Una tarjeta de título generada que dice 'LingSante-Pulse-1.0' sobre el subtítulo 'Pesos en Hugging Face, sin código para ejecutarlos' y una línea de leyenda '16,7 M parámetros · 12 bloques · 57 canales de señal · 0 benchmarks · 0 descargas'. Debajo, dos paneles redondeados: el de la izquierda, encabezado por LingSante-Pulse-1.0, con las filas 16,7 M parámetros, 57 identidades de canal y ningún paquete de inferencia; el de la derecha, encabezado por 'el otro modelo', con un modelo publicado, un entorno de ejecución documentado y benchmarks en su tarjeta. El logotipo de OrcaRouter está compuesto en una franja blanca a lo largo del borde inferior.
Engineering & Research

LingSante-Pulse-1.0 está en Hugging Face; el código para ejecutarlo, no.

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

LingSante-Pulse-1.0 apareció en Hugging Face a las 08:39 UTC del 20 de noviembre de 2026 y, a las 09:12 de esa misma mañana, su autor, inclusionAI, ya había publicado una revisión. El listado registra un «me gusta» y cero descargas. Nada en el repositorio es un modelo con el que se pueda conversar: LingSante-Pulse-1.0 es un codificador de 16,7 millones de parámetros para señales fisiológicas —ECG, EEG, flujo de aire, oxígeno en sangre— que convierte una onda en un embedding de longitud fija y se detiene ahí. No hubo publicación de lanzamiento, ni informe técnico, ni tabla de benchmarks y, a la fecha de redacción, ningún paquete de código con el que cargarlo. La tarjeta indica que se instale un paquete lingsante_pulse aparte; ese paquete no está en PyPI.

Lo que sí existe es inusualmente legible. Los pesos se distribuyen en F32, la cabecera de safetensors no está comprimida y es legible, y channels.json nombra los cincuenta y siete tipos de señal que acepta el modelo. Por eso es posible decir bastante sobre qué es este modelo y ser preciso sobre lo que nadie fuera del laboratorio puede confirmar todavía. Este artículo mantiene separadas esas dos categorías.

Lo que apareció, y lo que no

El repositorio contiene siete archivos: un README, una licencia MIT, model.safetensors (63,8 MiB de pesos en un repositorio de 66,9 MB), config.json, channels.npz, channels.json y el habitual archivo auxiliar gitattributes. Eso es toda la versión publicada.

Ausente, y cada ausencia tiene función estructural:

• No hay código de inferencia en el repositorio, y no hay ningún paquete en PyPI con ninguno de los nombres lingsante-pulse o lingsante_pulse; ambos devuelven 404.

• Sin benchmarks. La tarjeta describe el comportamiento en prosa ("convierte señales fisiológicas como el ECG en embeddings") y no publica cifras de ningún tipo.

• No hay informe técnico. inclusionAI tiene presencia en arXiv, y su repositorio hermano LingSante-MedGuard, creado el 17 de noviembre de 2026, enlaza un informe. La tarjeta de Pulse no enlaza nada.

• Ningún anuncio de ningún tipo que una búsqueda web pueda encontrar. La propia tarjeta del modelo contiene la frase «After publication», que se lee como un texto escrito antes de que se programara el lanzamiento del paquete.

• Ningún proveedor de inferencia. Hugging Face informa que el modelo no está desplegado por ningún proveedor, y la ficha invita a los lectores a solicitar soporte.

Un archivo es una pequeña sorpresa: config.json incluye resúmenes SHA-256 de los tres archivos de datos. Eso no es un artefacto de marketing. Es el tipo de comprobación que un equipo añade cuando espera que los archivos se copien de un sitio a otro y quiere saber que llegaron intactos.

Doce bloques, 256 dimensiones, parches de 32 muestras

El encabezado de safetensors enumera 203 tensores y su bloque de metadatos indica model: LingSante-Pulse, step: 260000. Reconstruir la arquitectura a partir de los nombres de los tensores es sencillo, y es la única documentación de la arquitectura que existe.

• Profundidad y anchura — 12 bloques transformer (blocks.0 a blocks.11), cada uno con un flujo residual de 256 de ancho.

• Atención — una proyección qkv fusionada de forma [768, 256], es decir, lo correspondiente a tres cabezas de 256 de ancho en claves, consultas y valores; no se indica ningún tamaño de proyección de salida separado aparte de out en [256, 256].

• Feed-forward — gate_up en [2048, 256] y down en [256, 1024], la firma de forma de una unidad lineal con compuerta y una capa oculta de 1.024 de ancho.

Gating — cada bloque lleva un attention_gate en [256, 256] más sesgo, y un film_heads.N correspondiente en [1024, 256] que emite un vector de modulación de 1.024 valores. Doce cabezas FiLM para doce bloques. Nada en la ficha explica qué las condiciona.

• Parcheo — patch.weight es [256, 32]. Treinta y dos muestras por parche, a la frecuencia fija de 128 Hz que especifica la tarjeta, son exactamente 250 milisegundos, que es el intervalo que el README indica para las características de los tokens devueltos. La aritmética cuadra.

• Componentes fijos de la secuencia — un token cls, un mask_token y cuatro register_tokens en un tensor [1, 4, 256].

• Una ruta de texto — text_adapter.0 proyecta 384 dimensiones a 256, y text_adapter.1 refina dentro de 256. La ficha indica que los vectores de condicionamiento de canal provienen de BAAI/bge-small-en-v1.5, cuyo tamaño oculto es 384. Por lo tanto, el modelo está condicionado por descripciones en lenguaje natural de sus canales de entrada, proyectadas a su propio espacio. Esa lectura es una inferencia a partir de las formas y de la nota de procedencia de la ficha, no un diseño documentado, pero ambas coinciden.

• Una cabeza más: validity.weight en [256, 64]. Una señal por posición de que una muestra se observó realmente, lo que coincide con lo que menciona la tarjeta sobre PatchMean válido observado y máscaras de relleno de almacenamiento.

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.

Una ficha técnica deducida de las formas de los tensores en lugar de una hoja de datos: 16,7 M de parámetros, doce bloques con un ancho de 256, parches de 32 muestras a 128 Hz y un adaptador de texto de 384 a 256 para el acondicionamiento de canales.

Cincuenta y siete canales describen un laboratorio de sueño

El archivo interesante no son los pesos. Es channels.json, que contiene una descripción en inglés sencillo de cada una de las 57 identidades de señal que acepta el modelo.

Si se lee la lista en orden, deja de parecer un vocabulario genérico de bioseñales. Tres derivaciones EEG de cuero cabelludo "durante el sueño". Dos derivaciones EOG "durante el sueño". Una EMG mentoniana "durante el sueño", una EMG de pierna "durante el sueño". Flujo aéreo, esfuerzo torácico, esfuerzo abdominal, ronquido, SpO2. Eso es un montaje de polisomnografía, en el orden en que lo nombraría un técnico de sueño.

Luego, la lista continúa en otra sala. Presión de la vía aérea "medida por un ventilador de anestesia". CO2 al final de la espiración. Frecuencia respiratoria derivada de un Dräger Primus y de un monitor Solar8000. Potencia del EEG BIS en decibelios de un monitor de profundidad anestésica frontal, además de sus dos derivaciones EEG frontales. ECG de doce derivaciones con un conjunto precordial completo, tres derivaciones de miembros modificadas y dieciséis derivaciones EOG monopolares.

Dos entornos, un único vocabulario de canales. La inferencia más defendible que permite este repositorio es que el codificador se entrenó tanto en estudios del sueño como en monitorización perioperatoria o de cuidados intensivos —y que sus diseñadores querían un modelo que siguiera siendo válido al apuntarlo a cualquier montaje que un hospital ya tenga. La ficha no lo dice. La lista de canales lo dice por ellos.

Esa amplitud también es la principal afirmación de ingeniería del modelo. Un codificador de 16 millones de parámetros que acepta 57 identidades de canal heterogéneas, remuestrea todo a 128 Hz y devuelve un embedding por canal está resolviendo un problema de fontanería de datos que cualquiera que haya trabajado con formas de onda clínicas reconoce de inmediato: nada en un hospital coincide en la frecuencia de muestreo, la denominación de las derivaciones ni qué canales se registraron realmente.

La pieza que falta es el paquete

El ejemplo de uso de la tarjeta tiene cuatro líneas:

from lingsante_pulse import LingSantePulse, luego LingSantePulse.from_pretrained(), luego model.encode(x, sample_rate=128, channels=[{"modality": "ECG", "lead": "II"}]), luego imprime las formas.

Nada de eso funciona hoy. La importación falla porque el paquete no existe en el índice al que la tarjeta apunta implícitamente. El directorio del modelo contiene pesos y vectores de condicionamiento, no un módulo de Python. Quien quiera usar esta versión tiene exactamente una ruta: reimplementar la pasada hacia adelante a partir de los 203 nombres de tensores, adivinar las funciones de activación, adivinar cómo se aplica la modulación FiLM y en qué orden, y esperar que las estadísticas de normalización sean las que usaron los autores.

Para un transformer sobre parches, eso no es imposible. Es un día de trabajo para alguien fluido en PyTorch, y un proyecto de investigación para cualquier otra persona. Pero "posible de reimplementar" y "lanzado" son cosas distintas, y la brecha entre ambos es donde reside la mayor parte del valor de un lanzamiento. Unos pesos sin una ruta de inferencia son una afirmación sobre un modelo, no un modelo que puedas invocar.

La tarjeta es consciente de la costura. «Instale el paquete independiente de código de inferencia antes de usar estos recursos del modelo», dice, y luego, en el ejemplo, «Tras la publicación, este ejemplo completo descarga el modelo en el primer uso». Ambas oraciones apuntan hacia adelante. O bien el paquete está por llegar, o bien el lanzamiento es una maniobra de preposicionamiento: los pesos se publican para que se puedan citar, medir con un arnés interno y estar listos en el momento en que llegue el código.

Lo que afirma la tarjeta y lo que omite

La interfaz documentada es estrecha y específica, lo que es un punto a su favor.

• Formatos de entrada — [T], [C, T], [B, C, T], o diccionarios de canales alineados. Las grabaciones de duración irregular funcionan; tú le indicas al modelo la frecuencia de muestreo real y la identidad física de cada canal.

• Preprocesamiento — se dice que el paquete de código se encarga del remuestreo a una frecuencia fija de 128 Hz, de las muestras observadas y de las máscaras de relleno de almacenamiento. Tenga en cuenta que esta es una afirmación sobre código que aún no existe.

• Salidas — CLS y el PatchMean válido observado se devuelven por separado como [B, C*256], con los canales concatenados en el orden de entrada; return_tokens=True también genera características de parche y máscaras de validez con intervalos de 0,25 segundos.

• Alcance — "Estas son representaciones de señales; no se incluyen las cabezas de predicción específicas de la tarea." En términos sencillos: Pulse te proporciona las características y tú aportas el clasificador, el detector y la puntuación de riesgo.

Lo que no te ofrece: ninguna indicación de para qué sirven esas características. No hay una tabla de sonda lineal, ni una lista de tareas posteriores, ni una declaración sobre qué conjunto de datos se usó para entrenar al codificador, ni orientación sobre la longitud de ventana más allá del ejemplo de 1.280 muestras (diez segundos a 128 Hz), ni una declaración sobre cómo maneja canales con los que nunca se entrenó, ni una comparación con ningún modelo fundacional fisiológico existente. El contador de pasos indica 260.000 pasos de entrenamiento. Ese es el único número sobre el entrenamiento en toda la publicación.

Por qué es difícil puntuar un lanzamiento solo de pesos

Un codificador no se puede evaluar en abstracto. Su calidad depende enteramente de la tarea posterior a la que se lo vincule, y la forma estándar de informarlo es una sonda lineal sobre características congeladas en un puñado de conjuntos de datos públicos con una partición declarada. Sin esos números, hay tres cosas que son imposibles de conocer.

Primero, si los embeddings contienen información o meramente varianza. Un vector de 256 dimensiones extraído de diez segundos de ECG puede parecer plausible —suave, estructurado, estable entre pacientes— y aun así no codificar nada más que la frecuencia cardíaca y la calidad de la señal. Solo una sonda permite distinguirlos.

En segundo lugar, si el acondicionamiento de canales ayuda o es meramente decorativo. La arquitectura invierte en un adaptador de texto y 57 identidades de canal. Si una línea base de solo ECG de un solo canal iguala al modelo completo, esa maquinaria es un coste sin beneficio, y solo una ablación lo demuestra.

Tercero, si el modelo generaliza más allá de su distribución de entrenamiento. Las formas de onda clínicas cambian drásticamente entre dispositivos, colocaciones de electrodos y poblaciones. «Funciona con el montaje que vio» es una afirmación mucho más débil que «funciona con el montaje que tienes en tu armario», y nada de lo que hay aquí pone a prueba la segunda.

Nada de esto es una acusación. Un modelo subido hace horas y sin artículo es un primer paso normal, y puede que el informe técnico ya esté en revisión. Es simplemente el estado honesto de la evidencia, y quien esté decidiendo si construir sobre esto debería saber que lo único verificado actualmente es el listado de archivos.

¿Qué cambiaría esto?

Cuatro cosas, en orden ascendente según cuánto te dirían.

Una publicación en PyPI bajo lingsante_pulse haría que el modelo se pudiera ejecutar y convertiría el ejemplo de uso de la tarjeta de documentación en una prueba. Ese es el siguiente paso más pequeño y más probable.

Un párrafo en la ficha que nombre los corpus de entrenamiento permitiría al lector evaluar la coincidencia de dominio antes de dedicar un día a la integración. Ahora mismo, la lista de canales sugiere datos de sueño y anestesia sin confirmarlo.

Una sonda de características congeladas sobre dos o tres conjuntos de datos públicos —uno de sueño y otro cardíaco— haría que el lanzamiento pasara de ser un artefacto a ser un resultado. Este es el punto que más importa y el que menos les cuesta a los autores.

Una reproducción independiente importaría más que cualquiera de lo anterior, y no puede ser organizada por el proveedor. Nadie ha ejecutado este modelo en público. Esa es la frase que hay que tener en cuenta durante las próximas semanas.

¿Qué lugar ocupa un encoder como este en un sistema en funcionamiento? Produce las características; algo más tiene que razonar sobre ellas y, en la mayoría de los flujos clínicos, ese algo es un modelo de lenguaje que lee un resumen del embedding junto con las notas del paciente. Esa capa de razonamiento es la que ofrece OrcaRouter: una sola API para más de 200 modelos, el precio de lista del proveedor trasladado sin añadir ningún margen, y failover automático cuando un proveedor se degrada. LingSante-Pulse-1.0 en sí son pesos autoalojados y no está en nuestro catálogo; el encoder y el modelo que lee su salida son decisiones de compra distintas, y solo el segundo tiene API.

Por ahora, la respuesta práctica no tiene nada de glamuroso. Si tienes datos de PSG o de formas de onda intraoperatorias y soltura con PyTorch, descarga el archivo safetensors y lee la cabecera: es el artefacto más informativo de la publicación. Si necesitas algo que puedas llamar esta semana, aquí todavía no hay nada. Los 63,8 MiB de pesos son una promesa con un tamaño de archivo.

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.

El lanzamiento completo tal como está: siete archivos, uno de ellos pesos, ninguno de ellos código.

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.

Lo que el repositorio admite hoy: un recuento de parámetros, una arquitectura leída a partir de las formas de los tensores y un vocabulario de canales, pero ningún benchmark, ningún paquete y ningún proveedor.