Une carte de titre générée indiquant « LingSante-Pulse-1.0 » au-dessus du sous-titre « Poids sur Hugging Face, aucun code pour les exécuter » et une ligne de légende « 16,7 M de paramètres · 12 blocs · 57 canaux de signal · 0 benchmark · 0 téléchargement ». En dessous, deux panneaux arrondis : celui de gauche intitulé LingSante-Pulse-1.0, avec les lignes 16,7 M de paramètres, 57 identités de canal et aucun package d’inférence ; celui de droite intitulé « l’autre modèle », avec le modèle publié, le runtime documenté et les benchmarks sur sa fiche. Le logo OrcaRouter est incrusté dans une bande blanche le long du bord inférieur.
Engineering & Research

LingSante-Pulse-1.0 est sur Hugging Face ; le code pour l’exécuter, lui, n’y est pas.

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

LingSante-Pulse-1.0 est apparu sur Hugging Face le 20 novembre 2026 à 08 h 39 UTC, et dès 09 h 12 le même matin, son auteur, inclusionAI, avait déjà publié une révision. La fiche indique un seul « j'aime » et zéro téléchargement. Rien dans le dépôt n'est un modèle avec lequel on peut converser : LingSante-Pulse-1.0 est un encodeur de 16,7 millions de paramètres pour signaux physiologiques — ECG, EEG, débit respiratoire, saturation en oxygène — qui transforme une forme d'onde en un embedding de longueur fixe et s'arrête là. Il n'y a eu ni billet de lancement, ni rapport technique, ni tableau de benchmarks et, à l'heure où nous écrivons, aucun paquet de code pour le charger. La carte vous invite à installer un paquet lingsante_pulse distinct ; ce paquet n'est pas disponible sur PyPI.

Ce qui existe est inhabituellement lisible. Les pondérations sont fournies en F32, l’en-tête safetensors est non compressé et lisible, et channels.json nomme les cinquante-sept types de signaux que le modèle accepte. Il est donc possible de dire beaucoup de choses sur ce qu’est ce modèle, et d’être précis sur ce que personne en dehors du laboratoire ne peut encore confirmer. Cet article maintient ces deux catégories séparées.

Ce qui est apparu, et ce qui ne l’est pas

Le dépôt contient sept fichiers : un README, une licence MIT, model.safetensors (63,8 MiB de poids dans un dépôt de 66,9 Mo), config.json, channels.npz, channels.json et le habituel fichier stub .gitattributes. C'est l'intégralité de la publication.

Absent, et chaque absence est porteuse :

• Aucun code d'inférence dans le dépôt, et aucun paquet sur PyPI sous l'orthographe lingsante-pulse ou lingsante_pulse — les deux renvoient 404.

• Aucun benchmark. La fiche décrit le comportement en prose (« transforme des signaux physiologiques tels que l'ECG en embeddings ») et ne publie aucun chiffre d'aucune sorte.

• Aucun rapport technique. inclusionAI est présent sur arXiv, et son dépôt frère LingSante-MedGuard, créé le 17 novembre 2026, renvoie à un rapport. La carte Pulse ne renvoie à rien.

Aucune annonce, de quelque nature que ce soit, qu’une recherche web puisse trouver. La fiche de modèle elle-même contient l’expression « After publication », qui ressemble à un texte rédigé avant que la sortie du paquet ne soit programmée.

• Aucun fournisseur d’inférence. Hugging Face indique que le modèle n’est déployé par aucun fournisseur, et la carte invite les lecteurs à demander une prise en charge.

Un fichier constitue une petite surprise : config.json contient les empreintes SHA-256 des trois fichiers de données. Ce n'est pas un argument marketing. C'est le type de vérification qu'une équipe ajoute lorsqu'elle s'attend à ce que les fichiers soient copiés et déplacés, et qu'elle veut savoir qu'ils sont arrivés intacts.

Douze blocs, 256 dimensions, des patchs de 32 échantillons

L'en-tête safetensors répertorie 203 tenseurs et son bloc de métadonnées indique model: LingSante-Pulse, step: 260000. Reconstruire l'architecture à partir des noms des tenseurs est simple — et c'est la seule documentation d'architecture qui existe.

• Profondeur et largeur — 12 blocs Transformer (blocks.0 à blocks.11), chacun avec un flux résiduel de largeur 256.

• Attention — une projection qkv fusionnée de forme [768, 256], soit la valeur de trois têtes de 256 de large pour les clés, les requêtes et les valeurs ; aucune taille de projection de sortie distincte n’est indiquée au-delà de out à [256, 256].

• Feed-forward — gate_up à [2048, 256] et down à [256, 1024], la signature de forme d’une unité linéaire à portes avec une couche cachée de 1 024 de large.

• Gating — chaque bloc porte un attention_gate en [256, 256] plus un biais, ainsi qu’un film_heads.N correspondant en [1024, 256] émettant un vecteur de modulation de 1 024 valeurs. Douze têtes FiLM pour douze blocs. Rien dans la fiche n’explique ce qui les conditionne.

• Découpage en patchs — patch.weight vaut [256, 32]. Trente-deux échantillons par patch, à la fréquence fixe de 128 Hz spécifiée par la carte, correspondent exactement à 250 millisecondes, soit l’intervalle indiqué par le README pour les caractéristiques des tokens renvoyés. L’arithmétique tombe juste.

• Composition de la séquence — un token cls, un mask_token et quatre register_tokens dans un tenseur [1, 4, 256].

• Un chemin textuel — text_adapter.0 projette 384 dimensions vers 256, et text_adapter.1 affine dans cet espace à 256. La fiche indique que les vecteurs de conditionnement des canaux proviennent de BAAI/bge-small-en-v1.5, dont la taille cachée est de 384. Le modèle est donc conditionné sur des descriptions en langage naturel de ses canaux d’entrée, projetées dans son propre espace. Cette lecture est une inférence à partir des dimensions et de la note de provenance de la fiche, non une conception documentée, mais les deux concordent.

• Une tête de plus — validity.weight à [256, 64]. Un signal par position indiquant qu’un échantillon a réellement été observé, ce qui correspond à ce que dit la fiche sur le PatchMean valide observé et les masques de remplissage de stockage.

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.

Une fiche technique déduite des formes de tenseurs plutôt que d’une fiche de données : 16,7 M de paramètres, douze blocs de largeur 256, des patchs de 32 échantillons à 128 Hz, et un adaptateur textuel 384→256 pour le conditionnement de canal.

Cinquante-sept canaux décrivent un laboratoire du sommeil

Le fichier intéressant n’est pas les poids. C’est channels.json, qui contient une description en langage clair de chacune des 57 identités de signal que le modèle accepte.

Lisez la liste dans l’ordre et elle cesse de ressembler à un vocabulaire générique de biosignaux. Trois dérivations EEG de scalp « pendant le sommeil ». Deux dérivations EOG « pendant le sommeil ». Une EMG de menton « pendant le sommeil », une EMG de jambe « pendant le sommeil ». Débit aérien, effort thoracique, effort abdominal, ronflement, SpO2. C’est un montage de polysomnographie, dans l’ordre où un technicien du sommeil le nommerait.

Puis la liste continue dans une autre salle. Pression des voies aériennes « mesurée par un ventilateur d’anesthésie ». CO2 en fin d’expiration. Fréquence respiratoire dérivée d’un Dräger Primus et d’un moniteur Solar8000. Puissance EEG BIS en décibels issue d’un moniteur de profondeur d’anesthésie frontal, ainsi que ses deux dérivations EEG frontales. ECG à douze dérivations avec un ensemble précordial complet, trois dérivations de membres modifiées et seize dérivations EOG monopolaires.

Deux contextes, un seul vocabulaire de canaux. L’inférence la plus défendable que l’on puisse tirer de ce dépôt est que l’encodeur a été entraîné à la fois sur des études du sommeil et sur une surveillance périopératoire ou en soins intensifs — et que ses concepteurs voulaient un modèle unique capable de tenir quel que soit le montage qu’un hôpital possède déjà. La fiche ne le dit pas. La liste des canaux le dit à leur place.

Cette étendue constitue également le principal argument d’ingénierie du modèle. Un encodeur de 16 millions de paramètres qui accepte 57 identités de canaux hétérogènes, rééchantillonne le tout à 128 Hz et renvoie un embedding par canal résout un problème de plomberie des données que toute personne ayant travaillé avec des signaux cliniques reconnaît immédiatement : rien dans un hôpital ne s’accorde sur la fréquence d’échantillonnage, le nommage des dérivations ou les canaux réellement enregistrés.

La pièce manquante est le paquet.

L'exemple d'utilisation de la carte comporte quatre lignes :

from lingsante_pulse import LingSantePulse, puis LingSantePulse.from_pretrained(), puis model.encode(x, sample_rate=128, channels=[{"modality": "ECG", "lead": "II"}]), puis afficher les dimensions.

Rien de tout cela ne fonctionne aujourd’hui. L’import échoue parce que le paquet n’existe pas sur l’index que la carte pointe implicitement. Le répertoire du modèle contient des poids et des vecteurs de conditionnement, pas un module Python. Un lecteur qui veut utiliser cette version n’a qu’une seule voie : réimplémenter la passe avant à partir des 203 noms de tenseurs, deviner les fonctions d’activation, deviner comment la modulation FiLM est appliquée et dans quel ordre, et espérer que les statistiques de normalisation sont celles utilisées par les auteurs.

Pour un transformer sur des patches, ce n’est pas impossible. C’est une journée de travail pour quelqu’un à l’aise avec PyTorch, et un projet de recherche pour toute autre personne. Mais « possible à réimplémenter » et « livré » sont deux choses différentes, et l’écart entre les deux est là où réside l’essentiel de la valeur d’une release. Des poids sans chemin d’inférence sont une affirmation sur un modèle, pas un modèle que l’on peut appeler.

La fiche est consciente de la couture. « Installez le paquet de code d’inférence séparé avant d’utiliser ces ressources de modèle », indique-t-elle, puis, dans l’exemple, « Après publication, cet exemple complet télécharge le modèle lors de la première utilisation. » Les deux phrases annoncent la suite. Soit le paquet arrive, soit la publication est un positionnement anticipé — les poids placés en public afin qu’ils soient citables, mesurables par un banc d’essai interne, et prêts dès que le code sera disponible.

Ce que la carte affirme, et ce qu'elle omet

L'interface documentée est restreinte et précise, ce qui est un point en sa faveur.

• Formes d’entrée — [T], [C, T], [B, C, T] ou des dictionnaires de canaux alignés. Les enregistrements de longueurs irrégulières fonctionnent ; vous indiquez au modèle le taux d’échantillonnage réel et l’identité physique de chaque canal.

• Prétraitement — il est dit que le paquet de code gère le rééchantillonnage à un taux fixe de 128 Hz, les échantillons observés et les masques de remplissage de stockage. Notez qu’il s’agit d’une affirmation concernant du code qui n’existe pas encore.

• Sorties — CLS et PatchMean valides observés renvoyés séparément sous la forme [B, C*256], les canaux étant concaténés dans l'ordre d'entrée ; return_tokens=True fournit également les caractéristiques des patches et les masques de validité à un intervalle de 0,25 seconde.

• Périmètre — « Ce sont des représentations de signal ; les têtes de prédiction spécifiques à la tâche ne sont pas incluses. » En termes simples : Pulse vous fournit des caractéristiques, et vous fournissez le classifieur, le détecteur, le score de risque.

Ce qu'il ne vous donne pas : la moindre indication sur ce à quoi ces caractéristiques sont utiles. Il n'y a pas de tableau de sonde linéaire, pas de liste de tâches en aval, pas d'indication sur le jeu de données sur lequel l'encodeur a été entraîné, aucune recommandation sur la longueur de fenêtre au-delà de l'exemple de 1,280 échantillons (dix secondes à 128 Hz), aucune indication sur la façon dont il gère les canaux sur lesquels il n'a jamais été entraîné, et aucune comparaison avec un quelconque modèle de fondation physiologique existant. Le compteur de pas indique 260,000 pas d'entraînement. C'est le seul chiffre concernant l'entraînement dans toute la publication.

Pourquoi une publication de poids seuls est difficile à évaluer

Un encodeur n’est pas évaluable dans l’abstrait. Sa qualité dépend entièrement de la tâche en aval à laquelle on l’associe, et la manière standard de le rapporter est une sonde linéaire sur caractéristiques gelées sur une poignée de jeux de données publics avec un découpage déclaré. Sans ces chiffres, trois choses sont impossibles à connaître.

D’abord, déterminer si les embeddings portent de l’information ou simplement de la variance. Un vecteur à 256 dimensions extrait de dix secondes d’ECG peut sembler plausible — lisse, structuré, stable d’un patient à l’autre — et n’encoder rien d’autre que la fréquence cardiaque et la qualité du signal. Seule une sonde permet de les distinguer.

Deuxièmement, si le conditionnement par canal est utile ou purement décoratif. L’architecture investit dans un adaptateur textuel et 57 identités de canal. Si une ligne de base monocanal ECG uniquement égale le modèle complet, cette machinerie est un coût sans bénéfice, et seule une ablation le démontre.

Troisièmement, si le modèle généralise au-delà de sa distribution d’entraînement. Les tracés cliniques varient fortement d’un appareil à l’autre, selon le positionnement des électrodes et les populations. « Fonctionne sur le montage qu’il a vu » est une affirmation bien plus faible que « fonctionne sur le montage qui se trouve dans votre placard », et rien ici ne teste la seconde.

Rien de tout cela n’est une accusation. Un modèle mis en ligne il y a quelques heures sans article est une première étape normale, et le rapport technique est peut-être déjà en cours d’évaluation. C’est simplement l’état honnête des preuves, et un lecteur qui décide s’il doit s’appuyer dessus devrait savoir que la seule chose actuellement vérifiée est la liste des fichiers.

Qu’est-ce qui changerait cela ?

Quatre choses, par ordre croissant de ce qu’elles vous apprendraient.

Une publication PyPI sous lingsante_pulse rendrait le modèle exécutable et transformerait l'exemple d'utilisation de la fiche en test plutôt qu'en simple documentation. C'est l'étape suivante la plus petite et la plus probable.

Un paragraphe dans la fiche nommant les corpus d’entraînement permettrait au lecteur de juger de la correspondance de domaine avant de consacrer une journée à l’intégration. À l’heure actuelle, la liste des canaux suggère des données de sommeil et d’anesthésie sans le confirmer.

Une sonde à caractéristiques figées sur deux ou trois jeux de données publics — l’un sur le sommeil, l’autre en cardiologie — ferait passer la publication du statut d’artefact à celui de résultat. C’est l’élément qui compte le plus et coûte le moins aux auteurs.

Une reproduction indépendante compterait plus que tout ce qui précède, et ne peut être organisée par le fournisseur. Personne n’a fait tourner ce modèle en public. C’est la phrase à garder en tête pour les prochaines semaines.

Quelle est la place d’un encodeur comme celui-ci dans un système en production ? Il produit les caractéristiques ; quelque chose d’autre doit raisonner à partir de celles-ci, et dans la plupart des pipelines cliniques, ce quelque chose est un modèle de langage qui lit un résumé de l’embedding aux côtés des notes du patient. Cette couche de raisonnement est celle que sert OrcaRouter — une API unique pour plus de 200 modèles, les prix catalogue des fournisseurs répercutés sans marge ajoutée, et un basculement automatique lorsqu’un fournisseur se dégrade. LingSante-Pulse-1.0 lui-même est constitué de poids auto-hébergés et ne figure pas dans notre catalogue ; l’encodeur et le modèle qui lit sa sortie relèvent de décisions d’achat distinctes, et seul le second dispose même d’une API.

Pour l'instant, la réponse pratique est peu glamour. Si vous disposez de données PSG ou de tracés peropératoires et d'une maîtrise de PyTorch, téléchargez le fichier safetensors et lisez l'en-tête — c'est l'artefact le plus informatif de la publication. Si vous avez besoin de quelque chose que vous pouvez appeler cette semaine, il n'y a encore rien ici. Les 63,8 MiB de poids sont une promesse avec une taille de fichier.

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.

La version complète en l’état : sept fichiers, dont un fichier de poids, aucun de 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.

Ce que le dépôt prend en charge aujourd’hui : un nombre de paramètres, une architecture déduite des formes de tenseurs et un vocabulaire de canaux — mais aucun benchmark, aucun paquet et aucun fournisseur.