IV.6Научные исследования, математика и новые материалы

HuggingFaceTB/finemath-ablation-infiwebmath — экспериментальная модель команды HuggingFaceTB, полученная продолжением предобучения базовой Meta Llama 3.2 3B на 60 млрд токенов англоязычного математического корпуса InfiMM-WebMath-40B. Это плотная авторегрессионная модель семейства Llama с 3,21 млрд параметров, контекстом 4096 токенов и форматом Safetensors; для обучения использовалась точность bfloat16. Модель предназначена для продолжения текста на английском языке с упором на математику и сравнения с другими моделями, обученными в тех же условиях. Она не проходила настройку на инструкции, поэтому не рассчитана на роль диалогового помощника без дополнительной адаптации. Лицензия — Apache-2.0. Обучение преимущественно на англоязычных математических данных может ограничивать качество на других языках; поведение также зависит от качества и разнообразия корпуса, в котором могут присутствовать смещения и вредоносное содержимое.

InternRobotics G2VLM-2B-MoT — мультимодальная модель для понимания изображений и пространственных задач, объединяющая геометрическое восприятие для 3D-реконструкции с семантическим восприятием для мультимодального понимания и пространственных рассуждений. Для ответов на пространственные вопросы модель может предсказывать 3D-геометрию и чередовать её анализ с рассуждением на естественном языке. Модель дообучена на Qwen/Qwen2-VL-2B и использует плотную архитектуру Qwen2-VL с общим мультимодальным self-attention в блоках трансформера. В репозитории указаны 1,5 млрд параметров, контекст 32 768 токенов и веса в формате safetensors. Модель предназначена для запросов по изображениям, пространственного понимания и 3D-реконструкции; метаданные также отмечают поддержку чата и изображений. Карточка не описывает конкретные ограничения качества или сценарии отказа. Лицензия — Apache-2.0.

Poro 2 8B Math Reasoning SFT Preview — специализированная языковая модель, разработанная AMD Silo AI, группой TurkuNLP Университета Турку и HPLT при обучении на суперкомпьютере LUMI. Модель на архитектуре Llama 3.1 с плотной причинно-языковой сетью примерно на 8 млрд параметров прошла контекстное расширение LongRoPE до 131 тыс. токенов и дообучение с учителем на математических рассуждениях. Модель предназначена для решения математических задач, пошаговых объяснений и обучения математике, в том числе для задач уровня AIME. Она формирует рассуждения на английском и финском, выбирая язык по языку запроса. В карточке приведены результаты на математических тестах для обоих языков, но это предварительный выпуск, а не гарантия правильности ответов. Модель не оптимизирована для обычного диалога, программирования, творческого письма или других областей; ответы могут содержать ошибки или неприемлемый контент. Для важных выводов нужна проверка человеком. Лицензия репозитория — Llama 3.1.

adalaw/MAmmoTH-7B-Mistral-MFT — языковая модель на архитектуре Mistral с 7,1 млрд параметров, дообученная методом Masked Thought Fine-Tuning (MFT), вариантом supervised fine-tuning. Она предназначена для генерации текста при решении математических задач. В README приведены результаты на GSM8K и MATH, полученные с помощью скриптов Hybrid decoding из проекта MAmmoTH; в этих тестах модель набрала 77,10 и 41,2 соответственно. Модель опубликована в формате safetensors, максимальная длина контекста — 32 768 токенов. Лицензия в предоставленных данных не указана.

modrill/math-think-q4b-20260908 — дообученная плотная языковая модель семейства Qwen3, созданная на базе Qwen/Qwen3-4B-Base для математических задач с пошаговым рассуждением. Модель предназначена для генерации решений и оценки качества на задачах математического конкурса AIME; в README указан результат 40 из 240 на наборе AIME 2024 и 2025 при сравнении с базовой моделью, набравшей 21 балл. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает текст, выдавая текст. Контекстное окно — 32 768 токенов. Веса опубликованы в формате safetensors; README описывает дообучение на OpenR1 с LoRA, а также содержит слитые веса и отдельный адаптер. Поддерживается загрузка через Transformers. Лицензия — Apache-2.0.

modrill/math-think-q8b-20260908 — дообученная модель семейства Qwen3, разработанная modrill для математических рассуждений. Это публичный 2-эпоховый чекпойнт, полученный из Qwen/Qwen3-8B-Base с помощью LoRA; в репозитории есть объединённые веса и адаптер. Архитектура — плотная авторегрессионная Qwen3ForCausalLM с 7,6 млрд параметров и контекстом 32 768 токенов. Модель предназначена для генерации пошаговых решений математических задач, в частности задач уровня AIME. В описанной оценке на наборе Exact-240 она решила 53 задачи из 240; тот же базовый чекпойнт набрал 21. Модель выдаёт текст и работает в режиме рассуждений; карточка подчёркивает, что её следует оценивать по результату решения, а не использовать как универсального чат-бота. Для загрузки указаны Transformers и формат safetensors. Лицензия — Apache-2.0.

modeversion2_m7_e8 — модель классификации изображений, созданная дообучением ViT-Base с патчами 16×16 и входным разрешением 224 пикселя на наборе sudo-s/herbier_mesuem7. В карточке указаны 113,2 млн параметров и точность 0,9761 на оценочном наборе; метрика относится к этому набору и не гарантирует такое же качество на других изображениях. Модель подходит для классификации изображений гербарных музейных образцов. Использование ограничено задачей и данными дообучения; подробные сведения о классах и ограничениях в карточке не приведены. Лицензия — Apache-2.0.

Это дообученная модель Qwen2.5-Math-1.5B от ypwang61, представленная в работе «Reinforcement Learning for Reasoning in Large Language Models with One Training Example». Она предназначена для генерации текста и решений математических задач; дообучение выполнено методом RLVR на наборе One-Shot-RLVR-Datasets с одним обучающим примером. Модель имеет плотную архитектуру Qwen2, содержит 1,5 млрд параметров и использует Transformers и формат Safetensors. Максимальный нативный контекст — 4096 токенов. Базовая модель рассчитана на математику на английском и китайском языках; отдельные языковые характеристики производной модели в карточке не описаны. Модель распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества или подробностей о границах применения, поэтому численные заявления о её точности сделать нельзя.

SeanWang0027/opd_polaris_15K_qwen3-4b_from_qwen3-30b-a3b_topk16_bf16_epoch_1 — языковая модель Qwen3-4B, дообученная методом on-policy distillation. В обучении использовались распределения top-16 logprob модели Qwen3-30B-A3B-Thinking-2507 на состояниях, которые посещала сама модель-ученик; учитель оценивал токены и не генерировал ответы. Модель предназначена для генерации текста и рассуждений над соревновательными математическими задачами. Для обучения использовался набор SeanWang0027/polaris_hard: 15 368 задач, один эпох. Модель имеет архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 40 960 токенов; веса доступны в формате safetensors для Transformers. Карточка указывает английский язык. Запуск обучения использовал bf16, поэтому результаты этого прогона нельзя напрямую сравнивать с результатами OPD в fp32. Модель распространяется по лицензии Apache-2.0.

Карточка модели menik1126/ovd-math-1-data-hes-step800-historical на Hugging Face совпадает с карточкой menik1126/OVD-Math-1-data-HES-Step800-Historical, поэтому описание составлено по ней. OVD-Math-1-data-HES-Step800-Historical — сохранённый чекпойнт эксперимента 1-data из коллекции OVD, опубликованный как веса для инференса и токенизатор. Это дообученная версия Qwen/Qwen2.5-Math-1.5B: плотная причинная языковая модель архитектуры Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста. Метаданные указывают контекст до 4096 токенов и библиотеку Transformers; базовая модель рассчитана на решения математических задач на английском и китайском языках. README называет чекпойнт историческим экспериментом и не описывает отдельные возможности или результаты именно этого шага обучения. Его можно применять для генерации ответов и математических решений, однако качество на конкретных задачах по карточке оценить нельзя. Лицензия в предоставленных данных не указана.

Qwen3-1.7B-OPD-fwdKL-from-Qwen3-8B-GRPO — это экспериментальное дообучение модели Qwen3-1.7B, выполненное автором карточки методом on-policy distillation от Qwen3-8B-GRPO-MATH. Модель обучалась на 7 496 задачах из набора MATH с прямой KL-дистилляцией по 128 наиболее вероятным токенам учителя; учащаяся модель генерировала собственные ответы, по которым получала сигнал обучения. Это контрольный вариант исследования без дополнительного взвешивания сигнала учителя.

SeongryongJung/Qwen3-4B-Biology-SDPO-TR — исследовательский чекпойнт языковой модели Qwen3-4B, дообученный методом SDPO-TR на биологических задачах. В репозитории сохранены лучший чекпойнт по валидационному показателю mean@16 на шаге 30 и финальный чекпойнт на шаге 100; размер обучающего батча составлял 32. Модель предназначена для генерации текста и ответов на вопросы по биологии. В README приведены результаты валидации mean@16: 52,88% для лучшего чекпойнта и 40,75% для финального. Архитектура — плотная авторегрессионная Qwen3ForCausalLM с 3,7 млрд параметров и контекстом до 40 960 токенов. Карточка не уточняет языковой состав биологических данных. Для загрузки указана библиотека Transformers; лицензия — Apache-2.0.

Это дообученная плотная языковая модель Qwen3 с 3,7 млрд параметров, созданная на базе Qwen/Qwen3-4B-Instruct-2507. Она работает как оценщик достоверности тезисов в рецензиях на научные статьи: на вход получает статью и один пункт рецензии, а на выходе классифицирует фактический статус существенных предпосылок по трём оценкам — есть явно ложная предпосылка, ложных предпосылок нет, но часть остаётся нерешённой, или все предпосылки верны. Модель предназначена для использования в исследовательских RL-экспериментах по формированию обратной связи для рецензий. Сервис оценивания использует логиты трёх токенов оценки после JSON-префикса {"score":. Архитектура — Qwen3ForCausalLM; контекст составляет до 262 144 токенов. Модель принимает текст и выдаёт текстовые оценки. Оценки модели не следует считать проверенными фактическими или научными суждениями. Лицензия — Apache-2.0.

theostos выпустил текстовую модель theostos/qwen-3.5-babel-2b-sft-agent — дообученную методом supervised fine-tuning версию Qwen3.5-2B для формальной математики и доказательств. Модель построена на плотной архитектуре Qwen3_5ForCausalLM, содержит 1,7 млрд параметров и рассчитана на контекст до 262 144 токенов. Она использует штатный шаблон чата Qwen и формат вызова инструмента submit_tactic для передачи тактик доказательства. Модель предназначена для генерации полных тактических доказательств на Lean и Rocq. Она обучена на 904 примерах в течение пяти эпох; автор не заявляет результатов бенчмарков. Это текстовая модель без энкодера изображений. В репозитории находятся полные объединённые веса safetensors, токенизатор, шаблон чата и конфигурация генерации; для запуска указана совместимость с Transformers 5.5.0. Лицензия — Apache-2.0.

SeongryongJung/Qwen3-8B-Biology-SRPO-TR — дообученная версия Qwen3-8B, обученная методом SRPO-TR на биологической задаче с размером батча 32. В репозитории находятся лучший контрольный чекпойнт на шаге 30, выбранный по валидационной метрике mean@16, и финальный чекпойнт на шаге 100. Модель предназначена для генерации текста и решения задач по биологии. В описании приведён результат валидации mean@16: 55,00% для лучшего чекпойнта и 54,12% для финального. Модель имеет 7,6 млрд параметров, архитектуру Qwen3ForCausalLM, принимает текст и поддерживает контекст до 40 960 токенов. Она загружается через Transformers; веса представлены в формате Safetensors. Модель основана на Qwen/Qwen3-8B и распространяется по лицензии Apache-2.0. Результат приведён для указанного биологического набора данных; README не раскрывает его состав и не приводит сравнительных оценок на других задачах, поэтому качество за пределами описанного эксперимента не установлено.

RedDino-small — компактная модель семейства RedDino для анализа изображений эритроцитов, разработанная для задач вычислительной гематологии. Это self-supervised Vision Transformer ViT-small с размером патча 14, обученный по адаптированной схеме DINOv2 на 1,25 млн изображений эритроцитов из 18 наборов данных. Модель принимает изображения и выдаёт векторные признаки размерности 384. Модель предназначена для извлечения признаков, которые можно использовать в последующих задачах классификации формы и морфологических подтипов эритроцитов, а также для анализа, устойчивого к различиям между партиями и источниками изображений. Обучение на фрагментах мазков крови и специализированные аугментации рассчитаны на улучшение обобщения между источниками данных. Репозиторий распространяется по лицензии CC BY 4.0.

Модель birder-project/rope_vit_reg8_b14_nps_avg_capi-dino-bio — визуальный энкодер на основе Vision Transformer RoPE ViT B/14 с восемью register-токенами и усреднённым pooling. Её разработал проект Birder и предварительно обучил методом CAPI-DINO на разнообразных изображениях живой природы; модель насчитывает 85,7 млн параметров и принимает изображения размером 224 × 224 пикселя. Модель предназначена для извлечения признаков и эмбеддингов изображений, а также для использования в качестве основы для последующих задач компьютерного зрения: классификации, обнаружения объектов и сегментации. Она обучалась примерно на 31 млн изображений, включая данные iNaturalist, BIOSCAN, TreeOfLife, IP102 и iWildCam, а также закрытый набор Birder. Для обнаружения объектов энкодер может возвращать карту признаков размером 16 × 16 с 768 каналами. Это общий экстрактор признаков, не дообученный для конкретной задачи классификации. Модель распространяется по лицензии Apache-2.0; качество на конкретных целевых наборах данных зависит от последующего обучения или настройки.

UMCU/SapBERT-UMLS-2020AB-all-lang-from-XLMR-ST_bf16 — модель Sentence Transformers, дообученная на базе cambridgeltl/SapBERT-UMLS-2020AB-all-lang-from-XLMR. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости по косинусному сходству, семантического поиска, поиска перефразировок, классификации текста и кластеризации. Модель использует архитектуру XLM-RoBERTa с пулингом CLS-токена. Метаданные указывают 305,2 млн параметров и контекст до 514 токенов; конфигурация Sentence Transformers в README задаёт максимальную длину последовательности 25 токенов. Поддерживаются английский, китайский, немецкий, испанский, корейский, японский, тайский, финский, русский и турецкий языки. Предназначена для получения текстовых эмбеддингов, а не для генерации текста. Многоязычная биомедицинская база SapBERT ориентирована на семантическое сопоставление терминов и названий сущностей, что полезно для поиска и сравнения медицинских формулировок. В README и метаданных лицензия не приведена.

SuperPoint — свёрточная модель компьютерного зрения, описанная Дэниелом ДеТоном, Томашем Малишевичем и Эндрю Рабиновичем. Она совместно обнаруживает ключевые точки на изображении и вычисляет дескриптор для каждой точки за один проход. Модель обучалась с самоконтролем и использует полностью свёрточную архитектуру. SuperPoint предназначена для извлечения устойчивых особенностей, полезных при сопоставлении изображений и решении задач многовидовой геометрии. Её можно применять для оценки гомографии, поиска соответствий между изображениями и как экстрактор признаков для других задач компьютерного зрения. В статье описан подход Homographic Adaptation для повышения повторяемости точек при гомографических преобразованиях и адаптации между доменами. Модель принимает изображения и выдаёт координаты ключевых точек с дескрипторами. В карточке указана лицензия other; конкретные условия использования в доступных данных не раскрыты.

SuperPoint — полностью свёрточная модель компьютерного зрения для обнаружения характерных точек на изображениях и вычисления дескриптора для каждой точки. Модель основана на работе Дэниела ДеТоуна, Томаша Малишевича и Эндрю Рабиновича «SuperPoint: Self-Supervised Interest Point Detection and Description»; карточка описывает обучение с самоконтролем. Модель обрабатывает изображение за один проход и предназначена для извлечения признаков, пригодных для сопоставления изображений и оценки гомографии. Она выявляет точки, повторяемые при гомографических преобразованиях. Репозиторий использует PyTorch и формат safetensors; лицензия в предоставленных данных не указана.

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.

AnomalyThink-Qwen2.5-VL-7B-SFT — мультимодальная модель для объяснимого обнаружения аномалий на промышленных изображениях, созданная как исследовательский артефакт магистерской работы TU Delft. Это базовая SFT-версия семейства AnomalyThink: Qwen2.5-VL-7B дообучена на 6 000 размеченных трасс рассуждений, созданных Gemini 2.5 Flash на изображениях Real-IAD; этапов RL и самодистилляции в обучении этой версии нет. На вход модель получает изображение изделия и запрос, а на выходе формирует структурированное объяснение, описание дефекта и бинарное решение о наличии аномалии. В README приведены сбалансированные точности 80,16% на DS-MVTec и 64,78% на VisA при оценке на соответствующих поднаборах MMAD. Модель распространяется под лицензией Apache-2.0. Модель может уверенно сообщать о дефекте на исправном изделии, что приводит к ложным срабатываниям. Результаты на открытых наборах DS-MVTec и VisA следует интерпретировать с учётом возможного попадания этих изображений в предобучение VLM.

BioCLIP-HC-Hyperbolic — модель компьютерного зрения и языка для распознавания организмов по изображениям с учётом таксономической иерархии. Её разработала команда Zhiyuan Tao и соавторов; модель дообучена на TreeOfLife-10M на основе BioCLIP ViT-B/16 и использует двухкодерную архитектуру CLIP с представлениями в гиперболическом пространстве. Модель предназначена для zero-shot классификации изображений по таксономическим названиям на разных уровнях — от царства до вида, а также для классификации с небольшим числом размеченных примеров и получения визуальных представлений для биологических задач. Обучение с контрастивным сравнением внутри одного таксономического уровня и балансировкой групп направлено на более согласованные предсказания от общих категорий к конкретным видам. В README сообщается о результатах на iNat21, Rare Species и CrypticBio, включая улучшение средней точности более чем на 13% относительно RCME. Модель подходит для мониторинга биоразнообразия, распознавания редких видов и тонкой классификации организмов. Обучающие данные могут быть неравномерно распределены по таксонам, поэтому качество ниже для редких, недостаточно представленных, неоднозначных или незнакомых организмов; ошибки на высоких уровнях таксономии могут влиять на последующие предсказания. Результаты следует использовать как вспомогательные, а не как окончательное биологическое определение. Лицензия — MIT.

biomed-gemma-3-4b-it — мультимодальная модель для биомедицинских диалогов и ответов на вопросы по изображениям, разработанная командой AdaptLLM на основе Gemma 3 4B IT в рамках работы об адаптации мультимодальных языковых моделей к предметным областям. Модель дообучена на наборе biomed-visual-instructions и использует архитектуру Gemma 3 с 4 млрд параметров; принимает текст и изображения и формирует текстовые ответы. В метаданных указаны поддержка английского языка и библиотека Transformers. Модель подходит для визуальных вопросов и ответов в биомедицине, включая анализ изображений в диалоговом формате. Для корректной работы изображение следует размещать в начале инструкции. Модель распространяется по лицензии Gemma; её ответы не заменяют профессиональную медицинскую оценку.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted-baseline — англоязычная модель на базе BERT, дообученная Mardiyyah на наборе Mardiyyah/TAPT_CeLLaTe2.0. Она предназначена для предсказания замаскированных слов в биомедицинских текстах. Модель содержит 138,2 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате safetensors для библиотеки Transformers. На оценочном наборе указаны loss 1,1076, accuracy 0,7643 и perplexity 3,0272. Базовая BiomedBERT обучалась на биомедицинских публикациях; README не приводит дополнительных сведений о составе обучающих данных, сценариях применения или ограничениях. Лицензия модели — Apache-2.0.

CNN10 — свёрточная нейросеть, разработанная Утрехтским университетом для обнаружения вокализаций шимпанзе в биоакустических записях. Модель классифицирует аудиофрагменты длительностью 0,5 секунды как вокализацию шимпанзе или фон. Для входа используются мел-спектрограммы с PCEN-нормализацией, нормализацией по файлу и дельта-признаками; записи перед обработкой приводятся к частоте 48 кГц и фильтруются в диапазоне 100–2000 Гц. Чекпойнт обучен только на реальных записях из заповедника Мефу в Камеруне, без синтетических данных. На тестовых записях из Замбии показал F1 0,7250 и 0,6667 для двух рекордеров; карточка отмечает снижение полноты при переносе в другую акустическую среду. Модель предназначена прежде всего для записей, близких к условиям обучения, и для сравнения с вариантом, обученным с синтетической аугментацией. Это PyTorch-модель в формате safetensors, не интегрированная с Transformers. Лицензия — Apache-2.0.

Eklav-8B-Math — диалоговая языковая модель для математических рассуждений, разработанная автором репозитория на основе Qwen/Qwen3-8B. Модель дообучена методом Eklav: во время обучения она получает частичный след рассуждений учителя и учится самостоятельно продолжать решение и выдавать ответ, а не воспроизводить весь след целиком. По описанию, базовая модель и обучающие данные совпадают с вариантом стандартной дистилляции полных цепочек рассуждений, отличается цель обучения. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и формат safetensors; заявленный контекст — до 40 960 токенов. Основной сценарий — генерация пошаговых решений математических задач в диалоговом формате. В README приведены результаты pass@1 на математических бенчмарках; автор сообщает о среднем преимуществе 0,6 процентного пункта над стандартной дистилляцией на шести математических тестах, при этом результаты получены в одном запуске на каждый тест. Модель принимает текст и генерирует текст. README не сообщает лицензию, поэтому условия использования по доступным данным определить нельзя.

FastCuRL-1.5B-Preview — экспериментальная модель рассуждений, разработанная авторами проекта FastCuRL. Она создана дообучением DeepSeek-R1-Distill-Qwen-1.5B методом обучения с подкреплением по учебной программе с итеративным увеличением длины рассуждений. Модель предназначена для генерации текста с пошаговыми рассуждениями, прежде всего для решения математических задач. Модель использует плотную архитектуру Qwen2 и содержит 1,5 млрд параметров. Она принимает текст и рассчитана на контекст до 131 072 токенов. Для обучения использовали 40 315 пар задач и ответов из AIME, AMC, Omni-MATH и других наборов; в README приведены результаты на нескольких математических тестах. Репозиторий содержит веса Safetensors, модель работает с Transformers и распространяется по лицензии MIT.

Gemma2-2B-Distilled-Math — компактная языковая модель на архитектуре Gemma 2, разработанная автором репозитория Benjamin и предназначенная для решения математических задач. Модель дистиллирована из OpenMath2-Llama3.1-8B на наборе OpenMathInstruct-2; метаданные указывают базовую модель google/gemma-2-2b-it. В репозитории размещены веса Safetensors для Transformers. Модель принимает текстовые запросы и генерирует текстовые ответы. В карточке приведены результаты GSM8K zero-shot 65,1 и MATH zero-shot 52,1, превосходящие указанные там результаты исходной Gemma2-2B-IT. Параметры модели составляют 2,7 млрд, заявленная длина контекста — 8192 токена. Лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя.

GPT2-BioPT — небольшая авторегрессионная языковая модель семейства GPT-2 для генерации текста на португальском языке в биомедицинской тематике. Её разработчики из PUCPR дообучили GPT-2 на базе GPorTuguese-2 с использованием 110 МБ биомедицинской литературы: около 16,2 млн токенов и 729,7 тыс. предложений. Архитектура — GPT-2 с причинным языковым моделированием; максимальный контекст составляет 1024 токена. Модель предназначена для продолжения и генерации португалоязычных биомедицинских текстов по заданному промпту, например для черновиков или вспомогательного создания тематического текста. Карточка демонстрирует запуск через Transformers pipeline с задачей text-generation. Модель обучена на ограниченном корпусе биомедицинской литературы и может воспроизводить его ошибки и смещения; её ответы не следует считать проверенными медицинскими рекомендациями. Лицензия в предоставленных данных не указана.