
LingSante-Pulse-1.0 Tersedia di Hugging Face; Kode untuk Menjalankannya Tidak
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 183 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 741 tok/s
- AlibabaBARUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 juta token · 407 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 87 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 119 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
LingSante-Pulse-1.0 muncul di Hugging Face pada 08:39 UTC tanggal 20 November 2026, dan pada pukul 09:12 pagi yang sama penulisnya, inclusionAI, sudah mendorong revisi. Daftar tersebut melaporkan satu suka dan nol unduhan. Tidak ada apa pun di repositori itu yang merupakan model yang dapat diajak bicara: LingSante-Pulse-1.0 adalah encoder 16,7 juta parameter untuk sinyal fisiologis — ECG, EEG, aliran udara, oksigen darah — yang mengubah bentuk gelombang menjadi embedding berpanjang tetap dan berhenti sampai di situ. Tidak ada postingan peluncuran, tidak ada laporan teknis, tidak ada tabel benchmark, dan, hingga saat penulisan ini, tidak ada paket kode untuk memuatnya. Kartu tersebut menginstruksikan Anda untuk memasang paket lingsante_pulse terpisah; paket itu tidak ada di PyPI.
Apa yang ada memang luar biasa mudah dibaca. Bobotnya dikirim dalam F32, header safetensors tidak terkompresi dan dapat dibaca, dan channels.json menyebutkan kelima puluh tujuh jenis sinyal yang diterima model. Jadi, cukup banyak hal dapat dikatakan tentang apa itu model ini, dan tepat tentang apa yang belum dapat dikonfirmasi oleh siapa pun di luar lab. Tulisan ini menjaga kedua kategori itu tetap terpisah.
Apa yang muncul, dan apa yang tidak.
Repositori ini berisi tujuh berkas: sebuah README, lisensi MIT, model.safetensors (63,8 MiB bobot dalam repositori berukuran 66,9 MB), config.json, channels.npz, channels.json, dan stub gitattributes yang biasa. Itulah keseluruhan rilisnya.
Tidak hadir, dan setiap ketidakhadiran bersifat menopang:
• Tidak ada kode inferensi di repositori, dan tidak ada paket di PyPI dengan nama lingsante-pulse atau lingsante_pulse — keduanya mengembalikan 404.
• Tidak ada tolok ukur. Kartu tersebut menjelaskan perilaku dalam bentuk prosa ("mengubah sinyal fisiologis seperti ECG menjadi embedding") dan tidak menerbitkan angka dalam bentuk apa pun.
Tidak ada laporan teknis. inclusionAI memiliki kehadiran di arXiv, dan repositori saudaranya, LingSante-MedGuard, yang dibuat pada 17 November 2026, menautkan sebuah laporan. Kartu Pulse tidak menautkan apa pun.
• Tidak ada pengumuman apa pun yang dapat ditemukan oleh pencarian web. Kartu model itu sendiri memuat frasa "After publication", yang terdengar seperti teks yang ditulis sebelum jadwal rilis paket tersebut.
• Tidak ada penyedia inferensi. Hugging Face melaporkan bahwa model tersebut tidak diterapkan oleh penyedia mana pun, dan kartu model itu mengajak pembaca untuk meminta dukungan.
Satu berkas merupakan kejutan kecil: config.json memuat digest SHA-256 untuk ketiga berkas data. Itu bukan artefak pemasaran. Itu adalah jenis pemeriksaan yang ditambahkan sebuah tim ketika mereka memperkirakan berkas-berkas tersebut akan disalin ke sana kemari dan ingin mengetahui bahwa berkas-berkas itu tiba dalam keadaan utuh.
Dua belas blok, 256 dimensi, patch 32 sampel
Header safetensors mencantumkan 203 tensor dan blok metadatanya berbunyi model: LingSante-Pulse, step: 260000. Merekonstruksi arsitektur dari nama-nama tensor itu mudah — dan itulah satu-satunya dokumentasi arsitektur yang ada.
• Kedalaman dan lebar — 12 blok transformer (blocks.0 hingga blocks.11), masing-masing dengan aliran residual selebar 256.
• Atensi — proyeksi qkv gabungan dengan bentuk [768, 256], sehingga setara dengan tiga head selebar 256 untuk key, query, dan value; tidak ada ukuran proyeksi output terpisah yang diberikan selain out pada [256, 256].
• Feed-forward — gate_up pada [2048, 256] dan down pada [256, 1024], ciri bentuk dari gated linear unit dengan lapisan tersembunyi selebar 1.024.
• Gating — setiap blok membawa attention_gate pada [256, 256] ditambah bias, dan film_heads.N yang sesuai pada [1024, 256] yang menghasilkan vektor modulasi bernilai 1.024. Dua belas kepala FiLM untuk dua belas blok. Tidak ada apa pun di kartu yang menjelaskan apa yang mengondisikannya.
• Patching — patch.weight adalah [256, 32]. Tiga puluh dua sampel per patch, pada 128 Hz tetap yang ditentukan card, tepat 250 milidetik, yang merupakan interval yang diberikan README untuk fitur token yang dikembalikan. Perhitungannya konsisten.
• Perlengkapan urutan — satu token cls, satu mask_token, dan empat register_tokens dalam tensor [1, 4, 256].
• Sebuah jalur teks — text_adapter.0 memproyeksikan 384 dimensi ke 256, dan text_adapter.1 menyempurnakan dalam 256. Kartu tersebut menyatakan vektor kondisi kanal berasal dari BAAI/bge-small-en-v1.5, yang ukuran tersembunyinya adalah 384. Jadi model dikondisikan pada deskripsi bahasa alami dari kanal input-nya, yang diproyeksikan ke ruangnya sendiri. Pembacaan itu merupakan inferensi dari bentuk plus catatan provenans kartu, bukan desain yang didokumentasikan, tetapi keduanya selaras.
• Satu head lagi — validity.weight pada [256, 64]. Sinyal per posisi bahwa sebuah sampel benar-benar diamati, yang cocok dengan pembahasan kartu tentang PatchMean valid-diamati dan mask padding penyimpanan.

Lembar spesifikasi yang dibaca dari bentuk tensor, bukan dari lembar data: 16,7M parameter, dua belas blok pada lebar 256, patch 32 sampel pada 128 Hz, dan adaptor teks 384-ke-256 untuk pengondisian kanal.
Lima puluh tujuh kanal menggambarkan sebuah laboratorium tidur
File yang menarik bukanlah bobotnya. Melainkan channels.json, yang memuat deskripsi dalam bahasa Inggris sederhana untuk masing-masing dari 57 identitas sinyal yang diterima model.
Baca daftar itu secara berurutan dan daftar itu tidak lagi tampak seperti kosakata biosignal generik. Tiga lead EEG kulit kepala "selama tidur". Dua lead EOG "selama tidur". EMG dagu "selama tidur", EMG tungkai "selama tidur". Aliran udara, usaha toraks, usaha abdomen, dengkur, SpO2. Itu adalah montase polisomnografi, dalam urutan yang akan disebutkan oleh teknisi tidur.
Kemudian daftar itu berlanjut ke ruangan yang berbeda. Tekanan jalan napas "diukur oleh ventilator anestesi". CO2 akhir ekspirasi. Laju pernapasan diturunkan dari Dräger Primus dan dari monitor Solar8000. Daya BIS EEG dalam desibel dari monitor kedalaman anestesi dahi, ditambah dua sadapan EEG frontalnya. EKG dua belas sadapan dengan set prekordial lengkap, tiga sadapan ekstremitas termodifikasi, dan enam belas derivasi EOG monopolar.
Dua pengaturan, satu kosakata kanal. Inferensi paling dapat dipertahankan yang tersedia dari repositori ini adalah bahwa encoder dilatih pada studi tidur sekaligus pemantauan perioperatif atau perawatan intensif — dan bahwa para perancangnya menginginkan satu model yang tetap bertahan saat diarahkan ke montase mana pun yang sudah dimiliki rumah sakit. Kartu model tidak menyatakan hal ini. Daftar kanal yang menyatakannya untuk mereka.
Keluasan itu juga merupakan klaim rekayasa utama model ini. Encoder 16 juta parameter yang menerima 57 identitas kanal heterogen, menyeragamkan ulang semuanya ke 128 Hz, dan mengembalikan satu embedding per kanal sedang memecahkan masalah perpipaan data yang langsung dikenali oleh siapa pun yang pernah bekerja dengan bentuk gelombang klinis: tidak ada apa pun di rumah sakit yang sepakat soal laju sampling, penamaan lead, atau kanal mana yang benar-benar direkam.
Bagian yang hilang adalah paketnya
Contoh penggunaan kartu ini terdiri dari empat baris:
from lingsante_pulse import LingSantePulse, lalu LingSantePulse.from_pretrained(), lalu model.encode(x, sample_rate=128, channels=[{"modality": "ECG", "lead": "II"}]), lalu cetak bentuknya.
Tidak ada satu pun dari itu yang berjalan saat ini. Impor gagal karena paket tersebut tidak ada di indeks yang secara implisit ditunjuk oleh kartu tersebut. Direktori model berisi bobot dan vektor pengondisian, bukan modul Python. Pembaca yang ingin menggunakan rilis ini hanya punya satu jalur: mengimplementasikan ulang forward pass dari 203 nama tensor, menebak fungsi aktivasi, menebak bagaimana modulasi FiLM diterapkan dan dalam urutan apa, serta berharap statistik normalisasi yang ada adalah statistik yang digunakan para penulis.
Bagi transformer atas patch, itu bukan hal yang mustahil. Itu pekerjaan sehari bagi orang yang fasih PyTorch, dan proyek riset bagi siapa pun selain itu. Namun, "mungkin untuk diimplementasikan ulang" dan "sudah dirilis" adalah dua hal yang berbeda, dan celah di antara keduanya adalah tempat sebagian besar nilai sebuah rilis berada. Bobot tanpa jalur inferensi hanyalah klaim tentang sebuah model, bukan model yang bisa Anda panggil.
Kartu ini menyadari adanya celah. "Pasang paket kode inferensi terpisah sebelum menggunakan aset model ini," katanya, lalu, dalam contoh, "Setelah publikasi, contoh lengkap ini mengunduh model pada penggunaan pertama." Kedua kalimat itu mengarah ke depan. Entah paketnya akan segera hadir, atau rilis ini merupakan langkah prapemosisian — bobotnya ditempatkan di publik agar dapat dikutip, diukur oleh harness internal, dan siap begitu kodenya tersedia.
Apa yang diklaim kartu itu, dan apa yang tidak dicantumkannya
Antarmuka yang didokumentasikan bersifat sempit dan spesifik, yang merupakan keunggulannya.
• Bentuk masukan — [T], [C, T], [B, C, T], atau kamus kanal yang selaras. Rekaman ragged dapat digunakan; Anda memberi tahu model laju sampel sebenarnya dan identitas fisik setiap kanal.
• Prapemrosesan — paket kode tersebut dikatakan menangani penyampelan ulang ke 128 Hz tetap, sampel teramati, dan masker padding penyimpanan. Perhatikan bahwa ini adalah klaim tentang kode yang belum ada.
• Keluaran — CLS dan PatchMean valid teramati dikembalikan secara terpisah sebagai [B, C*256], dengan kanal digabungkan sesuai urutan input; return_tokens=True juga menghasilkan fitur patch dan mask validitas pada interval 0,25 detik.
• Cakupan — "Ini adalah representasi sinyal; head prediksi khusus tugas tidak disertakan." Secara sederhana: Pulse memberi Anda fitur, dan Anda menyediakan pengklasifikasi, detektor, skor risiko.
Apa yang tidak diberikannya: indikasi apa pun tentang untuk apa fitur-fitur itu berguna. Tidak ada tabel linear-probe, tidak ada daftar tugas hilir, tidak ada pernyataan tentang dataset mana encoder dilatih, tidak ada panduan panjang jendela selain contoh 1.280 sampel (sepuluh detik pada 128 Hz), tidak ada pernyataan tentang bagaimana ia menangani kanal yang tidak pernah dilatihnya, dan tidak ada perbandingan dengan model fondasi fisiologis mana pun yang sudah ada. Penghitung langkah menyebutkan 260.000 langkah pelatihan. Itu satu-satunya angka tentang pelatihan dalam seluruh rilis ini.
Mengapa rilis yang hanya berisi bobot sulit dinilai
Sebuah encoder tidak dapat dievaluasi secara abstrak. Kualitasnya sepenuhnya merupakan fungsi dari tugas hilir yang Anda kaitkan dengannya, dan cara standar untuk melaporkannya adalah probe linear fitur beku pada beberapa dataset publik dengan pembagian data yang dinyatakan. Tanpa angka-angka itu, ada tiga hal yang tidak dapat diketahui.
Pertama, {{1}}apakah embedding membawa informasi atau sekadar varians{{/1}}. Vektor 256 dimensi yang diekstrak dari sepuluh detik ECG bisa tampak masuk akal — mulus, terstruktur, stabil antar pasien — namun tetap tidak mengodekan apa pun selain laju jantung dan kualitas sinyal. Hanya sebuah probe yang dapat membedakannya.
Kedua, apakah pengondisian kanal membantu atau hanya dekoratif. Arsitektur ini berinvestasi pada adaptor teks dan 57 identitas kanal. Jika baseline hanya-ECG satu kanal menyamai model penuh, perangkat itu menjadi biaya tanpa manfaat, dan hanya ablasi yang menunjukkan hal itu.
Ketiga, apakah model menggeneralisasi melampaui distribusi pelatihannya. Bentuk gelombang klinis bergeser drastis antarperangkat, penempatan elektroda, dan populasi. "Bekerja pada montase yang pernah dilihatnya" adalah klaim yang jauh lebih lemah daripada "bekerja pada montase di lemari Anda", dan tidak ada apa pun di sini yang menguji klaim kedua.
Tidak satu pun dari ini merupakan tuduhan. Model yang diunggah beberapa jam lalu tanpa makalah adalah langkah awal yang wajar, dan laporan teknisnya mungkin sudah dalam proses peninjauan. Ini semata-mata merupakan gambaran bukti yang jujur, dan pembaca yang memutuskan apakah akan membangun di atas ini harus tahu bahwa satu-satunya hal yang saat ini terverifikasi adalah daftar berkas.
Apa yang akan mengubah ini
Empat hal, dalam urutan menaik menurut seberapa banyak yang akan diungkapkannya kepada Anda.
Rilis PyPI dengan nama lingsante_pulse akan membuat model dapat dijalankan dan mengubah contoh penggunaan kartu model dari dokumentasi menjadi pengujian. Itu adalah langkah berikutnya yang paling kecil dan paling mungkin.
Satu paragraf di kartu yang menyebutkan korpora pelatihan akan memungkinkan pembaca menilai kecocokan domain sebelum menghabiskan sehari untuk integrasi. Saat ini, daftar kanal menyiratkan data tidur dan anestesi tanpa mengonfirmasinya.
Probe fitur beku pada dua atau tiga kumpulan data publik — satu tidur, satu jantung — akan mengubah rilis dari artefak menjadi hasil. Inilah butir yang paling penting dan paling sedikit membebani penulis.
Reproduksi independen akan lebih penting daripada semua hal di atas, dan tidak dapat diatur oleh vendor. Tidak ada yang menjalankan model ini secara publik. Itulah kalimat yang perlu diingat selama beberapa minggu ke depan.
Di mana posisi encoder seperti ini dalam sistem yang berjalan? Encoder ini menghasilkan fitur; ada komponen lain yang harus menalar atas fitur tersebut, dan dalam sebagian besar pipeline klinis komponen itu adalah model bahasa yang membaca ringkasan embedding bersama catatan pasien. Lapisan penalaran itulah yang dilayani OrcaRouter — satu API untuk lebih dari 200 model, harga daftar penyedia diteruskan tanpa tambahan markup, dan failover otomatis saat penyedia mengalami penurunan kinerja. LingSante-Pulse-1.0 sendiri adalah bobot yang di-host sendiri dan tidak ada dalam katalog kami; encoder dan model yang membaca outputnya merupakan keputusan pembelian yang terpisah, dan hanya yang kedua yang memiliki API.
Untuk saat ini, jawaban praktisnya tidak menarik. Jika Anda memiliki data PSG atau bentuk gelombang intraoperatif dan lancar menggunakan PyTorch, unduh file safetensors dan baca header-nya — itu adalah artefak paling informatif dalam rilis ini. Jika Anda membutuhkan sesuatu yang bisa Anda gunakan minggu ini, belum ada apa pun di sini. Bobot sebesar 63,8 MiB adalah janji dengan ukuran file.

Rilis lengkap sebagaimana adanya: tujuh file, salah satunya bobot, tidak ada yang berupa kode.

Apa yang didukung repositori saat ini: jumlah parameter, arsitektur yang dibaca dari bentuk tensor, dan kosakata kanal — tetapi tidak ada tolok ukur, tidak ada paket, dan tidak ada penyedia.
