Openmed NER PathologyDetect BigMed 560M
Apache-2.0
专门用于疾病实体识别的模型，能够精准识别来自NCBI数据集的疾病实体，为生物医学领域的研究和临床应用提供有力支持。
序列标注
Transformers 英语
Transformers 英语O
OpenMed
38.34k
1
Sentencesegmenter MIMIC
MIT
该模型基于BiomedBERT，用于对MIMIC-III临床记录进行句子分割，预测BIO标注。
序列标注
Safetensors 英语
Safetensors 英语S
dongfangxu
14.96k
1
Bio Medical MultiModal Llama 3 8B V1
其他
基于Llama-3-8B-Instruct微调的多模态生物医学模型，支持文本与图像处理，适用于生物医学领域的研究与临床应用。
图像生成文本 Transformers
TransformersB
ContactDoctor
1,440
122
Clinical Mobilebert I2b2 2010
MIT
基于i2b2-2010数据集微调的临床命名实体识别(NER)模型，专门识别三类临床实体：病症、治疗和检查。
序列标注 Transformers
TransformersC
nlpie
21
3
Clinical Bert Ft
MIT
基于Bio_ClinicalBERT微调的临床文本处理模型，在F1分数上表现良好
文本分类 Transformers
TransformersC
ericntay
20
0
Bio Bert Ft
基于BioBERT的生物医学领域微调模型，在特定任务上取得了0.8621的F1分数
大型语言模型 Transformers
TransformersB
ericntay
15
0
Core Clinical Mortality Prediction
CORe模型基于BioBERT架构，专门针对临床记录、疾病描述和医学文献进行了预训练，用于预测患者院内死亡风险。
文本分类 Transformers 英语
Transformers 英语C
DATEXIS
924
3
Bioformer 8L Ncbi Disease
Apache-2.0
Bioformer-8L 是一个在 NCBI 疾病数据集上微调的生物医学领域命名实体识别模型，专注于疾病实体识别。
序列标注 Transformers 英语
Transformers 英语B
bioformers
1,973
1
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型，性能媲美GPT-3.5-turbo，优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型 Transformers 支持多种语言
Transformers 支持多种语言L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型，专为边缘设备推理设计，体积仅为Cosmo-3B模型的2%左右。
对话系统 Transformers 英语
Transformers 英语C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型，适用于从给定文本中提取答案的任务。
问答系统 中文
R
uer
2,694
98
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
智启未来，您的人工智能解决方案智库
简体中文