Una card di titolo generata che recita 'LingSante-Pulse-1.0 vs Qwen 3.8', con sottotitolo 'Uno codifica la traccia. L'altro risponde alla domanda.', sopra due pannelli arrotondati separati da un disco 'vs'. Il pannello sinistro è intestato LingSante-Pulse-1.0 con un badge azzurro pallido 'licenza MIT' e quattro righe grigie: 16,7M parametri, 57 canali di segnale, 128 Hz, patch da 0,25 s, solo embedding. Il pannello destro è intestato Qwen3.8-27B con un badge ambra pallido 'Apache 2.0' e quattro righe grigie: 27,78B parametri, contesto di 262.144 token, testo, immagine e video in ingresso, 0,33 e 2,40 per 1M. Una sottile freccia tratteggiata va dal pannello sinistro a quello destro. Un piè di pagina recita: 'Le cifre di Pulse sono lette dal repository; le cifre di Qwen3.8 secondo Artificial Analysis e il nostro catalogo.' Il logo OrcaRouter è compositato in una striscia bianca lungo il bordo inferiore.
Guides & Insights

LingSante-Pulse-1.0 vs Qwen 3.8: uno codifica, l'altro risponde

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

Il confronto sembra sbilanciato finché non si nota che i due modelli non accettano lo stesso input. LingSante-Pulse-1.0 ha 16,7 milioni di parametri e non può produrre una frase. Qwen3.8-27B ne ha 27,78 miliardi e non può accettare una forma d'onda. Uno trasforma una derivazione ECG, una traccia del flusso aereo o un canale EEG frontale in un vettore di 256 numeri a intervalli di un quarto di secondo; l'altro legge testo, immagini e video e scrive una risposta. Su un benchmark condiviso nessuno dei due batte l'altro, perché non esiste un compito condiviso. In una pipeline la divisione del lavoro è immediata.

LingSante-Pulse-1.0 è di inclusionAI ed è apparso su Hugging Face alle 08:39 UTC del 20 novembre 2026 senza annuncio, senza paper e senza codice di inferenza. Il laboratorio non ha pubblicato nulla al riguardo; il repository è l'intera documentazione pubblica. Questo determina ciò che questa pagina può affermare. Quanto segue su Pulse è ricavato da sette file — l'intestazione dei safetensors non è compressa, quindi l'architettura è leggibile — e qualsiasi cosa riguardi il suo comportamento al di fuori dell'harness degli autori è, al momento, sconosciuta a tutti al di fuori di Ant Group. Il lato Qwen3.8 è l'opposto: rilasciato ad agosto, con un prezzo, valutato da una terza parte, già con traffico.

Cosa c'è effettivamente nel repository

Sette file: un README, una licenza MIT, un file di pesi F32 da 63,8 MiB, una configurazione contenente i digest SHA-256 per i suoi tre file associati e due file di canale. Questa è la release. Non ci sono benchmark, né una descrizione dei dati di addestramento, né risultati a valle, né codice di inferenza.

La scheda ti indirizza a un pacchetto separato lingsante_pulse. Quel pacchetto non è su PyPI — né come lingsante_pulse, né come lingsante-pulse, né come lingsante. L'esempio d'uso stesso dice che il modello "si scarica al primo utilizzo", che è documentazione scritta per un giorno che non è ancora arrivato.

Screenshot of the Hugging Face model page for inclusionAI/LingSante-Pulse-1.0 captured 20 November 2026 in English: the repository header with its like and follow counts, the 'Feature Extraction', 'Safetensors', 'PyTorch', 'physiological-signals' and 'time-series' tags, the MIT licence label, and the model card's opening text stating that a separate inference-code package must be installed before use, above the usage example that imports lingsante_pulse and downloads the model on first use.

Quello che l'header del tensore ti offre è un'architettura completa, abbastanza piccola da poterla leggere in un pomeriggio:

• Dimensione — LingSante-Pulse-1.0: 16.708.352 parametri in F32, dodici blocchi transformer con larghezza 256, 203 tensori. Qwen3.8-27B: 27,78 miliardi di parametri, un modello multimodale denso a 64 strati.

• Ingresso — Pulse: array di campioni con forma [T], [C,T] o [B,C,T], ricampionati a una frequenza fissa di 128 Hz, con l'identità fisica di ogni canale dichiarata a fianco. Qwen3.8-27B: testo, immagini e video. Nessun percorso audio, nessun percorso per serie temporali grezze.

• Output — Pulse: CLS e PatchMean osservato-valido come [B, C*256], più caratteristiche opzionali per patch e maschere di validità con spaziatura di 0,25 secondi. Qwen3.8-27B: testo.

• Ambito — Pulse fornisce solo rappresentazioni. La scheda afferma esplicitamente che "i moduli di previsione specifici per l'attività non sono inclusi". Fornisci tu il classificatore, il rilevatore, il punteggio di rischio.

• Contesto — Pulse non ha una finestra di token nel senso dei modelli linguistici; ha una griglia di patch a 0,25 s per patch. Qwen3.8-27B accetta 262.144 token.

• Licenza — Pulse: MIT. Qwen3.8-27B: Apache 2.0, pesi scaricabili ed eseguibili.

Cinquantasette canali descrivono un laboratorio del sonno

I file più informativi non sono i pesi. Sono channels.json, che assegna un nome e descrive tutte e cinquantasette le identità di segnale accettate dall'encoder, e channels.npz, che contiene un vettore a 384 dimensioni per canale — 57 in totale, costruiti con BAAI/bge-small-en-v1.5 usando CLS pooling e normalizzazione L2. Quella larghezza è esattamente la larghezza di input della proiezione text_adapter a [256, 384] nel file dei pesi, che è l'indizio più forte nella release su come funziona il condizionamento: il nome del canale viene incorporato come testo, proiettato verso il basso fino al residual stream largo 256 del modello e inviato ai dodici film_heads — ciascuno una proiezione [1024, 256] che emette un vettore di modulazione di 1.024 valori. Nulla nella model card spiega cosa li guidi, quindi questa è un'interpretazione dei tensori, non un fatto documentato.

Nessuno di questi collegamenti è documentato, quindi va considerato un’inferenza dalle forme dei tensori più che una specifica. Ciò che è documentato è l’elenco dei nomi e, letto in ordine, smette di essere un vocabolario generico di biosignali. Tre derivazioni EEG sullo scalpo «durante il sonno», due derivazioni EOG «durante il sonno», un EMG del mento e un EMG della gamba «durante il sonno», flusso aereo, sforzo toracico e addominale, russamento, SpO2. Questo è un montaggio polisonnografico, nell’ordine in cui lo elencherebbe un tecnico del sonno. Poi il vocabolario entra in un’altra stanza: pressione delle vie aeree «misurata da un ventilatore per anestesia», CO2 di fine espirazione, frequenza respiratoria ricavata da un Dräger Primus e da un monitor Solar8000, potenza EEG BIS in decibel da un monitor frontale per la profondità dell’anestesia. Diciassette derivazioni ECG, compreso un set precordiale completo, e sedici derivazioni EOG monopolari.

Due contesti clinici, un unico vocabolario. L'inferenza difendibile — inferenza, perché la scheda tace — è che l'encoder sia stato addestrato su studi del sonno e monitoraggio perioperatorio o intensivo, e che i suoi autori volessero un unico modello che funzioni con qualunque montaggio un ospedale abbia già in dotazione. Questa ampiezza è la vera affermazione ingegneristica di questo rilascio, ed è un'affermazione che un modello da 16 milioni di parametri può fare e uno da 27 miliardi non può.

Perché Qwen3.8-27B non riesce a leggere l'input

È questo il fatto che riformula l’intero confronto. Qwen3.8-27B è multimodale, ma le sue modalità sono testo, immagine e video. Non esiste alcun input di forma d’onda. Non puoi passargli 1.280 campioni di derivazione II a 128 Hz e chiedere qual è il ritmo; un tokenizer non ha nulla a che vedere con un array di float. Nel nostro catalogo il modello è elencato con testo, immagine e video sul lato input e testo sul lato output, e questo è tutto.

Quindi la risposta onesta a «posso semplicemente usare un modello grande per questo?» è: non sul segnale grezzo. Hai due soluzioni alternative. Estrai prima le feature — frequenza cardiaca, intervalli RR, bande spettrali, un riepilogo costruito a mano — oppure trasforma la traccia in un'immagine e lascia che il modulo visione guardi un'immagine che la rappresenta. La seconda a volte funziona, ma ti costa ciò che il segnale contiene: un ECG tracciato perde la calibrazione dell'ampiezza e la temporizzazione sub-millisecondo da cui dipende la durata del QRS, e paghi token di visione per questo privilegio. La prima significa che hai già costruito l'estrattore di feature, che è il lavoro che Pulse propone di svolgere su 57 tipi di canale contemporaneamente.

L'aritmetica che decide l'architettura

Supponi di ignorarlo e di provare comunque a serializzare il segnale nel contesto di Qwen3.8-27B. Prendi una registrazione polisonnografica notturna: otto ore, 57 canali, 128 Hz. Sono 28.800 secondi e circa 210 milioni di campioni grezzi.

• Patch. A 0,25 s per patch, un canale produce quattro patch al secondo. Cinquantasette canali ne producono 228 al secondo e l'intera notte circa 6,57 milioni di coppie patch-canale.

• Rispetto alla finestra. Qwen3.8-27B accetta 262.144 token. Anche a un token per patch — una compressione con perdita abbastanza elevata da vanificare l'esercizio — la notte è circa 25 volte la finestra.

• Contro la fattura. Al nostro prezzo di listino per l'input di $0.33 per milione di token, un token per patch costa circa $2.17 solo di input per una singola notte, prima dell'output, e il lavoro deve essere suddiviso in 25 chiamate i cui risultati vanno poi riconciliati.

L'output di riepilogo di Pulse per la stessa registrazione è un ordine di cose diverso. Per ogni finestra di dieci secondi, CLS e PatchMean restituiscono 57 × 256 = 14.592 float ciascuno, circa 58 KB in F32; 2.880 finestre per la notte corrispondono a circa 168 MB. Mantenere invece il flusso di token per patch è molto più grande — circa 6,7 GB per la notte in F32 — ed è per questo che il percorso di riepilogo, non quello dei token, è quello che si adatta a una pipeline.

A generated two-column scoreboard titled 'One night of monitoring by the numbers', with the same six row labels on both sides. The left column is headed LingSante-Pulse-1.0 and reads: Input: waveforms; Step size: 0.25 s patches; Output width: 256 numbers; One night stored: 168 MB; Window fit: fits easily; Hosted price: none. The right column is headed Qwen3.8-27B and reads: Input: text and images; Step size: one token per patch; Output width: text; One night stored: 6.7 GB; Window fit: 25 times over; Hosted price: 2.17 dollars input. A footer reads 'Arithmetic ours for eight hours at 57 channels and 128 Hz; Qwen3.8 price from our own catalogue.' The OrcaRouter logo is composited in a white strip along the bottom edge.

Il confronto, dunque, non è "quale modello sia migliore". L'encoder comprime una notte di monitoraggio in qualcosa che un sistema può trasportare; il modello linguistico ragiona sulle sintesi. Confondere le due cose è il motivo per cui i progetti di IA clinica finiscono per pagare per token dati che avrebbero dovuto comprimere una volta sola.

In cosa Qwen3.8 è davvero migliore

Tutto ciò che sta a valle dell'embedding. Qwen3.8-27B è un modello generalista solido secondo le misurazioni di terze parti: 20,1 sull'Artificial Analysis Intelligence Index v5.0.1, 68,1 sul loro indice di coding e 90,5 su GPQA Diamond. Sulla scheda ufficiale di Qwen riporta 90,3 su LiveCodeBench v6, 84,3 su OSWorld-Verified e 79,0 su QwenSWEBench — valori dichiarati dal fornitore e non riprodotti da noi.

Quei numeri non sono il motivo per cui interessarsi. La ragione è che le domande cliniche interessanti sono di natura testuale: data la lista dei farmaci di questo paziente, questo riepilogo di embedding e questi valori di laboratorio, è questa l'interazione che vale la pena segnalare, e qual è l'evidenza? Questo è un compito linguistico, ed è il livello che Qwen3.8 occupa.

Ci sono prove eloquenti che inclusionAI legge lo stack allo stesso modo. Il rapporto tecnico LingSante MedGuard del laboratorio, arXiv 2611.25509, datato 19 novembre 2026, descrive una barriera di sicurezza medica costruita distillando un modello teacher in studenti da 4B, 9B e 27B — e indica Qwen3.8-Max come il modello che gestisce la pipeline di sintesi: associando ogni cartella paziente a una formula applicabile, generando la domanda e la derivazione di riferimento, verificando i passaggi e categorizzando gli errori degli studenti attraverso cinque cicli di riaddestramento. Quel rapporto non dice nulla su LingSante-Pulse-1.0, che non compare in nessun articolo. Ma stabilisce che nella linea LingSante dello stesso laboratorio il livello di ragionamento è un modello Qwen3.8, con livelli specialistici disposti attorno a esso. L'encoder e il reasoner sono acquisti separati, effettuati dallo stesso team.

Chi dovrebbe scegliere cosa

Se disponi di dati di forma d'onda — polisonnografia, monitoraggio intraoperatorio, telemetria, ECG indossabile — e non hai un estrattore di feature di cui fidarti, Pulse è ciò che devi valutare, con un'avvertenza importante: oggi non puoi eseguirlo. "Valutare" al momento significa reimplementare il forward pass a partire da 203 nomi di tensori: dodici blocchi con larghezza 256, un QKV fuso a [768, 256], un MLP con gating da [2048, 256] a [256, 1024], una proiezione di patch da 32 campioni, un adattatore testuale da 384 a 256 e dodici teste FiLM a [1024, 256]. Per qualcuno che padroneggia PyTorch, è il lavoro di un giorno. Non è un'integrazione supportata, e un giorno speso per questo è un giorno non speso sul tuo endpoint.

Se il tuo problema riguarda il testo — note di triage, recupero delle linee guida, revisione della terapia farmacologica, riepilogo di una cartella clinica — Qwen3.8-27B è ora disponibile, open-weight, e ha un prezzo di $0,33 e $2,40 per milione di token di input e output nel nostro catalogo, con un p50 misurato di circa 2,3 secondi e all'incirca 76 token di output al secondo negli ultimi sette giorni di traffico del playground. All'interno della famiglia, Qwen3.8-Flash è l'opzione più economica a $0,15 e $0,47 con una finestra di 1M token, e Qwen3.8-Max è quello più potente a $2 e $6 con un Intelligence Index di 33,7.

Se stai costruendo l'intera pipeline ti servono entrambi, e l'ordine pragmatico è far funzionare prima il livello di ragionamento sugli embedding che già produci, poi considerare Pulse come un aggiornamento da inserire quando funziona. Questo ordine implica anche che l'arrivo dell'encoder non è una migrazione: l'interfaccia che alimenta è stabile in entrambi i casi.

Dove OrcaRouter è adatto, e dove non lo è

La componente di ragionamento di questa pipeline è quella che eroghiamo. Qwen3.8-27B, Qwen3.8-Flash e Qwen3.8-Max sono disponibilicon un'unica chiave API al prezzo di listino del provider, senza alcun ricarico aggiunto, quindi una variazione di prezzo del fornitore si applica lo stesso giorno anziché al ciclo di fatturazione successivo. Se stai ancora decidendo quale dimensione di Qwen3.8 si occupa della sintesi dei grafici, il DSL di routing ti consente di inviare il traffico in blocco a Flash e di passare a Max in base a una regola invece di una riscrittura, e il failover automatico impedisce che un provider degradato faccia cadere l'intero percorso — cosa che conta più del solito quando una richiesta bloccata è una decisione clinica bloccata.

La metà encoder non è nostra e non può esserlo. LingSante-Pulse-1.0 è un insieme di pesi self-hosted senza codice di inferenza e senza alcun endpoint ospitato, quindi non c'è nulla che un router possa instradare, e nessun prezzo da trasferire. Affermare il contrario descriverebbe male ciò che ottieni. Ciò che è vero è che il confine tra le due metà è un semplice array di numeri, che è l'interfaccia più facile da mantenere stabile in questo sistema.

Cosa cambierebbe questo verdetto?

Quattro cose, in ordine crescente di quanto ti direbbero.

Una release PyPI di lingsante_pulse renderebbe il modello richiamabile e trasformerebbe l'esempio della scheda da documentazione in un test. È il passo successivo più piccolo e probabile, nonché quello che trasforma Pulse da artefatto in dipendenza.

Una sonda lineare su feature congelate applicata a due dataset pubblici — uno sul sonno, uno cardiaco — risponderebbe alla domanda a cui il repository non può rispondere: se quei 256 numeri contengano informazione clinica o soltanto varianza. Nessuno ne ha pubblicata una, e una sonda costa abbastanza poco che un singolo studente magistrale potrebbe risolverla in una settimana.

Una dichiarazione dei corpora di addestramento ti permetterebbe di valutare la corrispondenza di dominio prima di dedicare tempo all'integrazione. L'elenco dei canali implica dati di sonno e anestesia; la scheda non lo conferma, e «funziona sul montaggio che ha visto» è un'affermazione molto più debole di «funziona sul montaggio nel tuo edificio».

E un confronto diretto indipendente aiuterebbe — ma non contro Qwen3.8. Il confronto che informerebbe davvero un acquisto è Pulse contro una baseline supervisionata addestrata sui tuoi dati. È il test di cui un acquirente ha bisogno, ed è quello che nessuna pagina può eseguire per te.

Per ora la divisione è netta. LingSante-Pulse-1.0 è una promessa da 67 MB con un'architettura leggibile e nessun modo per eseguirla. Qwen3.8-27B è un modello funzionante con un prezzo pubblicato e un punteggio pubblico. Chi oggi sceglie tra i due non sta scegliendo un modello — sta scegliendo quale metà di una pipeline costruire per prima, e la risposta è la metà che può effettivamente chiamare.

Screenshot of OrcaRouter's catalogue page for Qwen3.8 27B captured 20 November 2026 in English: the qwen/qwen3.8-27b breadcrumb, input listed as text, image and video with text output, the Apache-2.0 description of a 27B dense multimodal model with a 256K-token context window, zero data retention availability, and the pricing and performance strip showing $0.33 input, $2.40 output, 2.34 s median latency, 10.00 s p95 and 114.6M tokens of traffic.

Confrontati in questo articolo1

Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno