VLA. Она предназначена для преобразования визуальных и языковых наблюдений в действия робота, включая выполнение манипуляционных задач на разных роботизированных платформах. Архитектура включает энкодер Florence-2, стандартный Transformer с обучаемыми мягкими промптами для отдельных воплощений роботов и модуль Action Hub для определения пространств действий и их предобработки. Заявленный размер модели — около 0,9 млрд параметров; обучение проводилось на Bridge Data V2, режим действий обозначен как ee6d. Модель использует подход flow matching для генерации действий и рассчитана на перенос между роботами и задачами. README сообщает об оценке в симуляциях и на реальных роботах, но конкретные результаты этой редакции не приведены. Лицензия — Apache 2.0. Для загрузки карточка показывает Transformers и trust_remote_code; применение требует совместимого кода и среды управления роботами.

VityaVitalich выпустил экспериментальную модель 1PP 1.7B raw, дообученную методом GRPO на наборе GSM8K поверх Raghav-Singhal/1pp-1.7b-raw-sft. Это плотная авторегрессионная модель семейства Llama примерно на 1,6 млрд параметров; она принимает текст и генерирует текст, а контекст составляет 4096 токенов. Модель предназначена для генерации решений математических задач начального и среднего школьного уровня и экспериментов по обучению с подкреплением. В описанном запуске использовано 100 шагов GRPO; автор сообщает рост pass@1 на тесте GSM8K с 0,0081 до 0,0369 и pass@16 с 0,0715 до 0,1818. Эти результаты относятся к оценке с 16 генерациями на вопрос при температуре 1,0. Модель подходит для изучения влияния GRPO и проверки математических рассуждений, но показатели остаются низкими для надёжного решения задач. Автор также отмечает заметную вариативность между запусками, поэтому сравнение с родственными вариантами по одному запуску ненадёжно. Веса опубликованы в формате safetensors и bf16; основная ветка соответствует шагу 100, также доступны промежуточные контрольные точки. README и метаданные не содержат сведений о лицензии, поэтому условия использования по ним установить нельзя.

CogACT-Base — модель класса Vision-Language-Action, разработанная исследователями Microsoft Research Asia в составе команды CogACT. Она объединяет зрительные компоненты DINOv2 ViT-L/14 и SigLIP ViT-So400M/14, языковую модель Llama-2 и специализированный модуль действий DiT-Base, который формирует действия на основе выходов VLM. Модель принимает инструкцию на естественном языке и одно RGB-изображение сцены, затем предсказывает последовательность из 16 нормализованных действий робота: изменения положения и ориентации 7-DoF конечного эффектора и состояние захвата. CogACT-Base предназначена для управления роботами при манипуляциях, включая zero-shot сценарии, представленные в смеси предобучения Open X-Embodiment, и дообучение под новые задачи или конфигурации робота на небольшом числе демонстраций. Компонентная архитектура отделяет специализированное предсказание действий от языково-зрительной модели. Для применения предсказаний требуется денормализация с учётом статистик датасета; адаптивное объединение действий указано как необязательный этап. Модель и код распространяются по лицензии MIT.

CogACT-Small — модель Vision-Language-Action, разработанная исследователями Microsoft Research Asia в рамках проекта CogACT. Она объединяет визуальные энкодеры DINOv2 ViT-L/14 и SigLIP ViT-So400M/14, языковую модель Llama-2 и специализированный модуль действий DiT-Small, обусловленный выходом VLM. Модель принимает инструкцию на естественном языке и одно RGB-изображение сцены, затем предсказывает последовательность из 16 нормализованных действий робота. Каждое действие задаёт смещения 7-DoF концевого эффектора: x, y, z, roll, pitch, yaw и положение захвата. CogACT-Small предназначена для манипуляций роботом: её можно применять для управления в сценариях, представленных в смеси предобучения Open X-Embodiment, а также дообучать на новых задачах и конфигурациях роботов по небольшому числу демонстраций. Для управления требуется денормализовать предсказания с использованием статистик соответствующего набора данных; опционально можно применять Adaptive Action Ensemble. Веса и код распространяются по лицензии MIT. Карточка не приводит размер модели или длину контекста.

Это модель мира DINO-WM (PreJEPA) для задачи PushT, опубликованная пользователем kotmul. Она кодирует кадры замороженным DINOv2-small и причинным предиктором прогнозирует следующий латентный вектор с помощью JEPA loss; пиксельную реконструкцию модель не выполняет. Вход включает три кадра истории, proprioceptive-данные о положении и скорости агента и последовательность действий. Представление кадра состоит из 256 патч-токенов размерности 384; для планирования указан frameskip 5. Модель предназначена для моделирования динамики среды PushT и планирования действий методом MPC с CEM: планировщик прокручивает предсказания модели и выбирает действия с минимальной стоимостью, после чего исполняет их в среде. Для воспроизводимого вывода нужны веса, конфигурация и статистики нормализации proprio и action; изображения нормализуются по ImageNet и приводятся к 224×224. Репозиторий содержит веса PyTorch, обученные до epoch 10. Лицензия — MIT.

Eficlat50-BotMed-v1 — сверточная модель классификации изображений, разработанная Bindupautra Jyotibrat, Avinash Kushwaha и Rana Talukdar. Это дообученная методом transfer learning EfficientNetB0, предварительно обученная на ImageNet и адаптированная для классификации МРТ головного мозга по четырём категориям: глиома, менингиома, отсутствие опухоли и опухоль гипофиза. Модель принимает изображения МРТ и выдаёт класс из этого набора; для языковых задач она не предназначена. В README сообщается о точности 91% на тестовом наборе из 1600 изображений. Наиболее слабое различение — между глиомой и менингиомой; показатели на этих классах уступают результатам для изображений без опухоли и с опухолью гипофиза. Модель не прошла независимую клиническую валидацию и не предназначена для постановки диагноза или выбора лечения. Она рассчитана на исследовательские и учебные демонстрации, а также на вспомогательную сортировку снимков при обязательной проверке специалистом. Обучение проводилось на наборе Brain Tumor MRI Dataset, объединяющем источники Figshare, SARTAJ и Br35H; возможны смещения и различия в качестве данных. Лицензия — GPL-3.0.

Emma-X — модель vision-language-action, разработанная лабораторией SUTD Declare Lab для управления роботами-манипуляторами по изображениям рабочей зоны и текстовым инструкциям. Модель дообучена на OpenVLA 7B и предназначена для планирования и выполнения манипуляций в разных средах, с разными объектами и формулировками задач. Emma-X использует визуально обоснованную пошаговую декомпозицию, сегментацию траектории и пространственное планирование с учётом ориентиров на будущее. Она выдаёт рассуждение, точку захвата или другое положение захвата на изображении и политику действий в виде 7-мерного вектора для робота WidowX с 6 степенями свободы. Для обучения использован набор примерно из 60 тысяч траекторий манипуляций на основе BridgeV2, дополненный визуально обоснованными цепочками рассуждений. Модель рассчитана на англоязычные инструкции и изображения; лицензия — Apache-2.0.

Guardian-thinking — мультимодальная модель зрения и языка, разработанная для проверки планов и результатов выполнения задач роботизированной манипуляции. Это дообученная с помощью LoRA модель InternVL3-8B: языковая часть дообучалась, а визуальный энкодер и соединительный модуль оставались замороженными. Модель принимает инструкцию, изображения сцены и предложенный план либо наблюдения до и после подзадачи; в ответ выдаёт рассуждение и итоговую оценку True или False. Модель предназначена для проверки корректности плана и определения, успешно ли робот выполнил подзадачу, в том числе по нескольким ракурсам. Её можно встроить в робототехнический конвейер, чтобы при обнаружении сбоя запускать повторное выполнение или перепланирование. В README приведены результаты на наборах для оценки отказов роботов, включая RoboFail и UR5-Fail. Модель ориентирована на робототехнику и манипуляции, а не на универсальный диалог. Она раскрывает цепочку рассуждений в выводе; надёжность зависит от соответствия входных изображений и сценариев обучения конкретной робототехнической обстановке. Лицензия — Apache-2.0.

Healthcare Brain Laboratory NER — модель распознавания именованных сущностей, разработанная Genzeon Platforms для извлечения результатов лабораторных исследований из неструктурированных клинических текстов. Она построена на Bio_ClinicalBERT и дообучена для классификации токенов с BIO-разметкой; архитектура — BertForTokenClassification, размер — 135,5 млн параметров, максимальный контекст — 512 токенов. Модель размечает 10 категорий сущностей, включая названия анализов, значения, единицы измерения, референсные диапазоны и признаки отклонений; числовое извлечение дополняется правилами. Модель предназначена для разбора лабораторных отчётов, медицинских записей и выписок, выявления критически отклонённых показателей, структурирования результатов для анализа динамики и поддержки сопоставления с LOINC. В карточке указаны синтетические клинические данные, MIMIC-III и i2b2 2010 среди обучающих источников. Модель рассчитана на англоязычные клинические и биомедицинские тексты. Распространяется по лицензии Apache-2.0.

HuatuoGPT-Vision-7B — мультимодальная языковая модель для медицинских задач, разработанная FreedomIntelligence. Она основана на Qwen2-7B и архитектуре LLaVA-v1.5, обучена на датасете PubMedVision и рассчитана на диалоговые сценарии с медицинскими изображениями и текстом. Модель содержит 7,1 млрд параметров, поддерживает контекст до 131 072 токенов и работает с текстовыми и визуальными входными данными, формируя текстовые ответы. В карточке заявлены английский и китайский языки. Модель распространяется под лицензией Apache-2.0.

IL-7B (Immuno-LLM 7 Billion) — языковая модель на 7,1 млрд параметров, созданная для клинической ревматологии и иммунологии. Она основана на Mistral-7B и объединяет две дообученные модели, полученные из Mistral-7B и BioMistral-7B. Объединение выполнено методом SLERP с помощью mergekit; архитектура — плотная MistralForCausalLM. Модель принимает текст и генерирует текст, поддерживает контекст длиной до 32 768 токенов и использует формат запросов Zephyr. IL-7B предназначена для исследовательского и ознакомительного использования в области ревматологии, иммунологии и аутоиммунных заболеваний: например, для диалогов и ответов на вопросы по профильным текстам. Модель не проходила клиническую валидацию и не подходит для принятия медицинских решений. Лицензия — Apache-2.0.

INTACT Probing Suite — это чекпойнт модели Pi0 от авторов исследования «From Intention to Execution: Probing the Generalization Boundaries of Vision-Language-Action Models». Модель обучена на наборе BridgeV2 для задач роботизированных манипуляций; в README она описана как обученная с нуля и инициализированная из PaliGemma, тогда как метаданные каталога указывают на дообучение lerobot/pi0. Это модель Vision-Language-Action для управления роботом по визуальным и языковым инструкциям: она предназначена для выполнения манипуляций и проверки обобщения VLA-моделей. Авторы выбрали чекпойнт шага 22695 (15-я эпоха) по среднему результату на четырёх задачах Bridge в SimplerEnv; успех зависит от конкретной задачи и чекпойнта. Репозиторий распространяется по лицензии Apache-2.0.

InternVLA-M1-LIBERO-Spatial — модель семейства InternVLA-M1, разработанная InternRobotics. Это сквозная модель типа vision-language-action для исследования и построения универсальных роботизированных политик. Она предназначена для сценариев, в которых робот использует визуальное наблюдение и языковое описание задачи, чтобы выбрать действия. Карточка называет систему открытой и ориентированной на исследования; конкретные размер модели, длина контекста и поддерживаемые языки в предоставленных данных не описаны. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

unsloth/medgemma-1.5-4b-it-GGUF — это GGUF-версия мультимодальной instruction-tuned модели MedGemma 1.5 4B, разработанной Google на базе Gemma 3. Модель предназначена для медицинских приложений, связанных с пониманием текста и изображений, а также распространяется в формате Unsloth Dynamic 2.0 GGUF. Модель поддерживает анализ медицинских текстов и изображений, включая двумерные и трёхмерные данные CT и MRI, рентгенограммы грудной клетки, гистопатологические whole-slide изображения, дерматологические и офтальмологические изображения. Она также может сравнивать рентгенограммы во времени, локализовать анатомические особенности на снимках с помощью ограничивающих рамок, извлекать структурированные значения и единицы из лабораторных отчётов и интерпретировать текстовые данные EHR. В архитектуре используется предварительно обученный на обезличенных медицинских данных визуальный энкодер SigLIP и языковой компонент размером 4B. Сильными сторонами являются специализация на медицинской предметной области, поддержка широкого спектра модальностей и сценариев, улучшенное медицинское текстовое рассуждение и некоторое повышение качества стандартной интерпретации 2D-изображений по сравнению с MedGemma 1 4B. Модель не оценивалась и не оптимизировалась для многоходовых диалогов, может быть особенно чувствительна к формулировке запроса, а для конкретных задач рекомендуется дообучение. Языки и размер контекстного окна в предоставленных данных не указаны. Использование регулируется условиями Health AI Developer Foundations. Для доступа на Hugging Face требуется ознакомиться и согласиться с этими условиями.

MultiClinicalBERT — мультиязычная модель семейства ModernBERT от YLab-Open, инициализированная из mmBERT и дополнительно предобученная на клинических, биомедицинских и общих текстах. Она обучалась предсказывать замаскированные токены и предназначена для извлечения контекстных представлений и адаптации к клиническим NLP-задачам, включая распознавание сущностей, классификацию и деидентификацию медицинских записей. Модель содержит около 306,9 млн параметров, поддерживает контекст до 8192 токенов и распространяется в формате safetensors. В обучающий корпус вошли клинические заметки и наборы данных, PubMed и многоязычные тексты Wikipedia. Модель рассчитана на английский, китайский, испанский, японский и русский языки; авторы сообщают об оценке на клинических задачах на всех пяти языках и особенно заметных улучшениях для языков с меньшим количеством ресурсов. Лицензия — MIT. Основной интерфейс модели — masked language modeling: она принимает текст с замаскированными токенами и предсказывает подходящие заполнения. Для прикладной классификации, распознавания сущностей и других задач потребуется соответствующая голова или дополнительная настройка. README приводит результаты на конкретных наборах данных, но они не гарантируют такую же точность в других клинических условиях; модель не следует считать самостоятельной системой клинических решений.