
LingSante-Pulse-1.0 vs. Qwen 3.8: Einer kodiert, einer antwortet
- OrcaNEUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 pro 1 Mio. Tokens · 183 tok/s
- tencentNEUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 pro 1 Mio. Tokens · 741 tok/s
- AlibabaNEUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 pro 1 Mio. Tokens · 407 tok/s
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 87 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 119 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
Der Vergleich wirkt einseitig, bis einem auffällt, dass die beiden Modelle nicht dieselbe Eingabe akzeptieren. LingSante-Pulse-1.0 hat 16,7 Millionen Parameter und kann keinen Satz erzeugen. Qwen3.8-27B hat 27,78 Milliarden und kann keine Wellenform akzeptieren. Das eine verwandelt eine EKG-Ableitung, eine Atemflusskurve oder einen frontalen EEG-Kanal in einen Vektor aus 256 Zahlen in Viertelsekundenabständen; das andere liest Text, Bilder und Video und schreibt eine Antwort. Bei einem gemeinsamen Benchmark schlägt keines das andere, weil es keine gemeinsame Aufgabe gibt. In einer Pipeline ist die Arbeitsteilung unmittelbar.
LingSante-Pulse-1.0 stammt von inclusionAI und erschien am 20. November 2026 um 08:39 UTC auf Hugging Face – ohne Ankündigung, ohne Paper und ohne Inferenzcode. Das Labor hat nichts darüber veröffentlicht; das Repository ist der gesamte öffentliche Beleg. Das bestimmt, was diese Seite behaupten kann. Was im Folgenden über Pulse steht, ist aus sieben Dateien abgelesen – der safetensors-Header ist unkomprimiert, sodass die Architektur lesbar ist –, und alles darüber, wie es sich außerhalb der eigenen Testumgebung der Autoren verhält, ist derzeit allen außerhalb der Ant Group unbekannt. Die Qwen3.8-Seite ist das Gegenteil: im August ausgeliefert, bepreist, von einem Dritten bewertet und bereits mit Traffic belastet.
Was befindet sich eigentlich im Repository?
Sieben Dateien: eine README, eine MIT-Lizenz, eine F32-Gewichtungsdatei mit 63,8 MiB, eine Konfiguration mit SHA-256-Prüfsummen für ihre drei Begleitdateien und zwei Kanaldateien. Das ist das Release. Es gibt keine Benchmarks, keine Beschreibung der Trainingsdaten, keine Downstream-Ergebnisse und keinen Inferenzcode.
Die Karte verweist Sie auf ein separates Paket lingsante_pulse. Dieses Paket ist nicht auf PyPI — weder unter lingsante_pulse noch unter lingsante-pulse noch unter lingsante. Das Nutzungsbeispiel selbst besagt, dass das Modell „beim ersten Gebrauch heruntergeladen“ wird, was eine Dokumentation ist, die für einen Tag geschrieben wurde, der noch nicht gekommen ist.

Was der Tensor-Header Ihnen bietet, ist eine vollständige Architektur – klein genug, um sie an einem Nachmittag zu lesen:
• Größe — LingSante-Pulse-1.0: 16.708.352 Parameter in F32, zwölf Transformer-Blöcke mit Breite 256, 203 Tensoren. Qwen3.8-27B: 27,78 Milliarden Parameter, ein dichtes multimodales Modell mit 64 Schichten.
• Eingabe — Pulse: Abtastarrays in der Form [T], [C,T] oder [B,C,T], neu abgetastet auf eine feste Frequenz von 128 Hz, wobei die physische Identität jedes Kanals jeweils mit angegeben wird. Qwen3.8-27B: Text, Bilder und Video. Kein Audio-Pfad, kein Pfad für Rohzeitreihen.
• Ausgabe — Pulse: CLS und beobachtungsgültiger PatchMean als [B, C*256], plus optionale Features pro Patch und Gültigkeitsmasken im 0,25-Sekunden-Abstand. Qwen3.8-27B: Text.
• Umfang — Pulse liefert nur Repräsentationen. Die Karte stellt ausdrücklich klar: „Aufgabenspezifische Vorhersageköpfe sind nicht enthalten.“ Sie liefern den Klassifikator, den Detektor und den Risikoscore.
• Kontext — Pulse hat kein Token-Fenster im Sinne eines Sprachmodells; es hat ein Patch-Raster mit 0,25 s pro Patch. Qwen3.8-27B akzeptiert 262.144 Token.
• Lizenz — Pulse: MIT. Qwen3.8-27B: Apache 2.0, Gewichte herunterladbar und ausführbar.
Siebenundfünfzig Kanäle beschreiben ein Schlaflabor.
Die aussagekräftigsten Dateien sind nicht die Gewichte. Es sind channels.json, die alle siebenundfünfzig Signalidentitäten benennt und beschreibt, die der Encoder akzeptiert, und channels.npz, die pro Kanal einen 384-dimensionalen Vektor enthält – 57 davon, erstellt mit BAAI/bge-small-en-v1.5 unter Verwendung von CLS-Pooling und L2-Normalisierung. Diese Breite entspricht genau der Eingangsbreite der text_adapter-Projektion bei [256, 384] in der Gewichtsdatei, was der stärkste Hinweis in der Veröffentlichung darauf ist, wie die Konditionierung funktioniert: Der Kanalname wird als Text eingebettet, auf den 256 breiten Residual-Stream des Modells herunterprojiziert und den zwölf film_heads zugeführt – jeweils eine [1024, 256]-Projektion, die einen Modulationsvektor mit 1.024 Werten ausgibt. Nichts in der Modellkarte erklärt, was sie steuert, daher ist das eine Interpretation der Tensoren, kein dokumentierter Fakt.
Nichts davon, wie diese Verdrahtung aussieht, ist dokumentiert, daher sollte man es als Rückschluss aus den Tensorformen betrachten und nicht als Spezifikation. Dokumentiert ist die Namensliste, und in der gegebenen Reihenfolge gelesen ist sie kein allgemeines Biosignal-Vokabular mehr. Drei EEG-Kopfableitungen „während des Schlafs“, zwei EOG-Ableitungen „während des Schlafs“, ein Kinn-EMG und ein Bein-EMG „während des Schlafs“, Atemfluss, thorakale und abdominale Atemanstrengung, Schnarchen, SpO2. Das ist eine Polysomnographie-Montage, in der Reihenfolge, in der ein Schlaflabor-Techniker sie nennen würde. Dann wandert das Vokabular in einen anderen Raum: Atemwegsdruck, „gemessen von einem Anästhesieventilator“, endtidales CO2, Atemfrequenz abgeleitet von einem Dräger Primus und von einem Solar8000-Monitor, BIS-EEG-Leistung in Dezibel von einem auf der Stirn angebrachten Narkosetiefenmonitor. Siebzehn EKG-Ableitungen, darunter ein vollständiger präkordialer Satz, und sechzehn monopolare EOG-Ableitungen.
Zwei klinische Umgebungen, ein Vokabular. Die belastbare Schlussfolgerung – Schlussfolgerung, weil die Karte dazu schweigt – ist, dass der Encoder über Schlafstudien sowie perioperative oder intensivmedizinische Überwachung hinweg trainiert wurde und dass seine Autoren ein Modell wollten, das unabhängig davon funktioniert, welche Montage ein Krankenhaus bereits besitzt. Diese Breite ist die eigentliche technische Aussage dieses Releases, und es ist eine Aussage, die ein Modell mit 16 Millionen Parametern treffen kann und ein Modell mit 27 Milliarden Parametern nicht.
Warum Qwen3.8-27B die Eingabe nicht lesen kann
Das ist die Tatsache, die den gesamten Vergleich in ein neues Licht rückt. Qwen3.8-27B ist multimodal, aber seine Modalitäten sind Text, Bild und Video. Einen Wellenform-Eingang gibt es nicht. Man kann ihm nicht 1.280 Samples von Ableitung II mit 128 Hz übergeben und fragen, welcher Rhythmus vorliegt; ein Tokenizer hat mit einem Float-Array nichts zu tun. In unserem eigenen Katalog ist das Modell auf der Eingangsseite mit Text, Bild und Video und auf der Ausgangsseite mit Text aufgeführt, und das ist alles.
Die ehrliche Antwort auf „Kann ich dafür einfach ein großes Modell verwenden?“ lautet also: nicht auf dem Rohsignal. Sie haben zwei Auswege. Leiten Sie zuerst Merkmale ab – Herzfrequenz, RR-Intervalle, Spektralbänder, eine handgebaute Zusammenfassung – oder rendern Sie die Spur als Bild und lassen Sie den Vision-Tower ein Bild davon ansehen. Der zweite funktioniert manchmal, aber er kostet Sie das, was das Signal enthält: Ein geplottetes EKG verliert die Amplitudenkalibrierung und das Sub-Millisekunden-Timing, von dem eine QRS-Dauer abhängt, und für dieses Privileg zahlen Sie mit Vision-Tokens. Der erste bedeutet, Sie haben den Merkmalsextraktor bereits gebaut, und genau das ist die Aufgabe, die Pulse für 57 Kanaltypen gleichzeitig übernehmen will.
Die Arithmetik, die über die Architektur entscheidet
Angenommen, Sie ignorieren das und versuchen trotzdem, das Signal in den Kontext von Qwen3.8-27B zu serialisieren. Nehmen Sie eine Polysomnographie-Aufzeichnung über eine Nacht: acht Stunden, 57 Kanäle, 128 Hz. Das sind 28.800 Sekunden und etwa 210 Millionen Rohproben.
• Patches. Bei 0,25 s pro Patch liefert ein Kanal vier Patches pro Sekunde. 57 Kanäle liefern 228 pro Sekunde und die gesamte Nacht etwa 6,57 Millionen Patch-Kanal-Paare.
• Gegen das Kontextfenster betrachtet. Qwen3.8-27B akzeptiert 262.144 Token. Selbst bei einem Token pro Patch – eine Kompression, die verlustbehaftet genug ist, um die Übung zunichtezumachen – ist die Nacht etwa 25-mal so groß wie das Fenster.
• Gegen die Rechnung. Bei unserem angegebenen Eingabepreis von $0.33 pro Million Token kostet ein Token pro Patch allein für die Eingabe etwa $2.17 für eine einzige Nacht, noch vor der Ausgabe, und die Arbeit muss auf 25 Aufrufe aufgeteilt werden, deren Ergebnisse anschließend abgeglichen werden müssen.
Die Summary-Ausgabe von Pulse für dieselbe Aufnahme ist etwas ganz anderes. Pro Zehn-Sekunden-Fenster kommen CLS und PatchMean jeweils als 57 × 256 = 14.592 Floats zurück, etwa 58 KB bei F32; 2.880 Fenster für die Nacht ergeben ungefähr 168 MB. Behält man stattdessen den Token-Stream pro Patch, ist dieser weitaus größer – etwa 6,7 GB für die Nacht bei F32 –, weshalb der Summary-Pfad und nicht der Token-Pfad derjenige ist, der in eine Pipeline passt.

Der Vergleich lautet daher nicht „welches Modell besser ist“. Der Encoder komprimiert eine Nacht der Überwachung zu etwas, das ein System tragen kann; das Sprachmodell zieht Schlussfolgerungen aus Zusammenfassungen. Die beiden zu vermengen, führt dazu, dass klinische KI-Projekte am Ende pro Token für Daten bezahlen, die sie einmal hätten komprimieren sollen.
Worin Qwen3.8 wirklich besser ist
Alles, was der Einbettung nachgelagert ist. Qwen3.8-27B ist nach Messungen Dritter ein starkes Allzweckmodell: 20,1 im Artificial Analysis Intelligence Index v5.0.1, 68,1 in deren Coding-Index und 90,5 bei GPQA Diamond. In Qwens eigenem Datenblatt werden 90,3 bei LiveCodeBench v6, 84,3 bei OSWorld-Verified und 79,0 bei QwenSWEBench angegeben – vom Anbieter berichtet und von uns nicht reproduziert.
Diese Zahlen sind nicht der Grund, warum das wichtig ist. Der Grund ist, dass die interessanten klinischen Fragen textueller Natur sind: Ist bei dieser Medikamentenliste des Patienten, dieser Embedding-Zusammenfassung und diesen Laborwerten diese Wechselwirkung es wert, gemeldet zu werden, und wie ist die Evidenz? Das ist eine Sprachaufgabe, und das ist die Ebene, die Qwen3.8 einnimmt.
Es gibt aussagekräftige Belege dafür, dass inclusionAI den Stack auf dieselbe Weise deutet. Der technische Bericht LingSante MedGuard des Labors, arXiv 2611.25509, datiert auf den 19. November 2026, beschreibt eine medizinische Schutzschicht, die durch Destillation eines Teacher-Modells in Studenten mit 4B, 9B und 27B Parametern entstanden ist – und nennt Qwen3.8-Max als das Modell, das die Synthese-Pipeline betreibt: Abgleich jedes Patientendatensatzes mit einer anwendbaren Formel, Generierung der Frage und der Referenzableitung, Überprüfung der Schritte und Kategorisierung von Studentenfehlern über fünf Runden des Retrainings hinweg. Dieser Bericht sagt nichts über LingSante-Pulse-1.0, das in überhaupt keinem Paper auftaucht. Er belegt jedoch, dass in der hauseigenen LingSante-Reihe dieses Labors die Reasoning-Schicht ein Qwen3.8-Modell ist, um das herum Spezialistenschichten angeordnet sind. Der Encoder und der Reasoner sind getrennte Anschaffungen, die dasselbe Team getätigt hat.
Wer sollte was auswählen?
Wenn Sie Waveform-Daten haben — Polysomnographie, intraoperatives Monitoring, Telemetrie, tragbares EKG — und keinen Merkmalsextraktor, dem Sie vertrauen, ist Pulse das, was Sie evaluieren sollten, mit einem harten Vorbehalt: Sie können es heute nicht ausführen. „Evaluate“ bedeutet derzeit, den Forward-Pass aus 203 Tensornamen neu zu implementieren: zwölf Blöcke mit Breite 256, ein fusionierter QKV bei [768, 256], ein gated MLP bei [2048, 256] auf [256, 1024], eine 32-Sample-Patch-Projektion, ein 384-zu-256-Textadapter und zwölf FiLM-Heads bei [1024, 256]. Für jemanden, der sich gut mit PyTorch auskennt, ist das ein Tag Arbeit. Es ist keine unterstützte Integration, und ein Tag, der dafür aufgewendet wird, ist ein Tag, der nicht für Ihren Endpunkt aufgewendet wird.
Wenn es bei Ihrem Problem um Text geht — Triage-Notizen, Leitlinienabruf, Medikationsprüfung, Zusammenfassung einer Patientenakte —, ist Qwen3.8-27B jetzt verfügbar, mit offenen Gewichten, und kostet 0,33 $ und 2,40 $ pro Million Eingabe- und Ausgabe-Token in unserem Katalog, mit einem gemessenen p50 von etwa 2,3 Sekunden und rund 76 Ausgabe-Token pro Sekunde über die letzten sieben Tage des Playground-Verkehrs. Innerhalb der Familie ist Qwen3.8-Flash die günstigere Wahl mit 0,15 $ und 0,47 $ bei einem 1M-Token-Fenster, und Qwen3.8-Max die stärkere mit 2 $ und 6 $ bei einem Intelligence Index von 33,7.
Wenn Sie die gesamte Pipeline bauen, brauchen Sie beides, und die pragmatische Reihenfolge ist, zuerst die Reasoning-Schicht gegen die Embeddings zum Laufen zu bringen, die Sie bereits erzeugen, und Pulse dann als Upgrade zu behandeln, das Sie einwechseln, sobald es läuft. Diese Reihenfolge bedeutet außerdem, dass die Ankunft des Encoders keine Migration ist: Die Schnittstelle, die er speist, ist in beiden Fällen stabil.
Wo OrcaRouter passt – und wo nicht
Die Reasoning-Hälfte dieser Pipeline ist das, was wir bereitstellen. Qwen3.8-27B, Qwen3.8-Flash und Qwen3.8-Max stehen hinter einem API-Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, sodass eine Preisänderung des Anbieters noch am selben Tag wirksam wird und nicht erst zu Ihrem nächsten Abrechnungszyklus. Wenn Sie noch entscheiden, welche Qwen3.8-Größe die Diagrammzusammenfassung übernimmt, können Sie mit der Routing-DSL Massenverkehr an Flash senden und per Regel auf Max eskalieren, statt eine Neufassung vorzunehmen; automatisches Failover verhindert außerdem, dass ein beeinträchtigter Anbieter den gesamten Pfad ausfallen lässt – was mehr als sonst zählt, wenn eine stockende Anfrage eine stockende klinische Entscheidung bedeutet.
Die Encoder-Hälfte gehört nicht uns und kann es auch nicht. LingSante-Pulse-1.0 ist ein Satz selbst gehosteter Gewichte ohne Inferenzcode und ohne irgendwo gehosteten Endpunkt; es gibt also nichts, was ein Router weiterleiten könnte, und keinen Preis, der durchgereicht werden müsste. Etwas anderes zu behaupten, würde falsch beschreiben, was man bekommt. Wahr ist, dass die Grenze zwischen den beiden Hälften ein einfaches Zahlenarray ist – die am einfachsten stabil zu haltende Schnittstelle in diesem System.
Was würde dieses Urteil ändern?
Vier Dinge, in aufsteigender Reihenfolge danach, wie viel sie dir verraten würden.
Eine PyPI-Veröffentlichung von lingsante_pulse würde das Modell aufrufbar machen und das Beispiel der Karte von Dokumentation in einen Test verwandeln. Das ist der kleinste und wahrscheinlichste nächste Schritt und derjenige, der Pulse von einem Artefakt in eine Abhängigkeit verwandelt.
Eine lineare Sonde auf eingefrorenen Merkmalen an zwei öffentlichen Datensätzen – einem Schlaf- und einem Herzdaten satz – würde die Frage beantworten, die das Repository nicht beantworten kann: ob diese 256 Zahlen klinische Informationen tragen oder nur Varianz. Niemand hat eine veröffentlicht, und eine Sonde ist billig genug, dass ein einzelner Doktorand sie in einer Woche klären könnte.
Eine Angabe zu den Trainingskorpora würde es Ihnen ermöglichen, die Domänenübereinstimmung zu beurteilen, bevor Sie Zeit in die Integration investieren. Die Kanalliste legt Schlaf- und Anästhesiedaten nahe; die Karte bestätigt dies nicht, und „funktioniert auf der Montage, die es gesehen hat“ ist eine viel schwächere Aussage als „funktioniert auf der Montage in Ihrem Gebäude“.
Ein unabhängiger Direktvergleich wäre hilfreich – aber nicht gegen Qwen3.8. Der Vergleich, der tatsächlich eine Kaufentscheidung informieren würde, ist Pulse gegen eine überwachte Baseline, die auf Ihren eigenen Daten trainiert wurde. Das ist der Test, den ein Käufer braucht, und derjenige, den keine Seite für Sie durchführen kann.
Vorerst ist die Trennung sauber. LingSante-Pulse-1.0 ist ein 67-MB-Versprechen mit einer nachvollziehbaren Architektur und keiner Möglichkeit, es auszuführen. Qwen3.8-27B ist ein funktionierendes Modell mit einem veröffentlichten Preis und einem öffentlichen Score. Wer heute zwischen ihnen wählt, wählt kein Modell – sondern wählt, welche Hälfte einer Pipeline zuerst gebaut werden soll, und die Antwort ist die Hälfte, die sich tatsächlich aufrufen lässt.

