Eine generierte Titelkarte mit der Aufschrift „LingSante-Pulse-1.0“ über dem Untertitel „Gewichte auf Hugging Face, kein Code, um sie auszuführen“ und einer Bildunterschrift „16,7 Mio. Parameter · 12 Blöcke · 57 Signalkanäle · 0 Benchmarks · 0 Downloads“. Darunter zwei abgerundete Panels: das linke mit der Überschrift LingSante-Pulse-1.0 und den Zeilen 16,7 Mio. Parameter, 57 Kanalidentitäten und kein Inferenzpaket; das rechte mit der Überschrift „das andere Modell“ mit veröffentlichtem Modell, dokumentierter Laufzeit und Benchmarks auf seiner Karte. Das OrcaRouter-Logo ist in einen weißen Streifen am unteren Rand eingebettet.
Engineering & Research

LingSante-Pulse-1.0 ist auf Hugging Face – der Code zum Ausführen nicht.

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

LingSante-Pulse-1.0 erschien am 20. November 2026 um 08:39 UTC auf Hugging Face, und bis 09:12 desselben Morgens hatte sein Autor, inclusionAI, bereits eine Revision veröffentlicht. Der Eintrag verzeichnet ein Like und null Downloads. Nichts im Repository ist ein Modell, mit dem man sprechen kann: LingSante-Pulse-1.0 ist ein Encoder mit 16,7 Millionen Parametern für physiologische Signale – EKG, EEG, Atemfluss, Blutsauerstoff –, der eine Wellenform in ein Embedding fester Länge umwandelt und dort aufhört. Es gab keinen Launch-Beitrag, keinen technischen Bericht, keine Benchmark-Tabelle und, zum Zeitpunkt dieses Schreibens, kein Codepaket, mit dem man ihn laden könnte. Die Karte weist an, ein separates Paket lingsante_pulse zu installieren; dieses Paket ist nicht auf PyPI.

Was existiert, ist ungewöhnlich gut lesbar. Die Gewichte werden in F32 ausgeliefert, der safetensors-Header ist unkomprimiert und lesbar, und channels.json benennt alle siebenundfünfzig Signaltypen, die das Modell akzeptiert. Es ist also möglich, eine ganze Menge darüber zu sagen, was dieses Modell ist, und präzise zu benennen, was noch niemand außerhalb des Labors bestätigen kann. Dieser Beitrag hält diese beiden Kategorien getrennt.

Was erschien – und was nicht

Das Repository enthält sieben Dateien: eine README, eine MIT-Lizenz, model.safetensors (63,8 MiB Gewichte in einem 66,9 MB großen Repository), config.json, channels.npz, channels.json und den üblichen gitattributes-Stub. Das ist das gesamte Release.

Fehlend, und jede Abwesenheit ist tragend:

• Kein Inferenzcode im Repository und kein Paket auf PyPI, weder unter lingsante-pulse noch unter lingsante_pulse – beide liefern 404.

• Keine Benchmarks. Die Karte beschreibt das Verhalten in Prosa („wandelt physiologische Signale wie EKG in Embeddings um“) und veröffentlicht keinerlei Zahlen.

• Kein technischer Bericht. inclusionAI ist auf arXiv vertreten, und sein Schwester-Repository LingSante-MedGuard, erstellt am {{1}}17. November 2026{{/1}}, verlinkt einen Bericht. Die Pulse-Karte verlinkt nichts.

• Keine wie auch immer geartete Ankündigung, die eine Websuche finden kann. Die Modellkarte selbst enthält den Ausdruck „After publication“, der wie ein Text klingt, der geschrieben wurde, bevor die Veröffentlichung des Pakets angesetzt war.

• {{1}}Kein Inferenzanbieter{{/1}}. Hugging Face meldet, dass das Modell von keinem Anbieter bereitgestellt wird, und die Modellkarte lädt Leser dazu ein, Unterstützung anzufordern.

Eine Datei ist eine kleine Überraschung: config.json enthält SHA-256-Digests für die drei Datendateien. Das ist kein Marketing-Artefakt. Es ist die Art von Prüfung, die ein Team hinzufügt, wenn es erwartet, dass die Dateien herumkopiert werden, und wissen möchte, dass sie unversehrt angekommen sind.

Zwölf Blöcke, 256 Dimensionen, 32-Sample-Patches

Der safetensors-Header listet 203 Tensoren auf, und sein Metadatenblock lautet model: LingSante-Pulse, step: 260000. Die Architektur anhand der Tensornamen zu rekonstruieren, ist unkompliziert – und es ist die einzige Architekturdokumentation, die es gibt.

• Tiefe und Breite – 12 Transformer-Blöcke (blocks.0 bis blocks.11), jeweils mit einem Residualstrom der Breite 256.

• Attention — eine fusionierte QKV-Projektion der Form [768, 256], also Schlüssel, Abfragen und Werte für drei 256 breite Heads; es ist keine separate Größe für die Ausgabeprojektion außer out bei [256, 256] angegeben.

• Feed-Forward — gate_up bei [2048, 256] und down bei [256, 1024], die Formsignatur einer Gated Linear Unit mit einer 1.024 breiten verborgenen Schicht.

• Gating — jeder Block enthält ein attention_gate mit [256, 256] plus Bias sowie ein passendes film_heads.N mit [1024, 256], das einen Modulationsvektor mit 1.024 Werten ausgibt. Zwölf FiLM-Heads für zwölf Blöcke. Nichts in der Karte erklärt, wodurch sie konditioniert werden.

• Patching — patch.weight ist [256, 32]. Zweiunddreißig Samples pro Patch sind bei den festen 128 Hz, die die Karte angibt, genau 250 Millisekunden – das ist das Intervall, das die README für zurückgegebene Token-Features angibt. Die Rechnung geht auf.

• Sequenz-Gerüst — ein cls-Token, ein mask_token und vier register_tokens in einem [1, 4, 256]-Tensor.

• Ein Textpfad — text_adapter.0 projiziert 384 Dimensionen auf 256, und text_adapter.1 verfeinert innerhalb von 256. Die Modellkarte gibt an, dass die Kanal-Konditionierungsvektoren von BAAI/bge-small-en-v1.5 stammen, dessen Hidden Size 384 beträgt. Das Modell wird also auf natürlichsprachliche Beschreibungen seiner Eingabekanäle konditioniert, die in seinen eigenen Raum projiziert werden. Diese Deutung ist eine Schlussfolgerung aus den Shape-Angaben plus dem Herkunftshinweis der Modellkarte, kein dokumentiertes Design, aber beide stimmen überein.

• Ein weiterer Head — validity.weight bei [256, 64]. Ein Signal pro Position dafür, dass eine Stichprobe tatsächlich beobachtet wurde, was zu dem passt, was auf der Karte zu beobachtet-gültigem PatchMean und Storage-Padding-Masken gesagt wird.

Screenshot of the Hugging Face model card for inclusionAI/LingSante-Pulse-1.0 captured 20 November 2026 in English: the header reporting 16.7M parameters, tensor type F32 and 7 files, the Inference Providers panel stating the model is not deployed by any provider with a request-support link, the usage example that imports lingsante_pulse and calls from_pretrained then encode on a 2-by-1-by-1280 array with sample_rate 128, and the closing note that the returned values are signal representations with task-specific prediction heads not included.

Ein Spezifikationsblatt, abgelesen an Tensorformen statt an einem Datenblatt: 16,7 Mio. Parameter, zwölf Blöcke mit Breite 256, 32-Sample-Patches bei 128 Hz und ein Textadapter von 384 auf 256 für die Kanal-Konditionierung.

Siebenundfünfzig Kanäle beschreiben ein Schlaflabor.

Bei der interessanten Datei handelt es sich nicht um die Gewichte. Es ist channels.json, die eine in einfachem Englisch gehaltene Beschreibung jeder der 57 Signaliditäten enthält, die das Modell akzeptiert.

Liest man die Liste in der Reihenfolge, sieht sie nicht mehr wie ein generisches Biosignal-Vokabular aus. Drei EEG-Skalpelektroden {{1}}„im Schlaf“{{/1}}. Zwei EOG-Ableitungen {{2}}„im Schlaf“{{/2}}. Ein Kinn-EMG {{3}}„im Schlaf“{{/3}}, ein Bein-EMG {{4}}„im Schlaf“{{/4}}. Atemfluss, thorakale Atemanstrengung, abdominale Atemanstrengung, Schnarchen, SpO2. Das ist eine Polysomnographie-Montage, in der Reihenfolge, in der ein Schlaflabor-Techniker sie benennen würde.

Dann geht die Liste in einem anderen Raum weiter. Atemwegsdruck „gemessen durch ein Anästhesiebeatmungsgerät“. Endtidales CO2. Atemfrequenz abgeleitet von einem Dräger Primus und von einem Solar8000-Monitor. BIS-EEG-Leistung in Dezibel von einem Stirn-Monitor für die Anästhesietiefe, plus seine zwei frontalen EEG-Ableitungen. Zwölf-Kanal-EKG mit einem vollständigen präkordialen Set, drei modifizierten Extremitätenableitungen und sechzehn monopolaren EOG-Ableitungen.

Zwei Umgebungen, ein Kanalvokabular. Die am besten begründbare Schlussfolgerung, die dieses Repository hergibt, ist, dass der Encoder sowohl an Schlafstudien als auch an perioperativer oder intensivmedizinischer Überwachung trainiert wurde – und dass seine Designer ein Modell wollten, das auch dann besteht, wenn man es auf welche Montage auch immer richtet, die ein Krankenhaus bereits einsetzt. Die Karte sagt das nicht. Die Kanalliste sagt es für sie.

Diese Breite ist auch das zentrale technische Versprechen des Modells. Ein Encoder mit 16 Millionen Parametern, der 57 heterogene Kanalidentitäten akzeptiert, alles auf 128 Hz neu abtastet und ein Embedding pro Kanal zurückgibt, löst ein Datenplumbing-Problem, das jeder, der schon mit klinischen Wellenformen gearbeitet hat, sofort erkennt: Im Krankenhaus stimmt nichts bei der Abtastrate, der Ableitungsbenennung oder der Frage überein, welche Kanäle tatsächlich aufgezeichnet wurden.

Das fehlende Teil ist das Paket.

Das Anwendungsbeispiel der Karte ist vier Zeilen lang:

from lingsante_pulse import LingSantePulse, dann LingSantePulse.from_pretrained(), dann model.encode(x, sample_rate=128, channels=[{"modality": "ECG", "lead": "II"}]), dann die Shapes ausgeben.

Nichts davon läuft heute. Der Import schlägt fehl, weil das Paket auf dem Index, auf den die Karte implizit verweist, nicht existiert. Das Modellverzeichnis enthält Gewichte und Conditioning-Vektoren, kein Python-Modul. Wer diese Version nutzen möchte, hat genau einen Weg: den Forward-Pass anhand der 203 Tensornamen neu zu implementieren, die Aktivierungsfunktionen zu erraten, zu erraten, wie die FiLM-Modulation angewendet wird und in welcher Reihenfolge, und zu hoffen, dass es sich bei den Normalisierungsstatistiken um die von den Autoren verwendeten handelt.

Für einen Transformer über Patches ist das nicht unmöglich. Für jemanden, der fließend mit PyTorch umgeht, ist es ein Tag Arbeit, für alle anderen ein Forschungsprojekt. Aber „möglich nachzubauen“ und „ausgeliefert“ sind verschiedene Dinge, und in der Lücke dazwischen liegt der Großteil des Werts eines Releases. Gewichte ohne Inferenzpfad sind eine Behauptung über ein Modell, kein Modell, das man aufrufen kann.

Die Karte ist sich der Nahtstelle bewusst. „Installieren Sie das separate Inferenzcode-Paket, bevor Sie diese Modell-Assets verwenden“, heißt es dort, und dann im Beispiel: „Nach der Veröffentlichung lädt dieses vollständige Beispiel das Modell beim ersten Einsatz herunter.“ Beide Sätze weisen nach vorn. Entweder kommt das Paket noch, oder die Veröffentlichung ist ein Vorpositionierungsmanöver – die Gewichte öffentlich platziert, damit sie zitierbar, durch einen internen Testharness messbar und bereit sind, sobald der Code eintrifft.

Was die Karte behauptet – und was sie verschweigt

Die dokumentierte Schnittstelle ist eng und spezifisch, was zu ihren Gunsten spricht.

• Eingabeformen — [T], [C, T], [B, C, T] oder ausgerichtete Kanal-Dictionaries. Aufnahmen mit uneinheitlicher Länge funktionieren; Sie teilen dem Modell die tatsächliche Abtastrate und die physische Identität jedes Kanals mit.

• Vorverarbeitung – das Codepaket soll Resampling auf eine feste Rate von 128 Hz, beobachtete Samples und Speicher-Padding-Masken übernehmen. Beachten Sie, dass dies eine Behauptung über Code ist, der noch nicht existiert.

• Ausgaben — CLS und beobachtungsvalider PatchMean getrennt als [B, C*256] zurückgegeben, wobei die Kanäle in Eingabereihenfolge verkettet sind; return_tokens=True liefert außerdem Patch-Merkmale und Gültigkeitsmasken im Abstand von 0,25 Sekunden.

• Geltungsbereich — „Dabei handelt es sich um Signalrepräsentationen; aufgabenspezifische Prädiktionsköpfe sind nicht enthalten." Einfach ausgedrückt: Pulse liefert die Merkmale, und Sie stellen den Klassifikator, den Detektor, den Risikowert bereit.

Was es Ihnen nicht liefert: irgendeinen Hinweis darauf, wofür diese Merkmale gut sind. Es gibt keine Linear-Probe-Tabelle, keine Liste nachgelagerter Aufgaben, keine Angabe, auf welchem Datensatz der Encoder trainiert wurde, keine Fensterlängen-Empfehlung über das Beispiel mit 1.280 Samples hinaus (zehn Sekunden bei 128 Hz), keine Aussage darüber, wie er mit Kanälen umgeht, auf denen er nie trainiert wurde, und keinen Vergleich mit irgendeinem bestehenden physiologischen Foundation-Modell. Der Schritt-Zähler sagt 260.000 Trainingsschritte. Das ist die einzige Zahl zum Training in der gesamten Veröffentlichung.

Warum ein Drop mit ausschließlich Gewichten schwer zu bewerten ist

Ein Encoder ist nicht im Abstrakten evaluierbar. Seine Qualität ist vollständig eine Funktion der nachgelagerten Aufgabe, an die man ihn anschließt, und die übliche Art, das zu berichten, ist eine Linear Probe auf eingefrorenen Features über eine Handvoll öffentlicher Datensätze mit einem angegebenen Split. Ohne diese Zahlen kann man drei Dinge nicht wissen.

Erstens, ob die Embeddings Informationen tragen oder lediglich Varianz. Ein 256-dimensionaler Vektor, der aus zehn Sekunden EKG extrahiert wird, kann plausibel wirken – glatt, strukturiert, über Patientinnen und Patienten hinweg stabil – und dennoch nichts als Herzfrequenz und Signalqualität kodieren. Nur eine Probe unterscheidet diese.

Zweitens, ob die Kanal-Konditionierung hilft oder nur dekorativ ist. Die Architektur investiert in einen Textadapter und 57 Kanalidentitäten. Wenn eine reine Single-Channel-EKG-Baseline mit dem vollständigen Modell gleichzieht, sind diese Mechanismen Kosten ohne Nutzen, und nur eine Ablation zeigt das.

Drittens, ob das Modell über seine Trainingsverteilung hinaus generalisiert. Klinische Wellenformen unterscheiden sich stark zwischen Geräten, Elektrodenplatzierungen und Populationen. „Funktioniert auf der Montage, die es gesehen hat“ ist eine deutlich schwächere Aussage als „funktioniert auf der Montage in Ihrem Schrank“, und nichts hier testet die zweite.

Nichts davon ist ein Vorwurf. Ein Modell, das vor Stunden ohne Paper hochgeladen wurde, ist ein normaler erster Schritt, und der technische Bericht könnte bereits in Begutachtung sein. Es ist einfach der ehrliche Stand der Belege, und wer entscheiden will, ob er darauf aufbauen soll, sollte wissen, dass derzeit nur die Dateiliste verifiziert ist.

Was würde das ändern?

Vier Dinge, in aufsteigender Reihenfolge danach, wie viel sie dir verraten würden.

Ein PyPI-Release unter lingsante_pulse würde das Modell ausführbar machen und das Nutzungsbeispiel der Karte von Dokumentation in einen Test verwandeln. Das ist der kleinste und wahrscheinlichste nächste Schritt.

Ein Absatz in der Karte, der die Trainingskorpora benennt, würde es Leserinnen und Lesern ermöglichen, die Domänenübereinstimmung zu beurteilen, bevor sie einen Tag in die Integration investieren. Derzeit legt die Kanalliste Schlaf- und Anästhesiedaten nahe, ohne dies zu bestätigen.

Eine Frozen-Feature-Probe auf zwei oder drei öffentlichen Datensätzen – einem zu Schlaf, einem zu Herz – würde das Release von einem Artefakt zu einem Ergebnis machen. Das ist der Punkt, der am meisten zählt und die Autoren am wenigsten kostet.

Eine unabhängige Reproduktion wäre wichtiger als alles oben Genannte und kann vom Anbieter nicht arrangiert werden. Niemand hat dieses Modell öffentlich laufen lassen. Das ist der Satz, den man sich in den nächsten Wochen merken sollte.

Wo steht ein Encoder wie dieser in einem funktionierenden System? Er erzeugt die Features; etwas anderes muss über sie Schlussfolgerungen ziehen, und in den meisten klinischen Pipelines ist dieses Etwas ein Sprachmodell, das eine Zusammenfassung des Embeddings zusammen mit den Notizen des Patienten liest. Diese Reasoning-Schicht ist der Teil, den OrcaRouter abdeckt — eine API über mehr als 200 Modelle hinweg, Listenpreis des Anbieters ohne Aufschlag durchgereicht, und automatisches Failover, wenn die Leistung eines Anbieters nachlässt. LingSante-Pulse-1.0 selbst besteht aus selbst gehosteten Gewichten und ist nicht in unserem Katalog; der Encoder und das Modell, das seine Ausgabe liest, sind getrennte Kaufentscheidungen, und nur für die zweite gibt es überhaupt eine API.

Vorerst ist die praktische Antwort unspektakulär. Wenn Sie über PSG- oder intraoperative Wellenformdaten und PyTorch-Kenntnisse verfügen, laden Sie die safetensors-Datei herunter und lesen Sie den Header – er ist das informativste Artefakt in der Veröffentlichung. Wenn Sie etwas brauchen, das Sie diese Woche aufrufen können, gibt es hier noch nichts. Die 63,8 MiB an Gewichten sind ein Versprechen mit einer Dateigröße.

Screenshot of the Hugging Face Files and versions tab for inclusionAI/LingSante-Pulse-1.0 captured 20 November 2026 in English: seven rows with sizes and commit messages — .gitattributes 1.52 kB, LICENSE 1.09 kB, README.md 2.21 kB, channels.json 7.23 kB, channels.npz, config.json 343 Bytes and model.safetensors 66.9 MB — and a commit history reading seven commits, the newest an upload of README.md 44 minutes earlier.

Das vollständige Release in seinem aktuellen Zustand: sieben Dateien, eine davon Gewichte, keine davon Code.

A generated two-column board headed 'Checked in the repository on 20 November 2026'. The left column lists what the repository supports: parameter count 16.7M all F32, architecture read from 203 tensor shapes, 57 channel identities in channels.json, SHA-256 digests in config.json. The right column lists what it does not: inference code in the repo, lingsante_pulse on PyPI (404), any benchmark number, any hosted endpoint. The OrcaRouter logo is composited in a white strip along the bottom edge.

Was das Repository heute unterstützt: eine Parameteranzahl, eine aus Tensorformen abgelesene Architektur und ein Kanalvokabular – aber keinen Benchmark, kein Paket und keinen Provider.