IV.8Государственное управление, правосудие и чрезвычайные ситуации

Varshitha/flan-t5-small-finetune-medicine-v4 — дообученная модель Google на основе google/flan-t5-small для генерации текста и выполнения задач обработки естественного языка в медицинском контексте. Она построена на архитектуре T5 и содержит 45,8 млн параметров; принимает текст и выдаёт текст. Нативная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. В карточке приведены результаты оценки: Loss 2.7404, ROUGE-1 17.0034, ROUGE-2 4.9383, ROUGE-L 16.8615 и ROUGE-Lsum 16.6931. Название указывает на медицинскую специализацию, однако описание датасета, конкретных задач и ограничений не заполнено, поэтому пригодность для отдельных медицинских сценариев по карточке оценить нельзя.

HiT-MiniLM-L12-SnomedCT — компактный энкодер иерархий, разработанный Yuan He, Zhangdie Yuan, Jiaoyan Chen и Ian Horrocks. Модель дообучена на основе sentence-transformers/all-MiniLM-L12-v2 на иерархии понятий SNOMED-CT и предназначена для представления текстовых названий сущностей в виде эмбеддингов, которые кодируют отношения включения и иерархическую структуру. Модель использует архитектуру BERT, содержит 40 млн параметров и принимает текстовые сущности. Эмбеддинги в гиперболическом пространстве применяются для предсказания отношений subsumption — например, чтобы определить, является ли одно понятие более частным случаем другого. Контекст ограничен 512 токенами; карточка указывает английский язык. Модель подходит для задач, связанных с иерархией понятий SNOMED-CT, и для экспериментов по кодированию и проверке отношений включения. Она выпущена под лицензией Apache-2.0. Результаты относятся к обученной иерархии; карточка не подтверждает качество на других онтологиях или языках.

M3D-CLIP — модель семейства M3D для медицинских изображений, обученная выравнивать представления 3D-изображений и текста с помощью контрастивного обучения на наборе данных M3D-Cap. Она предназначена для поиска соответствий между медицинскими изображениями и текстовыми описаниями, а также для извлечения признаков, пригодных для последующих визуальных и мультимодальных задач. Зрительный энкодер основан на 3D ViT: размер входного изображения составляет 32×256×256, размер патча — 4×16×16. Текстовый энкодер использует предварительно обученную BERT как инициализацию. Модель содержит 122,5 млн параметров, распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не сообщает языки текстового энкодера и длину контекста.

M3D-LaMed-Phi-3-4B — мультимодальная медицинская модель, разработанная командой проекта M3D для анализа трёхмерных медицинских изображений. Она объединяет предварительно обученный на медицинских данных 3D-визуальный энкодер M3D-CLIP с языковой моделью Phi-3 и предназначена для генерации текстовых ответов по объёмным снимкам. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру LamedPhi3ForCausalLM, поддерживает контекст до 4096 токенов и распространяется под лицензией Apache-2.0. Модель подходит для составления описаний и отчётов по 3D-снимкам, визуальных вопросов и ответов, поиска и описания объектов, а также сегментации с текстовыми подсказками. Для стандартного входа объёмы изображений требуется предварительно привести к формату и размеру, описанным в руководстве проекта; команда отмечает, что обучение проводилось на 3D, а не на 2D изображениях. Репозиторий проекта указывает, что версия Phi-3-4B была выпущена после предварительного тестирования, а подробные эксперименты ещё проводились.

Это англоязычная модель распознавания заболеваний в клинических текстах, разработанная командой NLP4BIA Барселонского суперкомпьютерного центра для подзадачи MultiClinNER в рамках MultiClinAI. Модель выполняет разметку токенов по схеме BIO, выделяя упоминания заболеваний метками B-DISEASE и I-DISEASE, а прочие токены — меткой O. Модель основана на RoBERTa, дообученной на биомедицинских текстах, содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Она предназначена для извлечения упоминаний заболеваний из англоязычных клинических записей и электронных медицинских карт. Для воспроизведения заявленных результатов при обработке следует использовать предварительную токенизацию, соответствующую обучению, и корректно сопоставлять метки с исходными смещениями текста. На тестовых документах MultiClinNER модель получила строгий F1 0,6487 и посимвольный F1 0,7603. Авторы не оценивали систематические смещения модели; точность границ сущностей может меняться при иной токенизации, а длинные документы требуют обработки с перекрытием фрагментов. Лицензия — CC BY 4.0.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в испанских клинических текстах. Это дообученная версия биомедицинского энкодера BSC-LT/MrBERT-biomed на архитектуре ModernBERT с 307 млн параметров; она присваивает токенам метки BIO: O, B-DISEASE и I-DISEASE. Модель поддерживает контекст до 8192 токенов и предназначена для извлечения сущностей типа DISEASE из клинических записей, включая электронные медицинские карты. Для соответствия опубликованным результатам при инференсе нужно воспроизводить предварительную токенизацию обучающих данных и выравнивать смещения сущностей с исходным текстом; stride=128 помогает обрабатывать длинные документы. На испанском тестовом наборе MultiClinNER строгий F1 составил 0,6618, символьный F1 — 0,7482. Авторы предупреждают, что смещения могут быть неодинаковыми при обычной токенизации, а возможные систематические смещения модели не оценивались. Лицензия — CC BY 4.0.

BSC-NLP4BIA разработала эту модель для распознавания упоминаний заболеваний в клинических текстах на румынском языке. Это дообученная для задачи MultiClinNER модель DT4H/CardioBERTa.ro на архитектуре XLM-RoBERTa с 305,2 млн параметров. Она выполняет разметку токенов по схеме BIO: O, B-DISEASE и I-DISEASE; длина контекста составляет 514 токенов. Модель предназначена для извлечения названий заболеваний из медицинских записей и клинических документов. В оценке на румынской тестовой выборке MultiClinNER она показала strict F1 0,6953 и символьный F1 0,8094. Для воспроизведения результатов важно подавать предварительно токенизированный текст и корректно сопоставлять предсказания с позициями исходного текста; при обычной токенизации границы сущностей возле знаков препинания могут отличаться. Авторы также отмечают, что смещения модели не оценивались. Лицензия — CC BY 4.0.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в клинических текстах на румынском языке. Это дообученная для задачи NER модель FacebookAI/xlm-roberta-base с архитектурой XLM-RoBERTa и 305,2 млн параметров; она присваивает токенам метки BIO: O, B-DISEASE и I-DISEASE. Модель принимает текст и возвращает разметку сущностей с границами упоминаний. Контекст модели составляет 514 токенов. Модель оценивалась на тестовом наборе MultiClinNER для румынского языка: строгий F1 составил 0,6662, символьный F1 — 0,7874. Для результатов, сопоставимых с опубликованными, при использовании нужно повторить предтокенизацию обучающих данных и выравнивание смещений; обычная токенизация Transformers может давать отличия на границах сущностей около пунктуации. Разработчики также предупреждают о возможных смещениях. Лицензия — CC BY 4.0.

psyBERTpt — специализированная модель клинического распознавания именованных сущностей в португалоязычных психиатрических записях. Авторы аннотировали записи о госпитализации из бразильской специализированной психиатрической больницы и обучили модель выделять девять категорий: суицидальное и самоповреждающее поведение, диагнозы, препараты и лекарства, психические функции, семейный и личный анамнез, наблюдения, симптомы и психологические жалобы. Модель основана на архитектуре BERT и предназначена для классификации токенов в клинических текстах на португальском языке. Она может помогать извлекать структурированные сведения из психиатрических записей; указанное контекстное окно составляет 512 токенов. В карточке авторов упоминается статья о модели, ожидающая публикации. Репозиторий содержит веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

Это плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, полученная дообучением Qwen/Qwen3-4B-Instruct-2507. Чекпойнт создан в рамках запуска RaR-Medicine OnlineRubrics-Every dense, фаза обучения использовала онлайн-рубрики для медицины; модель предназначена для генерации текста в медицинских сценариях. Она поддерживает диалоговый режим и контекст до 262 144 токенов, а для инференса доступна в формате BF16. Модель можно применять для генерации ответов и проверки медицинских текстов по рубрикам. В README указано исследовательское использование; лицензия Apache-2.0. Карточка не приводит сведений о поддерживаемых естественных языках или результатах оценки качества.

Модель HUMADEX/spanish_medical_ner разработана авторами исследования по слабонадзорному многоязычному извлечению медицинских сущностей. Это дообученная на испанских медицинских данных BERT-base-cased с архитектурой BertForTokenClassification; она размечает в клиническом тексте заболевания и симптомы (PROBLEM), диагностические исследования (TEST) и лечение (TREATMENT). Модель подходит для извлечения медицинских упоминаний из испанских клинических текстов, анализа клинических данных и исследовательской обработки медицинских документов. Модель содержит 135,5 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и Safetensors. В README приведены F1 0,776, точность 0,771 и полнота 0,781. Для использования указана лицензия Apache-2.0. Карточка не описывает клиническую валидацию, поэтому показатели оценки на тестовом наборе сами по себе не подтверждают пригодность модели для принятия медицинских решений.

Eku127/swiftvln-satnav-3b-1ep-f32s4-overlap0-pf-h8-random-pool-s2-noembed — дообученная модель для навигации робота по спутниковым изображениям в бенчмарке SatNav. Она основана на мультимодальной Qwen2.5-VL-3B-Instruct с архитектурой Qwen2.5-VL и 3,1 млрд параметров; использует контекст до 128 000 токенов. Модель обучена полным дообучением в течение одной эпохи на офлайн-траекториях экспертов SatNav-v0.1. Модель принимает последовательность RGB-кадров и текстовое описание задачи, используя окно из 32 кадров и случайно выбирая до восьми кадров истории. Она прогнозирует последовательность из четырёх действий; для визуальной памяти применяется усредняющий пулинг с шагом 2. Чекпойнт предназначен для оценки через SwiftVLN на SatNav, а не для общего диалогового анализа изображений. README не сообщает лицензию; сведения о ней в описании базовой модели недостаточны, чтобы определить условия использования производного чекпойнта.

Eku127/swiftvln-satnav-3b-1ep-f32s4-overlap4-pf-h8-pool-s2-noembed — модель навигации робота по спутниковым изображениям в системе SwiftVLN, разработанная для бенчмарка SatNav. Это полноформатное дообучение Qwen2.5-VL-3B-Instruct с 3,1 млрд параметров на офлайн-траекториях экспертов SatNav-v0.1; архитектура Qwen2.5-VL, формат весов safetensors. Модель принимает визуальную историю: окно из 32 RGB-кадров, включая до восьми равномерно выбранных кадров истории, и предсказывает последовательность из четырёх действий. Для памяти используется усреднённый пулинг кадров с шагом 2. Контекстная длина базовой конфигурации — до 128 000 токенов. Чекпойнт предназначен для экспериментов и оценки в сценарии навигации по спутниковым изображениям с непрерывным состоянием и скользящими окнами, обученными с перекрытием в четыре шага. Карточка рекомендует использовать его с руководством по оценке SwiftVLN и сохранять полное имя репозитория, поскольку конфигурация оценки извлекается из него. Модель ориентирована на английский язык. Лицензия в предоставленных данных не указана.

Medical-ner-proj/bert-medical-ner-proj — модель распознавания именованных сущностей в медицинских документах, созданная дообучением BERT. Она предназначена для выделения медицинских сущностей из текста, например сведений о заболеваниях, лекарствах, аллергиях, операциях, симптомах и результатах осмотра. Модель использует архитектуру BERT для классификации токенов, содержит 136,7 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель подходит для извлечения клинических сведений из медицинских записей и структурирования текста для последующего поиска или анализа. Карточка демонстрирует примеры на английском языке; поддержка других языков не подтверждена. Репозиторий содержит веса PyTorch, лицензия — OpenRAIL. В карточке не приведены метрики качества и подробная схема классов сущностей.

AmberYifan/capsd-medmcqa-marin-8b-base-medicine_ppl_b2000_s0 — дообученная модель семейства Llama на базе marin-community/marin-8b-base. Веса содержат около 7,5 млрд параметров; модель использует архитектуру LlamaForCausalLM и библиотеку Transformers. Контекстное окно — 4096 токенов. Модель дообучена на наборе capsd_marin-8b-base-n80000-medicine-medmcqa__mix_medicine_ppl_b2000_s0, связанном с медицинскими вопросами и датасетом MedMCQA. Она предназначена для генерации и продолжения текста, в частности ответов на медицинские вопросы. Базовая модель описана как англоязычная, поэтому основным языком модели считается английский. В карточке не приведены результаты оценки качества и подробные ограничения медицинского применения. Модель распространяется с лицензией «other»; конкретные условия следует сверить с лицензией репозитория.

ClinicalDistilBERT-i2b2-2010 — компактная модель на основе DistilBERT, дообученная на наборе данных i2b2-2010 для распознавания именованных сущностей в клинических текстах. Она выделяет три категории: проблемы со здоровьем, методы лечения и медицинские тесты. Модель разработана на базе ClinicalDistilBERT. Архитектура включает 6 слоёв Transformer, скрытое измерение и размер эмбеддингов 768, словарь из 28 996 токенов и около 65 млн параметров. Модель принимает текст и возвращает метки для его токенов; максимальная длина контекста — 512 токенов. Подходит для извлечения клинических сущностей из медицинских записей. README не сообщает результаты оценки качества или дополнительные ограничения. Лицензия — MIT.

ClinicalMobileBERT-i2b2-2010 — модель на базе ClinicalMobileBERT, дообученная разработчиками репозитория на наборе данных i2b2-2010 для распознавания клинических именованных сущностей. Она выделяет в медицинских текстах проблемы со здоровьем, виды лечения и медицинские тесты, присваивая метку каждому токену. Модель использует архитектуру MobileBERT и содержит 59,7 млн параметров по метаданным. Она принимает текст, поддерживает контекст до 512 токенов и предназначена для извлечения клинических сущностей из медицинских записей. Репозиторий содержит веса PyTorch; лицензия — MIT. Модель подходит для разметки клинических записей и подготовки структурированных данных для медицинского NLP. README указывает около 25 млн параметров, тогда как метаданные каталога сообщают 59,7 млн; для описания приведено значение из метаданных. Сведения о поддерживаемых естественных языках и оценках качества в источниках отсутствуют.

Модель csNoHug/electra-base-discriminator-finetuned-ner-cadec — дообученный для распознавания сущностей медицинского назначения энкодер ELECTRA, созданный на основе google/electra-base-discriminator. Она размечает токены в тексте, выделяя побочные реакции, заболевания, лекарства, находки и симптомы. Модель насчитывает 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. В карточке указаны метрики оценки: общий F1 — 0,7097, а F1 для лекарств — 0,9538; для заболеваний — 0,1633. Это указывает на заметно неоднородное качество распознавания разных классов, особенно слабые результаты для заболеваний. Модель выпущена под лицензией Apache-2.0; язык и состав обучающего набора в карточке не раскрыты.

HUMADEX/english_medical_ner — англоязычная модель распознавания медицинских сущностей, разработанная авторами исследования о слабоконтролируемом многоязычном медицинском NER. Это BERT-base-cased, дообученная для классификации токенов; модель выделяет в клиническом тексте заболевания, симптомы и состояния (PROBLEM), диагностические процедуры и лабораторные тесты (TEST), а также лекарства, терапии и другие вмешательства (TREATMENT). Она предназначена для извлечения медицинских сущностей из англоязычных клинических текстов и анализа медицинских данных. Модель содержит 135,5 млн параметров, использует архитектуру BERT и поддерживает контекст до 512 токенов. В карточке указаны F1 0,801, точность 0,808 и полнота 0,793 на тестовом наборе. Модель распространяется по лицензии Apache-2.0. Она обучена на англоязычных медицинских данных; указанные метрики не гарантируют сопоставимого качества на других источниках или текстах.

HUMADEX разработала эту модель для извлечения медицинских сущностей из клинических текстов на немецком языке. Она выделяет заболевания, симптомы и другие состояния (PROBLEM), диагностические процедуры и лабораторные анализы (TEST), а также лекарства, терапию и другие медицинские вмешательства (TREATMENT). Модель подходит для анализа клинических данных и исследований по обработке медицинских текстов. Это дообученная на медицинских данных BERT-модель с архитектурой BertForTokenClassification и 135,5 млн параметров. Она принимает текст, возвращает метки сущностей для токенов и поддерживает контекст до 512 токенов. В README приведены F1 0,787, точность 0,789 и полнота 0,785. Обучение включало размеченные клинические данные и переводы английских медицинских текстов на немецкий; лицензия — Apache-2.0.

IlhaEmbed — семейство компактных моделей текстовых эмбеддингов для клинических записей, разработанное для тайваньского традиционного китайского языка. Карточка описывает версии на 311 млн параметров и лёгкий вариант на базе ModernBERT; метаданные этого репозитория указывают на дообучение IBM Granite Embedding 97M Multilingual R2, 38,1 млн параметров и контекст до 32 768 токенов. Модель предназначена для семантического поиска и сопоставления клинических формулировок, включая сокращения, сестринские записи и разговорные описания симптомов, а также для маршрутизации по категориям намерений и поддержки поиска по медицинским документам. В карточке приведены результаты тестов на клиническом поиске и сопоставлении терминов, но также описаны ошибки из-за буквального сходства символов и различий в детализации понятий. Поэтому эмбеддинги подходят для рекомендаций и предварительной маршрутизации, а результаты требуют проверки специалистом; модель не предназначена для диагностики или самостоятельного принятия клинических решений. Указанная лицензия — Apache-2.0.

ModernBERT-bio-large — англоязычный биомедицинский энкодер от Almanach, полученный дополнительным предобучением ModernBERT-large по схеме CLM detour с последующим возвращением к masked language modeling. Модель имеет архитектуру ModernBERT с чередованием локального и глобального внимания, FlashAttention и RoPE; содержит около 395 млн параметров и поддерживает контекст до 8192 токенов. Модель предназначена для заполнения масок и дообучения под биомедицинские и клинические задачи: распознавание сущностей, классификацию документов, извлечение отношений и обезличивание клинических записей. В README сообщается о среднем F1 78,7% на 11 англоязычных биомедицинских тестах. Она выдаёт контекстные представления и не предназначена для генерации текста; большой размер требует значительных вычислительных ресурсов. Модель обучена на англоязычных биомедицинских аннотациях, медицинских инструкциях и клинических заметках. Для других языков она не предназначена без дополнительной адаптации. Лицензия — Apache-2.0.

EkaCare Parrotlet-a-en-5b — модель автоматического распознавания речи, разработанная EkaCare для транскрибации англоязычной речи в медицинской среде Индии. Она объединяет энкодер Whisper large-v3 и декодер MedGemma 4B через проектор и преобразует аудио в текст медицинских высказываний. Модель предназначена для транскрибации коротких аудиозаписей, например медицинских разговоров и диктовок. Для оптимальной работы README рекомендует аудио WAV или MP3 с частотой 16 кГц; размер чанка должен быть меньше 30 секунд. Репозиторий распространяется по лицензии MIT. Карточка описывает настройку для английской речи в медицинском контексте; результаты для других языков и длительных записей не заявлены.

prabhasa-nyaya 3B order + volume — модель AxisMeru для генерации формализованных доказательств по отдельным положениям индийского законодательства. Это полнопараметрическое дообучение базовой Qwen2.5-3B с архитектурой Qwen2ForCausalLM; модель содержит 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текстовые запросы в специальном формате и выдаёт структурированные построчные доказательства, которые проверяются компилятором Lean 4. Обучение охватывает 14 прочтений законодательных норм, включая отдельные статьи IPC и BNS, а также примеры отказа и определения применимой нормы. В описанной оценке Lean принял 175 из 377 доказательств, но доля ложных доказательств на неприменимых случаях составила 4,88% при указанном пороге безопасности 2%; корректных отказов не было. Качество оценивалось одним запуском на одном наборе данных, а приемлемые результаты зависят от ограниченного декодирования и Lean-проверяющего. Модель предназначена для исследовательских экспериментов по формальной проверке юридических рассуждений, не для юридических рекомендаций. Лицензия Qwen Research Licence разрешает некоммерческое исследовательское использование; коммерческое использование требует разрешения Alibaba Cloud.

SinaReason-Magistral-2509 — медицинская инструкция-модель, дообученная yasserrmd на базе mistralai/Magistral-Small-2509. Она предназначена для пошагового анализа клинических случаев и выдачи структурированного заключения; модель формирует рассуждение в тегах <think> перед ответом. Базовая модель — плотная мультимодальная архитектура Mistral3 размером 24 млрд параметров. Метаданные указывают задачу image-text-to-text, поддержку изображений и английский язык; карточка описывает применение преимущественно для текстовых клинических виньеток и не сообщает длину контекста. Модель ориентирована на учебную поддержку студентов-медиков, исследователей и клиницистов при разборе диагностических сценариев, включая оценку неотложных состояний. Автор сообщает о качественной проверке на 30 медицинских запросах, но это не заменяет широкую независимую оценку. Лицензия Apache-2.0. Карточка прямо предупреждает, что модель не является медицинским устройством и не предназначена для самостоятельной диагностики пациентов; ответы могут быть ошибочными или предвзятыми и требуют проверки специалистом.

CLIN-X-ES — языковая модель для клинических текстов, разработанная Lukas Lange, Heike Adel, Jannik Strötgen и Dietrich Klakow в рамках исследовательской работы. Это предобученная модель семейства XLM-RoBERTa с архитектурой XLMRobertaForMaskedLM и 658,7 млн параметров; она принимает текст и предсказывает скрытые токены, что соответствует задаче fill-mask. Контекст модели — до 514 токенов. Модель предназначена для адаптации к извлечению клинических понятий из испанских текстов. В статье также показан перенос на англоязычные задачи извлечения понятий. README приводит результаты для задач разметки последовательностей, но сама модель из репозитория имеет тег fill-mask и не является готовой системой NER: для извлечения сущностей нужна дополнительная архитектура и соответствующая настройка. Проект обозначен авторами как исследовательский прототип, созданный для публикации и не поддерживаемый далее. Лицензия в предоставленных данных не указана.

Clinical Assertion and Negation Classification BERT — модель классификации клинических утверждений, разработанная на основе работы «Assertion Detection in Clinical Notes: Medical Language Models to the Rescue?». Она помогает структурировать сведения в письмах о пациентах, определяя, упоминается ли медицинское состояние как присутствующее, отсутствующее или возможное. Модель основана на ClinicalBERT Bio + Discharge Summary BERT авторства Alsentzer и соавторов и дообучена на данных об утверждениях из соревнования i2b2 2010. Это BERT-модель для классификации последовательностей с 135,5 млн параметров и контекстом до 512 токенов; поддерживается английский язык. Модель принимает текст и возвращает метку класса. Подходит для извлечения и структурирования утверждений о состояниях здоровья в клинических письмах. Лицензия в предоставленных данных не указана.

HUTACE — модель типа actor–critic, разработанная для исследования рельефа при частичной наблюдаемости. Она получает карту состояния размером 5×64×64 с относительной высотой, маской наблюдаемых ячеек, текущей позицией, числом посещений и остатком топлива и выдаёт оценки для 4096 локальных точек маршрута вместе со значением критика. Архитектура сочетает U-Net и Transformer: 833 795 параметров, bottleneck 8×8, 64 пространственных токена и токен сводки, два слоя Transformer и четыре головы внимания. Модель предназначена для выбора путевых точек при исследовании 2.5D-рельефа с ограниченным запасом энергии. В замороженном тесте на данных Mapzen она превзошла сравниваемые CNN PPO, Plain U-Net PPO и эвристики по приведённым в карточке метрикам покрытия и расхода энергии. Это специализированный чекпойнт для симуляции и бенчмарков исследования рельефа, а не универсальная языковая модель. В README и метаданных лицензия не приведена.

MediAlbertina PT-PT 900M — медицинская языковая модель семейства энкодеров BERT на архитектуре DeBERTaV2, разработанная PortugueseNLP. Это продолжение предобучения Albertina PT-PT 900M на анонимизированных электронных медицинских картах крупной государственной больницы Португалии с помощью masked language modeling. Модель обучена на более чем 15 млн предложений и 300 млн токенов; число параметров по метаданным — 1,1 млрд, контекст — до 512 токенов. Модель рассчитана на медицинский текст на европейском португальском и доступна для задачи fill-mask: она предсказывает замаскированные слова в контексте. Её также оценивали после дообучения для извлечения медицинских сущностей, включая диагнозы, симптомы, показатели жизненных функций, результаты, процедуры, лекарства, дозировки и записи о ходе лечения, а также для определения статуса утверждения. В этих оценках MediAlbertina превзошла исходную Albertina PT-PT 900M. Модель подходит для экспериментов и создания систем анализа португальских медицинских записей, но сама по себе не является готовым решением для клинических решений: задачи извлечения сущностей и определения статуса утверждения оценивались после отдельного дообучения. Распространяется по лицензии MIT.

MedVision-V0-7B — мультимодальная модель для количественного анализа медицинских изображений, разработанная Yongcheng YAO и дообученная на наборе MedVision на основе Qwen/Qwen2.5-VL-7B-Instruct. Модель с архитектурой Qwen2.5-VL содержит 7,1 млрд параметров и принимает изображения вместе с текстовыми инструкциями; контекст составляет до 128 000 токенов. Модель выполняет обнаружение анатомических структур и патологических изменений с выдачей координат рамок, оценку размеров опухолей и поражений по большой и малой осям, а также измерение углов и расстояний между ориентирами. Для расчётов в физических единицах использует размеры изображения и шаг пикселя, переданные в запросе. Предназначена для количественных измерений на медицинских изображениях; карточка описывает ответы в заданном формате и использование специального шаблона запроса. Модель работает с изображениями и текстом на английском языке. Для измерений важно передавать размеры изображения и шаг пикселя после внутреннего изменения размера изображения; обнаружение использует относительные координаты и не требует шага пикселя. Модель распространяется по лицензии CC BY 4.0.