Una card del titolo generata con scritto "LingSante-Pulse-1.0" sopra il sottotitolo "Pesi su Hugging Face, nessun codice per eseguirli" e una riga di didascalia "16,7M parametri · 12 blocchi · 57 canali di segnale · 0 benchmark · 0 download". Sotto, due pannelli arrotondati: quello a sinistra intitolato LingSante-Pulse-1.0 con le righe 16,7M parametri, 57 identità di canale e nessun pacchetto di inferenza; quello a destra intitolato "l'altro modello" con modello pubblicato, runtime documentato e benchmark sulla sua scheda. Il logo OrcaRouter è composto in una striscia bianca lungo il bordo inferiore.
Engineering & Research

LingSante-Pulse-1.0 è su Hugging Face; il codice per eseguirlo no.

Autore

jinhao.song

Data di pubblicazione

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

LingSante-Pulse-1.0 è apparso su Hugging Face alle 08:39 UTC del 20 novembre 2026 e, già alle 09:12 della stessa mattina, il suo autore, inclusionAI, aveva pubblicato una revisione. La scheda riporta un like e zero download. Nulla nel repository è un modello con cui si possa conversare: LingSante-Pulse-1.0 è un encoder da 16,7 milioni di parametri per segnali fisiologici — ECG, EEG, flusso d'aria, ossigeno nel sangue — che trasforma una forma d'onda in un embedding di lunghezza fissa e si ferma lì. Non c'è stato alcun post di lancio, nessun report tecnico, nessuna tabella di benchmark e, al momento in cui scriviamo, nessun pacchetto di codice con cui caricarlo. La card ti indica di installare un pacchetto separato, lingsante_pulse; quel pacchetto non è su PyPI.

Ciò che esiste è insolitamente leggibile. I pesi vengono distribuiti in F32, l'intestazione di safetensors è non compressa e leggibile, e channels.json elenca tutti e cinquantasette i tipi di segnale che il modello accetta. Quindi è possibile dire parecchio su cosa sia questo modello ed essere precisi su ciò che nessuno fuori dal laboratorio può ancora confermare. Questo articolo mantiene separate queste due categorie.

Cosa è apparso, e cosa no

Il repository contiene sette file: un README, una licenza MIT, model.safetensors (63,8 MiB di pesi in un repository da 66,9 MB), config.json, channels.npz, channels.json e il consueto stub gitattributes. Questa è l'intera release.

Assente, e ogni assenza è portante:

• Nessun codice di inferenza nel repository e nessun pacchetto su PyPI con il nome lingsante-pulse o lingsante_pulse — entrambi restituiscono 404.

• Nessun benchmark. La scheda descrive il comportamento in prosa ("trasforma segnali fisiologici come l'ECG in embedding") e non pubblica numeri di alcun tipo.

• Nessun report tecnico. inclusionAI è presente su arXiv, e il suo repository gemello LingSante-MedGuard, creato il 17 novembre 2026, rimanda a un report. La scheda Pulse non rimanda a nulla.

• Nessun annuncio di alcun tipo che una ricerca web possa trovare. La model card stessa contiene la frase "After publication", che suona come un testo scritto prima che fosse programmata la pubblicazione del pacchetto.

• Nessun provider di inferenza. Hugging Face segnala che il modello non è distribuito da alcun provider e la scheda invita i lettori a richiedere supporto.

Un file è una piccola sorpresa: config.json contiene i digest SHA-256 per i tre file di dati. Non è un artefatto di marketing. È il tipo di controllo che un team aggiunge quando si aspetta che i file vengano copiati qua e là e vuole sapere che sono arrivati intatti.

Dodici blocchi, 256 dimensioni, patch da 32 campioni

L'intestazione di safetensors elenca 203 tensori e il suo blocco di metadati riporta model: LingSante-Pulse, step: 260000. Ricostruire l'architettura dai nomi dei tensori è semplice — ed è l'unica documentazione dell'architettura esistente.

• Profondità e larghezza — 12 blocchi transformer (da blocks.0 a blocks.11), ciascuno con un flusso residuo di 256 dimensioni.

Attenzione — una proiezione qkv fusa di forma [768, 256], quindi chiavi, query e valori per tre teste da 256; non viene fornita alcuna dimensione separata per la proiezione di output oltre a out a [256, 256].

• Feed-forward — gate_up a [2048, 256] e down a [256, 1024], la firma dimensionale di un'unità lineare con gating con uno strato nascosto da 1.024 unità.

• Gating — ogni blocco contiene un attention_gate a [256, 256] più bias, e un film_heads.N corrispondente a [1024, 256] che emette un vettore di modulazione di 1.024 valori. Dodici teste FiLM per dodici blocchi. Niente nella scheda spiega cosa le condiziona.

• Patching — patch.weight è [256, 32]. Trentadue campioni per patch, alla frequenza fissa di 128 Hz specificata dalla scheda, corrispondono esattamente a 250 millisecondi, ovvero l'intervallo che il README indica per le feature dei token restituiti. Il calcolo torna.

• Arredamento sequenziale — un token cls, un mask_token e quattro register_tokens in un tensore [1, 4, 256].

• Un percorso testuale — text_adapter.0 proietta 384 dimensioni in 256, e text_adapter.1 affina all'interno di 256. La scheda indica che i vettori di condizionamento dei canali provengono da BAAI/bge-small-en-v1.5, la cui dimensione nascosta è 384. Quindi il modello è condizionato su descrizioni in linguaggio naturale dei suoi canali di input, proiettate nel proprio spazio. Questa lettura è un'inferenza basata sulle forme e sulla nota di provenienza della scheda, non su un design documentato, ma le due cose concordano.

• Un'altra testa — validity.weight a [256, 64]. Un segnale per posizione che indica che un campione è stato effettivamente osservato, il che coincide con quanto detto nella scheda riguardo a PatchMean osservato-valido e alle maschere di padding dello storage.

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 scheda tecnica ricavata dalle forme dei tensori anziché da un datasheet: 16,7M parametri, dodici blocchi con larghezza 256, patch da 32 campioni a 128 Hz e un adattatore testuale da 384 a 256 per il condizionamento dei canali.

Cinquantasette canali descrivono un laboratorio del sonno

Il file interessante non sono i pesi. È channels.json, che contiene una descrizione in linguaggio semplice di ciascuna delle 57 identità di segnale accettate dal modello.

Leggi l'elenco in ordine e smette di sembrare un generico vocabolario di biosegnali. Tre derivazioni EEG sullo scalpo {{1}}durante il sonno{{/1}}. Due derivazioni EOG {{2}}durante il sonno{{/2}}. Un EMG del mento {{3}}durante il sonno{{/3}}, un EMG della gamba {{4}}durante il sonno{{/4}}. Flusso aereo, sforzo toracico, sforzo addominale, russamento, SpO2. Questo è un montaggio polisonnografico, nell'ordine in cui lo elencherebbe un tecnico del sonno.

Poi l'elenco prosegue in un'altra stanza. Pressione delle vie aeree "misurata da un ventilatore per anestesia". CO2 di fine espirazione. Frequenza respiratoria derivata da un Dräger Primus e da un monitor Solar8000. Potenza BIS EEG in decibel da un monitor frontale di profondità dell'anestesia, più le sue due derivazioni EEG frontali. ECG a dodici derivazioni con un set precordiale completo, tre derivazioni degli arti modificate e sedici derivazioni EOG monopolari.

Due contesti, un unico vocabolario di canali. L'inferenza più difendibile che questo repository consenta è che l'encoder sia stato addestrato sia su studi del sonno sia su monitoraggio perioperatorio o in terapia intensiva — e che i suoi progettisti volessero un unico modello in grado di reggere l'essere puntato verso qualunque montaggio un ospedale già possieda. La scheda non lo dice. È la lista dei canali a dirlo al posto suo.

Quell'ampiezza è anche il principale punto di forza ingegneristico del modello. Un encoder da 16 milioni di parametri che accetta 57 identità di canale eterogenee, ricampiona tutto a 128 Hz e restituisce un embedding per canale risolve un problema di data plumbing che chiunque abbia lavorato con forme d'onda cliniche riconosce immediatamente: nulla, in un ospedale, concorda su frequenza di campionamento, denominazione delle derivazioni o quali canali siano stati effettivamente registrati.

Il pezzo mancante è il pacchetto

L'esempio di utilizzo della carta è lungo quattro righe:

from lingsante_pulse import LingSantePulse, poi LingSantePulse.from_pretrained(), poi model.encode(x, sample_rate=128, channels=[{"modality": "ECG", "lead": "II"}]), poi stampa le dimensioni.

Niente di tutto ciò funziona oggi. L'importazione fallisce perché il pacchetto non esiste sull'indice a cui la scheda punta implicitamente. La directory del modello contiene pesi e vettori di condizionamento, non un modulo Python. Chi vuole usare questa versione ha esattamente una strada: reimplementare il forward pass a partire dai 203 nomi dei tensori, indovinare le funzioni di attivazione, indovinare come viene applicata la modulazione FiLM e in quale ordine, e sperare che le statistiche di normalizzazione siano quelle usate dagli autori.

Per un transformer sui patch, non è impossibile. È una giornata di lavoro per chi ha dimestichezza con PyTorch, e un progetto di ricerca per chiunque altro. Ma "possibile da reimplementare" e "rilasciato" sono cose diverse, e il divario tra le due è dove vive la maggior parte del valore di un rilascio. Pesi senza un percorso di inferenza sono un'affermazione su un modello, non un modello che puoi chiamare.

La card è consapevole della cucitura. «Installate il pacchetto separato per il codice di inferenza prima di usare questi asset del modello», si legge, e poi, nell’esempio: «Dopo la pubblicazione, questo esempio completo scarica il modello al primo utilizzo». Entrambe le frasi guardano avanti. O il pacchetto sta arrivando, oppure il rilascio è una mossa di preposizionamento — i pesi collocati in pubblico così da essere citabili, misurabili da un harness interno e pronti nel momento in cui il codice arriverà.

Cosa afferma la carta e cosa omette

L'interfaccia documentata è ristretta e specifica, il che è un punto a suo favore.

Formati di input — [T], [C, T], [B, C, T], o dizionari di canali allineati. Le registrazioni irregolari funzionano; indichi al modello la frequenza di campionamento reale e l'identità fisica di ciascun canale.

• Preprocessing — si dice che il pacchetto di codice gestisca il ricampionamento a una frequenza fissa di 128 Hz, i campioni osservati e le maschere di riempimento per l'archiviazione. Si noti che questa è un'affermazione relativa a un codice che non esiste ancora.

• Output — CLS e PatchMean observed-valid restituiti separatamente come [B, C*256], con i canali concatenati nell'ordine di input; return_tokens=True restituisce anche le feature delle patch e le maschere di validità a intervalli di 0,25 secondi.

• Ambito — "Queste sono rappresentazioni del segnale; le teste di previsione specifiche per attività non sono incluse." In termini semplici: Pulse ti fornisce le caratteristiche, e tu fornisci il classificatore, il rilevatore, il punteggio di rischio.

Quello che non ti fornisce: alcuna indicazione di a cosa servano quelle caratteristiche. Non c'è alcuna tabella di linear probe, alcun elenco di attività downstream, alcuna dichiarazione su quale dataset sia stato addestrato l'encoder, alcuna indicazione sulla lunghezza della finestra oltre l'esempio di 1.280 campioni (dieci secondi a 128 Hz), alcuna dichiarazione su come gestisca canali sui quali non è mai stato addestrato, e alcun confronto con qualsiasi modello fondazionale fisiologico esistente. Il contatore dei passi indica 260.000 passi di addestramento. Questo è l'unico numero sull'addestramento presente nell'intera release.

Perché un drop di soli pesi è difficile da valutare

Un encoder non è valutabile in astratto. La sua qualità è interamente funzione del task downstream a cui lo si collega, e il modo standard di riportarlo è una sonda lineare su feature congelate attraverso una manciata di dataset pubblici con uno split dichiarato. Senza quei numeri, tre cose sono inconoscibili.

Innanzitutto, se gli embedding trasportano informazione o soltanto varianza. Un vettore a 256 dimensioni estratto da dieci secondi di ECG può sembrare plausibile — fluido, strutturato, stabile tra i pazienti — e comunque codificare nient'altro che frequenza cardiaca e qualità del segnale. Solo una probe distingue questi casi.

In secondo luogo, se il condizionamento dei canali aiuti o sia decorativo. L'architettura investe in un adattatore testuale e in 57 identità di canale. Se una baseline solo ECG a canale singolo eguaglia il modello completo, quel meccanismo è un costo senza beneficio, e solo un'ablazione lo dimostra.

Terzo, se il modello generalizzi oltre la propria distribuzione di addestramento. Le forme d'onda cliniche cambiano molto tra dispositivi, posizionamenti degli elettrodi e popolazioni. "Funziona sul montaggio su cui è stato addestrato" è un'affermazione molto più debole di "funziona sul montaggio che hai nell'armadio", e qui nulla mette alla prova la seconda.

Niente di tutto ciò è un'accusa. Un modello caricato poche ore fa senza un articolo è un normale primo passo, e il rapporto tecnico potrebbe già essere in revisione. È semplicemente lo stato onesto delle evidenze, e chi decide se basarsi su questo dovrebbe sapere che l'unica cosa attualmente verificata è l'elenco dei file.

Cosa cambierebbe questo

Quattro cose, in ordine crescente di quanto ti direbbero.

Una release su PyPI con il nome lingsante_pulse renderebbe il modello eseguibile e trasformerebbe l'esempio d'uso della card da documentazione a test. Questo è il prossimo passo più piccolo e più probabile.

Un paragrafo nella scheda che indichi i corpora di addestramento permetterebbe al lettore di valutare la corrispondenza di dominio prima di dedicare una giornata all'integrazione. Al momento l'elenco dei canali lascia intendere dati relativi al sonno e all'anestesia senza confermarlo.

Una sonda a caratteristiche congelate su due o tre dataset pubblici — uno sul sonno, uno cardiaco — trasformerebbe il rilascio da un artefatto in un risultato. Questo è l'elemento che conta di più e che costa meno agli autori.

Una riproduzione indipendente conterebbe più di tutto quanto sopra, e non può essere organizzata dal fornitore. Nessuno ha eseguito questo modello in pubblico. È questa la frase da tenere a mente per le prossime settimane.

Dove si colloca un encoder come questo in un sistema in funzione? È lui a produrre le feature; qualcos'altro deve ragionarci sopra e, nella maggior parte delle pipeline cliniche, quel qualcos'altro è un modello linguistico che legge un riepilogo dell'embedding insieme alle note del paziente. Quel livello di ragionamento è la parte servita da OrcaRouter — un'unica API su oltre 200 modelli, prezzo di listino del provider passato senza aggiunta di ricarichi, e failover automatico quando un provider peggiora. LingSante-Pulse-1.0 di per sé è pesi self-hosted e non è nel nostro catalogo; l'encoder e il modello che legge il suo output sono decisioni di acquisto separate, e solo il secondo ha un'API.

Per ora la risposta pratica è poco entusiasmante. Se disponi di dati PSG o di dati di forma d'onda intraoperatoria e hai dimestichezza con PyTorch, scarica il file safetensors e leggine l'intestazione — è l'artefatto più informativo del rilascio. Se ti serve qualcosa che puoi usare questa settimana, qui non c'è ancora nulla. I 63,8 MiB di pesi sono una promessa con una dimensione di file.

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 release completa così com'è: sette file, uno dei quali contiene i pesi, nessuno dei quali è codice.

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.

Cosa supporta oggi il repository: un conteggio dei parametri, un'architettura ricavata dalle forme dei tensori e un vocabolario dei canali — ma nessun benchmark, nessun pacchetto e nessun provider.