IV.6Научные исследования, математика и новые материалы

OpenMed-NER-PharmaDetect-ModernMed-395M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученная ModernBERT-large с архитектурой ModernBertForTokenClassification и примерно 394,7 млн параметров. Модель принимает токенизированный текст и присваивает токенам BIO-метки B-CHEM и I-CHEM; максимальная длина контекста — 8192 токена. Модель обучена на BC5CDR_CHEM и предназначена для извлечения названий химических соединений и лекарств из научных публикаций, медицинских записей и других биомедицинских документов. Такие извлечения можно использовать для мониторинга нежелательных явлений, поиска сведений о препаратах и построения биомедицинских баз знаний. В README заявлены F1 0,95, точность 0,94 и полнота 0,96 на соответствующей задаче. Модель работает с англоязычными текстами. Метаданные указывают лицензию Apache-2.0. Заявленные в карточке результаты относятся к BC5CDR_CHEM; качество на других жанрах и наборах данных отдельно не подтверждено.

Карточка модели aria220/OpenMed-NER-PharmaDetect-SuperClinical-434M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-PharmaDetect-SuperClinical-434M, поэтому описание составлено по ней. OpenMed разработала OpenMed-NER-PharmaDetect-SuperClinical-434M — специализированную модель распознавания химических сущностей в биомедицинских текстах. Это дообученная для token classification модель на архитектуре DeBERTa V2 с 533,8 млн параметров; README указывает базовую архитектуру DeBERTa V3 Large. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типов B-CHEM и I-CHEM. Контекст — до 512 токенов. Модель обучена на BC5CDR_CHEM и предназначена для извлечения названий химических соединений и лекарственных веществ из научной литературы и медицинских документов. Возможные сценарии — поиск препаратов в текстах, мониторинг нежелательных явлений и подготовка данных для биомедицинских графов знаний. В README приведены результаты на BC5CDR_CHEM: F1 0,9614, точность 0,9520 и полнота 0,9710; эти показатели относятся к указанному набору данных и не гарантируют качество на иных типах текстов. Карточка указывает английский язык. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-PharmaDetect-SuperMedical-355M — дообученную модель RoBERTa для распознавания химических сущностей в биомедицинских текстах. Модель классифицирует токены, выделяя названия химических соединений, лекарств и терапевтических веществ тегами B-CHEM и I-CHEM. Модель предназначена для извлечения химических сущностей из научных публикаций, медицинской документации и клинических текстов. Её можно применять для мониторинга нежелательных реакций, анализа упоминаний лекарств, поиска по биомедицинской литературе и подготовки данных для графов знаний. Обучение выполнено на BC5CDR-Chem; в карточке приведены F1 0,96, точность 0,95 и полнота 0,97. Архитектура — RoBERTa для классификации токенов, размер — 454,1 млн параметров, максимальный контекст — 514 токенов. Указан английский язык. Модель принимает токенизированный текст и возвращает BIO-разметку сущностей. Для более длинных документов требуется обработка фрагментами; качество за пределами химических сущностей и распределения BC5CDR-Chem не подтверждено. Лицензия — Apache-2.0.

Qwen2.5-Math-PRM-72B — процессная reward-модель, разработанная командой Qwen для оценки промежуточных шагов математических рассуждений. Она помогает находить ошибки в ходе решения и оценивать качество отдельных шагов, в том числе при проверке нескольких вариантов решения методом Best-of-N. Модель основана на Qwen2.5-Math-72B-Instruct, имеет плотную архитектуру Qwen2 и содержит 71,5 млрд параметров. Она принимает текст с разделёнными шагами решения; после каждого шага используется специальный токен, а оценка вычисляется по вероятности его положительной классификации. Модель выдаёт оценки шагов, а не предназначена для генерации решений. Поддерживаемый контекст — 4096 токенов; в карточке указаны английский и китайский языки. Модель доступна в формате safetensors и использует библиотеку Transformers. Для запуска требуется Transformers версии 4.40.0 или новее; для практического применения также нужны соответствующие вычислительные ресурсы, а подробности пропускной способности и памяти приведены для похожих моделей Qwen2. Лицензия указана как other, поэтому конкретные условия следует сверить с лицензией репозитория.

Qwen3-4B-SFT-science-1e-5 — дообученная модель семейства Qwen3, созданная на базе Qwen/Qwen3-4B. Она содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и формат Safetensors; для работы заявлена библиотека Transformers. Модель дообучена на наборе данных dolci_science_train и предназначена для генерации текста в научном контексте, включая диалоговые сценарии. Максимальный контекст составляет 40 960 токенов. В карточке приведён результат оценки на тестовом наборе: loss 0,6778. Подробности оценки, конкретные научные дисциплины и ограничения качества не описаны, поэтому результат сам по себе не позволяет судить о сравнительной точности модели. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

WizardMath-7B-V1.1-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением Mistral-7B-Instruct-v0.2 и WizardMath-7B-V1.1 методом SLERP. Модель разработана на основе архитектуры Mistral и содержит 7,1 млрд параметров; веса представлены в формате safetensors, лицензия — Apache 2.0. Модель предназначена для генерации текста и ответов на инструкции, с особым акцентом на математические задачи и рассуждения. Она принимает текст и выдаёт текст; поддерживает контекст до 32 768 токенов. В карточке не перечислены поддерживаемые естественные языки. Качество ответов может различаться в зависимости от задачи, а результаты математических рассуждений следует проверять.

Карточка модели DT12the/Arithmo2-Mixtral-7B-Dare на Hugging Face совпадает с карточкой DT12the/Math-Mixtral-7B-Dare, поэтому описание составлено по ней. DT12the/Math-Mixtral-7B-Dare — слитая диалоговая языковая модель на архитектуре Mistral, созданная методом DARE TIES с помощью mergekit. В основу взята mistralai/Mistral-7B-Instruct-v0.2; в слияние также включена meta-math/MetaMath-Mistral-7B. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов в диалоговом режиме, с математической моделью в составе слияния. Возможные сценарии — решение математических задач и ответы на инструкции; карточка подтверждает генерацию текста, но не приводит измерений качества или конкретных гарантий математической точности. Лицензия в предоставленных данных не указана.

AmberYifan/capsd-qwen3-sciweb-stackexchange-Qwen3-4B-Base-science_random_b1000_s0 — дообученная плотная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-4B-Base. Веса содержат около 3,7 млрд параметров; модель предназначена для генерации текста и поддерживает чатовый сценарий. Контекстное окно составляет 32 768 токенов. Модель дообучена на наборе capsd_Qwen3-4B-Base-n80000-sciweb-stackexchange__mix_science_random_b1000_s0, связанном с научными материалами и Stack Exchange. Её можно применять для генерации ответов и текста в научно-технических обсуждениях. Карточка не приводит результатов оценки или подробностей о качестве и целевых языках. Лицензия указана как other, поэтому условия использования следует уточнить по материалам репозитория.

DirectSAM-1800px-0424 — модель сегментации изображений из работы «Subobject-level Image Tokenization», разработанная Делонгом Ченом, Сэмюэлом Кахьявая, Цзяньфэном Лю, Баоюанем Вангом и Паскалем Фунгом. Она предназначена для выделения границ объектов на изображениях и получения масок сегментации на уровне подобъектов. Модель построена на архитектуре SegFormer с 84,6 млн параметров. Финальный многоклассовый классификатор заменён одноклассовым, а все параметры дообучены на SA-1B. Обучение включало этапы с разрешениями 1024×1024 и 1800×1800 пикселей. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Transformers. Модель подходит для сегментации и выделения границ на изображениях высокого разрешения. Карточка не сообщает отдельную лицензию, поэтому условия использования следует сверить в репозитории модели.

QuantFactory/Llama3.1-8B-Cobalt-GGUF — квантизированная версия модели Cobalt, разработанной Valiant Labs на основе Meta Llama 3.1 8B Instruct. Квантизация выполнена с использованием llama.cpp. Модель предназначена прежде всего для генерации ответов в математических задачах и диалоговых сценариях в формате инструкций Llama 3.1 Instruct. Cobalt дообучена на синтетических данных для математических инструкций, сгенерированных моделью Llama 3.1 405B. Для повышения согласованности в общих чатах также использовалась небольшая выборка из набора LDJnr/Pure-Dove; основной набор данных — sequelbox/Polytope. Заявлена поддержка английского языка, текстовой модальности и архитектуры Llama. Размер базовой модели — 8 млрд параметров; версия Cobalt датирована 16 августа 2024 года. Сильной стороной модели является специализация на математических инструкциях при сохранении возможностей диалогового общения. Ограничения включают зависимость от формата подсказок Llama 3.1 Instruct и отсутствие в README подробных сведений о типе и параметрах квантизации, размере контекста, результатах бенчмарков и известных ограничениях качества. Модель распространяется по лицензии llama3.1.

miraiminds/mergeMathBio-7B — объединённая языковая модель на архитектуре Mistral, созданная автором репозитория с помощью mergekit и метода SLERP из BioMistral-7B и Arithmo-Mistral-7B. Модель содержит 7,1 млрд параметров, предназначена для генерации текста и имеет контекст до 32 768 токенов. В состав объединения входит BioMistral-7B, дообученная на биомедицинских текстах модель для медицинских и биологических вопросов, и Arithmo-Mistral-7B. Это сочетание ориентирует модель на генерацию ответов и рассуждения с математической и биомедицинской тематикой, хотя README не приводит результатов оценки качества или конкретных сценариев применения. Репозиторий содержит веса в форматах Safetensors и GGUF. Лицензия в предоставленных данных не указана.

AmeerH/Mistral-Math-2x7b-mix — текстовая диалоговая модель на архитектуре Mixtral MoE, собранная с помощью LazyMergekit из mistralai/Mistral-7B-Instruct-v0.2 и meta-math/MetaMath-Mistral-7B. Конфигурация задаёт одного эксперта для общих инструкций и второго для математических запросов, поэтому модель предназначена для диалога, ответов на инструкции и решения математических задач. В метаданных указаны 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках не приведены. Лицензия — Apache-2.0. README не содержит результатов оценки качества или подробных сведений о поведении модели.

MobileLLM-R1-950M — компактная языковая модель семейства MobileLLM-R1, разработанная Meta и опубликованная Facebook. Это версия примерно на 949 млн параметров, дообученная методом supervised fine-tuning на математических, программных и научных задачах; разработчики подчёркивают, что она не предназначена для универсального общения. Модель принимает текст и генерирует текст, использует архитектуру семейства Llama и поддерживает контекст до 4 тысяч токенов. Модель рассчитана на решение математических задач, рассуждения по естественным наукам и генерацию кода на Python и C++. В карточке приведены результаты оценивания на MATH, GSM8K, MMLU и LiveCodeBench и описаны обучающие данные и рецепты. Указанные возможности относятся к специализированным сценариям рассуждения и не гарантируют точность для других задач. Репозиторий содержит веса в формате safetensors и предназначен для Transformers. Лицензия указана как other; конкретные условия следует сверять с файлами лицензии репозитория.

allenai/multicite-multilabel-scibert — модель AllenAI для многометочной классификации научных цитат. Она основана на SciBERT и предназначена для определения нескольких меток текста цитирования. Модель использует архитектуру BERT, содержит 137,1 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель подходит для классификации цитат в научных текстах и автоматической разметки корпусов научных публикаций. Она опубликована в формате PyTorch под лицензией MIT. Карточка не описывает точный набор меток и показатели качества, поэтому пригодность для конкретной схемы разметки следует проверять отдельно.

OpenMed-NER-PharmaDetect-ElectraMed-335M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученный трансформер с архитектурой BERT для токенной классификации; размер — 433,9 млн параметров, максимальная длина контекста — 512 токенов. Модель выделяет сущности BC5CDR-Chem и возвращает разметку в формате BIO с метками B-CHEM и I-CHEM. Модель предназначена для извлечения названий химических соединений, лекарств и терапевтических веществ из научных публикаций и медицинских документов. Её можно использовать для поиска препаратов в клинических записях, фармаконадзора, анализа литературы и подготовки данных для биомедицинских графов знаний. В README приведены результаты на BC5CDR-Chem: F1 0,9594, точность 0,9539 и полнота 0,9649; эти показатели относятся к указанному набору данных и не гарантируют такое же качество на других текстах. Поддерживается английский язык. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-PharmaDetect-ElectraMed-33M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученная трансформерная модель семейства BERT с головой классификации токенов, содержащая 40 млн параметров и принимающая токенизированный текст. Она присваивает токенам BIO-метки B-CHEM и I-CHEM, чтобы выделять названия химических соединений, лекарств и терапевтических веществ. Контекст модели составляет до 512 токенов. Модель предназначена для извлечения химических сущностей из медицинских записей, научных публикаций и других биомедицинских документов. Такие результаты можно использовать для мониторинга нежелательных реакций, поиска лекарственных взаимодействий, анализа литературы и построения биомедицинских баз знаний. В README указаны результаты на BC5CDR-Chem: F1 0,94, точность 0,93 и полнота 0,95; эти показатели относятся к описанной оценке и не гарантируют такое же качество на других данных. Модель рассчитана на английские тексты и обучена на наборе BC5CDR_CHEM. Распространяется по лицензии Apache-2.0.

STM — Gemma-2B — плотный биомедицинский ретривер на базе google/gemma-2b, разработанный для поиска релевантных текстов в биомедицинских материалах. Модель объединяет четыре специализированных эксперта методом Task Arithmetic и предназначена для retrieval и оценки сходства предложений. Она доступна в формате safetensors и содержит 2,5 млрд параметров; длина контекста составляет 8192 токена. Модель построена на архитектуре Gemma и использует Sentence Transformers для извлечения эмбеддингов. Лицензия — Gemma. Карточка не сообщает результатов оценки качества или конкретного перечня поддерживаемых языков.

Модель asahi417/tner-xlm-roberta-large-bc5cdr — версия XLM-RoBERTa Large, дообученная для распознавания именованных сущностей (NER). Она выполняет токенную классификацию и предназначена для выделения сущностей в тексте; суффикс bc5cdr указывает на вариант из серии TNER, однако карточка не уточняет набор распознаваемых меток. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и рассчитана на контекст до 514 токенов. Репозиторий предоставляет веса PyTorch. Модель подходит для извлечения сущностей из текста, в том числе в исследовательских и прикладных NLP-сценариях. XLM-RoBERTa — многоязычное семейство, но конкретные языки, поддерживаемые именно этим чекпойнтом, в карточке не перечислены. Сведений о лицензии и известных ограничениях в предоставленных данных нет.

uc-ctds/bge-large-en-v1.5-bio-mapping — англоязычная модель Sentence Transformers, дообученная на парах описаний биомедицинских переменных и соответствующих полей. Она создана для сопоставления и поиска семантически близких текстов, в частности для связывания названий и описаний переменных с полями биомедицинских наборов данных. Модель основана на BAAI/bge-large-en-v1.5 с архитектурой BERT, содержит 433,9 млн параметров и преобразует текст в нормализованные плотные векторы размерностью 1024; для сравнения подходит косинусное сходство. Модель принимает текст длиной до 512 токенов и ориентирована на английский язык. Её можно применять для семантического поиска, оценки сходства предложений, кластеризации и поиска соответствий между схемами данных. Лицензия — Apache-2.0.

BMRetriever-7B — дообученная модель семейства Mistral с 7,1 млрд параметров, разработанная BMRetriever для поиска биомедицинских текстов. Она предназначена для преобразования текстов в векторные представления, которые можно использовать для поиска релевантных документов и построения retrieval-систем. Модель обучена по подходу, описанному в статье «BMRetriever: Tuning Large Language Models as Better Biomedical Text Retrievers», и может загружаться через библиотеку Transformers. Модель рассчитана на английские биомедицинские материалы, включая учебники, статьи PubMed, StatPearls и препринты bioRxiv и medRxiv. Контекст составляет до 32 768 токенов. Репозиторий содержит веса safetensors, лицензия — MIT. Карточка не приводит количественных оценок качества; применимость к другим языкам и общим текстам не подтверждена.

PeytonT/citation-prediction — модель классификации текста, разработанная PeytonT для прогнозирования вероятных связей цитирования между научными статьями. Она входит в исследовательский стек Repository Library для индексирования, поиска и анализа научных публикаций. Модель представляет собой дообученную энкодерную BERT-модель SciBERT с 137,1 млн параметров, реализованную как BertForSequenceClassification. Обучающие данные сформированы из метаданных arXiv: названий, аннотаций, авторов и категорий. Модель обрабатывает английский научный текст с контекстом до 512 токенов и выдаёт результат классификации. Её можно применять для поиска потенциально связанных цитированием статей и как компонент последующих сценариев поиска и ранжирования в системе Repository Library. Карточка не содержит отдельного отчёта с результатами внешней оценки; качество следует проверять в целевом сценарии. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

EmbeddingGemma-300m finetuned on MIRIAD — модель Sentence Transformers на базе google/embeddinggemma-300m, дообученная для поиска медицинских сведений. Она преобразует вопросы и фрагменты научных медицинских статей в плотные векторы размерностью 768 и сравнивает их по косинусному сходству. Модель содержит 302,8 млн параметров, работает с текстом на английском языке и принимает последовательности длиной до 1024 токенов. Модель предназначена для извлечения релевантных фрагментов научных медицинских публикаций по подробному запросу. В README приведены результаты оценки на наборах MIRIAD: точность cosine_accuracy@1 составляет 0,822 на eval и 0,802 на test, а @5 — 0,945 и 0,942 соответственно. Это специализированная модель поиска, а не система для постановки диагноза или генерации медицинских рекомендаций. Модель опубликована разработчиком, не связанным с Google, и распространяется по лицензии Apache-2.0. Она дообучена на первых 100 000 пар вопрос–фрагмент из MIRIAD; качество вне медицинского поиска по научным статьям и для других языков не подтверждено приведёнными данными.

Experiment28T3q-7B — автоматическое слияние моделей, созданное Maxime Labonne с помощью mergekit. В конфигурации указаны yam-peleg/Experiment28-7B и chihoonlee10/T3Q-Mistral-Orca-Math-DPO; применён метод dare_ties с параметрами density 0,53 и weight 0,6. Модель относится к семейству Mistral, имеет плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для генерации текста по текстовым запросам; математическая специализация унаследована от DPO-дообученной базовой модели. Контекст составляет 32 768 токенов. Репозиторий содержит веса safetensors, а лицензия — Apache-2.0. README не приводит оценок качества или подробных результатов слияния.

GeoEmbedding — модель для получения векторных представлений текстов о геонауках, разработанная проектом GeoGPT Research Project. Она дообучена на базе Mistral-7B-Instruct-v0.1 на общих и специализированных геонаучных наборах данных и предназначена для поиска по смыслу и извлечения релевантных материалов в RAG-системах. Модель содержит 7,1 млрд параметров, использует архитектуру MistralDual и поддерживает контекст до 32 768 токенов; для работы доступны веса в формате safetensors и библиотека sentence-transformers. GeoEmbedding преобразует геонаучные тексты в векторы, учитывающие их контекст, чтобы находить материалы для ответов на вопросы и поиска по коллекциям документов. В карточке указана лицензия Apache-2.0. Модель обучена на английских данных, поэтому результаты на других языках могут быть хуже.

OpenMed/OpenMed-NER-PharmaDetect-BigMed-278M — специализированная модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Она дообучена на корпусе BC5CDR-Chem и построена на архитектуре XLM-RoBERTa; метаданные указывают 305,2 млн параметров и контекст до 514 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типов B-CHEM и I-CHEM. Модель предназначена для извлечения названий химических соединений, лекарств и терапевтических веществ из научных публикаций и медицинских документов. Такие извлечения могут служить основой для мониторинга нежелательных явлений, анализа упоминаний препаратов и построения биомедицинских баз знаний. В README заявлены F1 0,95, точность 0,93 и полнота 0,96 на BC5CDR-Chem; эти результаты относятся к указанному набору данных и не гарантируют такое же качество на других текстах. Обучение ориентировано на химические сущности BC5CDR, поэтому охват других типов сущностей и перенос на иные домены ограничены. Лицензия — Apache-2.0.

OpenMed-NER-PharmaDetect-TinyMed-82M — дообученная OpenMed модель для распознавания химических сущностей в биомедицинских текстах. Она использует архитектуру RoBERTa для классификации токенов и размечает названия химических соединений, лекарств и терапевтических веществ тегами B-CHEM и I-CHEM. В README указана базовая архитектура distilroberta-base; метаданные сообщают о 95,2 млн параметров и контекстном окне до 514 токенов. Модель предназначена для извлечения химических сущностей из научных публикаций, клинических записей и других медицинских документов, например для фармаконадзора, анализа литературы и построения биомедицинских баз знаний. README приводит результаты на BC5CDR-Chem: F1 0,94, точность 0,94 и полноту 0,95. Поддерживается английский язык. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Pharma-Base-220M — модель распознавания именованных сущностей на основе архитектуры GLiNER, разработанная OpenMed. Она дообучена для поиска химических сущностей в биомедицинских текстах на корпусе BC5CDR-Chem и особенно ориентирована на упоминания лекарственных соединений и терапевтических веществ. Модель поддерживает zero-shot извлечение: типы сущностей можно задавать при запросе без отдельного дообучения, хотя в карточке конкретно заявлен тип CHE. Модель принимает текст и возвращает найденные сущности с метками. Её применяют для извлечения названий химических соединений из научных публикаций и медицинских записей, а также как этап конвейеров фармаконадзора и анализа связей «химическое вещество — заболевание». В README для оценки на отложенном тестовом наборе BC5CDR-Chem указана F1-оценка 0,92; это значение относится к описанной авторами оценке и не гарантирует аналогичное качество на других данных. Репозиторий распространяется по лицензии Apache-2.0.

OpenMed/OpenMed-ZeroShot-NER-Pharma-Large-459M — разработанная OpenMed модель GLiNER для извлечения упоминаний химических веществ в биомедицинских текстах. Она дообучена на BC5CDR-Chem и предназначена прежде всего для распознавания лекарственных соединений и терапевтических веществ; карточка указывает 459 млн параметров в названии модели. Модель поддерживает zero-shot NER: типы сущностей можно задавать при использовании без отдельного дообучения, хотя основной указанный тип — CHE. Модель подходит для поиска химических соединений в аннотациях PubMed и медицинских текстах, подготовки данных для фармаконадзора, анализа нежелательных реакций и последующего извлечения связей «химическое вещество — заболевание». В описании заявлен F1 0,9542 на тестовой части BC5CDR-Chem, исключённой из обучения. Для пользовательских типов сущностей качество может варьироваться; карточка советует экспериментировать с порогом обнаружения. Модель принимает текст и выдаёт разметку сущностей. Поддержка по карточке указана для английского языка. Лицензия — Apache-2.0.

HFpf/pubmedbert-bc5cdr-ner — модель распознавания именованных сущностей в биомедицинских текстах, созданная дообучением microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract на наборе BC5CDR. Она размечает упоминания химических веществ и заболеваний, например в клинических записях и научных текстах. Модель основана на BERT, содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. В карточке указан английский язык и лицензия не приведена.

PubMedBERT-MNLI-MedNLI — модель классификации текстовых пар для вывода на основе естественного языка в биомедицинской области. Она разработана путём последовательного дообучения PubMedBERT на MNLI, а затем на MedNLI. Архитектура — BERT для классификации последовательностей; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель определяет, следует ли гипотеза из предпосылки, противоречит ей или не связана с ней, и возвращает оценки классов entailment, contradiction и neutral. Её можно применять для анализа биомедицинских утверждений и адаптировать для проверки фактов. В README указана точность 0,8667 на оценочной выборке MedNLI; это значение относится к описанной оценке и не гарантирует качество на других данных. Модель предназначена для текстовых задач в биомедицинском домене; доступные сведения не подтверждают поддержку языков помимо английского. Контекст ограничен 512 токенами. Лицензия в предоставленных данных не указана.