Een gegenereerde titelkaart met 'LingSante-Pulse-1.0' boven de ondertitel 'Gewichten op Hugging Face, geen code om ze te draaien' en een bijschriftregel '16,7M parameters · 12 blokken · 57 signaalkanalen · 0 benchmarks · 0 downloads'. Daaronder twee afgeronde panelen: links met als kop LingSante-Pulse-1.0 en de regels 16,7M parameters, 57 kanaalidentiteiten en geen inferentiepakket; rechts met als kop 'het andere model' met een gepubliceerd model, gedocumenteerde runtime en benchmarks op de kaart. Het OrcaRouter-logo is samengesteld in een witte strook langs de onderrand.
Engineering & Research

LingSante-Pulse-1.0 staat op Hugging Face; de code om het te draaien niet

Auteur

jinhao.song

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

LingSante-Pulse-1.0 verscheen op 20 november 2026 om 08:39 UTC op Hugging Face, en om 09:12 diezelfde ochtend had de auteur, inclusionAI, al een revisie gepusht. De vermelding meldt één like en nul downloads. Niets in de repository is een model waarmee je kunt praten: LingSante-Pulse-1.0 is een encoder met 16,7 miljoen parameters voor fysiologische signalen — ECG, EEG, luchtstroom, bloedzuurstof — die een golfvorm omzet in een embedding met vaste lengte en daar stopt. Er was geen lanceringsbericht, geen technisch rapport, geen benchmarktabel en, op het moment van schrijven, geen codepakket om het mee te laden. De kaart draagt je op een afzonderlijk lingsante_pulse-pakket te installeren; dat pakket staat niet op PyPI.

Wat wél bestaat, is ongewoon leesbaar. De gewichten worden geleverd in F32, de safetensors-header is ongecomprimeerd en leesbaar, en channels.json noemt alle zevenenvijftig signaaltypen die het model accepteert. Het is dus goed mogelijk om veel te zeggen over wat dit model is, en om precies te zijn over wat niemand buiten het lab nog kan bevestigen. Dit stuk houdt die twee categorieën gescheiden.

Wat verscheen, en wat niet

De repository bevat zeven bestanden: een README, een MIT-licentie, model.safetensors (63,8 MiB aan gewichten in een repository van 66,9 MB), config.json, channels.npz, channels.json en de gebruikelijke gitattributes-stub. Dat is de hele release.

Afwezig, en elke afwezigheid is dragend:

• Geen inferentiecode in de repository, en geen pakket op PyPI onder lingsante-pulse of lingsante_pulse — beide geven een 404.

• Geen benchmarks. De kaart beschrijft het gedrag in proza ("zet fysiologische signalen zoals ECG om in embeddings") en publiceert helemaal geen cijfers.

Geen technisch rapport. inclusionAI is aanwezig op arXiv en het zusterrepository LingSante-MedGuard, gemaakt op 17 november 2026, linkt naar een rapport. De Pulse-kaart linkt nergens naar.

• Geen enkele aankondiging die een webzoekopdracht kan vinden. De modelkaart zelf bevat de zin "After publication", wat leest als tekst die geschreven is voordat de release van het pakket was gepland.

• Geen inferentieprovider. Hugging Face meldt dat het model door geen enkele provider is geïmplementeerd, en de kaart nodigt lezers uit om ondersteuning aan te vragen.

Eén bestand is een kleine verrassing: config.json bevat SHA-256-digests voor de drie databestanden. Dat is geen marketingartefact. Het is het soort controle dat een team toevoegt wanneer het verwacht dat de bestanden rondgekopieerd worden en wil weten of ze intact zijn aangekomen.

Twaalf blokken, 256 dimensies, patches van 32 samples

De safetensors-header vermeldt 203 tensors en het metadatablok ervan luidt model: LingSante-Pulse, step: 260000. De architectuur reconstrueren aan de hand van de tensornamen is eenvoudig — en het is de enige architectuurdocumentatie die bestaat.

• Diepte en breedte — 12 transformer-blokken (blocks.0 tot en met blocks.11), elk met een 256 brede residuele stream.

• Attention — een gefuseerde qkv-projectie met vorm [768, 256], dus de hoeveelheid voor drie heads van 256 breed aan keys, queries en values; er wordt geen afzonderlijke grootte voor de outputprojectie gegeven, afgezien van out op [256, 256].

• Feed-forward — gate_up op [2048, 256] en down op [256, 1024], de vormsignatuur van een gated linear unit met een 1.024 brede verborgen laag.

• Gating — elk blok heeft een attention_gate op [256, 256] plus bias, en een bijbehorende film_heads.N op [1024, 256] die een modulatievector van 1.024 waarden uitstuurt. Twaalf FiLM-heads voor twaalf blokken. Niets in de kaart verklaart waardoor ze worden geconditioneerd.

• Patchen — patch.weight is [256, 32]. Tweeëndertig samples per patch, bij de vaste 128 Hz die de kaart voorschrijft, is precies 250 milliseconden, het interval dat de README opgeeft voor geretourneerde tokenfeatures. De berekening klopt.

• Sequentie-onderdelen — één cls-token, één mask_token en vier register_tokens in een [1, 4, 256]-tensor.

• Een tekstpad — text_adapter.0 projecteert 384 dimensies naar 256, en text_adapter.1 verfijnt binnen 256. De kaart zegt dat de kanaalconditie-vectoren afkomstig zijn van BAAI/bge-small-en-v1.5, waarvan de hidden size 384 is. Het model is dus geconditioneerd op beschrijvingen in natuurlijke taal van zijn invoerkanalen, geprojecteerd in zijn eigen ruimte. Die interpretatie is een inferentie op basis van de shapes plus de herkomstnotitie op de kaart, geen gedocumenteerd ontwerp, maar de twee komen overeen.

• Nog een head — validity.weight op [256, 64]. Een signaal per positie dat een sample daadwerkelijk is waargenomen, wat overeenkomt met wat de kaart zegt over observed-valid PatchMean en opslag-paddingmaskers.

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.

Een specsheet afgelezen van tensorshapes in plaats van een datasheet: 16,7M parameters, twaalf blokken op breedte 256, patches van 32 samples bij 128 Hz, en een tekstadapter van 384 naar 256 voor kanaalconditionering.

Zevenenvijftig kanalen beschrijven een slaaplab.

Het interessante bestand zijn niet de gewichten. Het is channels.json, dat een beschrijving in gewoon Engels bevat van elk van de 57 signaalidentiteiten die het model accepteert.

Lees de lijst in volgorde en ze lijkt niet meer op een generieke biosignaalwoordenlijst. Drie EEG-hoofdhuidafleidingen "tijdens de slaap". Twee EOG-afleidingen "tijdens de slaap". Een kin-EMG "tijdens de slaap", een been-EMG "tijdens de slaap". Luchtstroom, thoracale inspanning, abdominale inspanning, snurken, SpO2. Dat is een polysomnografie-montage, in de volgorde waarin een slaaptechnicus die zou opnoemen.

Dan gaat de lijst verder in een andere ruimte. Luchtwegdruk "gemeten door een anesthesieventilator". End-tidaal CO2. Ademfrequentie afgeleid van een Dräger Primus en van een Solar8000-monitor. BIS-EEG-vermogen in decibel van een voorhoofdmonitor voor anesthesiediepte, plus de twee frontale EEG-afleidingen. Twaalfafleidingen-ECG met een volledige precordiale set, drie gemodificeerde extremiteitsafleidingen en zestien monopolaire EOG-afleidingen.

Twee omgevingen, één kanaalvocabulaire. De best verdedigbare gevolgtrekking die deze repository toelaat, is dat de encoder is getraind op zowel slaapstudies als perioperatieve of intensivecaremonitoring — en dat de ontwerpers één model wilden dat overeind blijft ongeacht op welke montage een ziekenhuis al beschikt. De kaart zegt dit niet. De kanalenlijst zegt het voor hen.

Die breedte is ook de belangrijkste technische claim van het model. Een encoder met 16 miljoen parameters die 57 heterogene kanaalidentiteiten accepteert, alles naar 128 Hz resamplet en één embedding per kanaal retourneert, lost een datapijplijnprobleem op dat iedereen die met klinische golfvormen heeft gewerkt onmiddellijk herkent: niets in een ziekenhuis is het eens over bemonsteringsfrequentie, naamgeving van afleidingen of welke kanalen daadwerkelijk zijn geregistreerd.

Het ontbrekende stuk is het pakket.

Het gebruiksvoorbeeld van de kaart is vier regels lang:

from lingsante_pulse import LingSantePulse, dan LingSantePulse.from_pretrained(), dan model.encode(x, sample_rate=128, channels=[{"modality": "ECG", "lead": "II"}]), en print vervolgens de shapes.

Niets daarvan werkt vandaag. De import mislukt omdat het pakket niet bestaat op de index waarnaar de kaart impliciet verwijst. De modelmap bevat gewichten en conditioneringsvectoren, geen Python-module. Een lezer die deze release wil gebruiken, heeft precies één route: de forward pass opnieuw implementeren op basis van de 203 tensor-namen, de activatiefuncties raden, raden hoe de FiLM-modulatie wordt toegepast en in welke volgorde, en hopen dat de normalisatiestatistieken degene zijn die de auteurs hebben gebruikt.

Voor een transformer over patches is dat niet onmogelijk. Het is een dag werk voor iemand die vloeiend met PyTorch werkt, en een onderzoeksproject voor alle anderen. Maar "mogelijk te herimplementeren" en "uitgeleverd" zijn verschillende dingen, en de kloof daartussen is waar het grootste deel van de waarde van een release zit. Gewichten zonder een inferentiepad zijn een bewering over een model, geen model dat je kunt aanroepen.

De kaart is zich bewust van de naad. "Installeer het afzonderlijke inferentiecodepakket voordat u deze modelassets gebruikt," staat er, en dan, in het voorbeeld: "Na publicatie downloadt dit volledige voorbeeld het model bij het eerste gebruik." Beide zinnen wijzen vooruit. Ofwel het pakket komt eraan, ofwel de release is een zet om vooraf positie in te nemen — de gewichten zijn openbaar geplaatst zodat ze citeerbaar zijn, meetbaar door een interne harness, en klaar op het moment dat de code verschijnt.

Wat de kaart beweert, en wat zij weglaat

De gedocumenteerde interface is beperkt en specifiek, wat een pluspunt is.

• Invoervormen — [T], [C, T], [B, C, T], of uitgelijnde kanaalwoordenboeken. Ragged-opnamen werken; je geeft het model de werkelijke bemonsteringsfrequentie en de fysieke identiteit van elk kanaal.

• Voorverwerking — er wordt gezegd dat het codepakket hersampling naar een vaste 128 Hz, waargenomen samples en opslag-paddingmaskers afhandelt. Merk op dat dit een bewering is over code die nog niet bestaat.

• Uitvoer — CLS en waargenomen-geldige PatchMean afzonderlijk geretourneerd als [B, C*256], met kanalen aaneengeschakeld in invoervolgorde; return_tokens=True levert ook patchkenmerken en geldigheidsmaskers met een tussenruimte van 0,25 seconde.

• Reikwijdte — "Dit zijn signaalrepresentaties; taakspecifieke voorspellingskoppen zijn niet inbegrepen." Simpel gezegd: Pulse levert je kenmerken, en jij levert de classifier, de detector, de risicoscore.

Wat het je niet geeft: enige aanwijzing waarvoor die kenmerken goed zijn. Er is geen linear-probe-tabel, geen lijst met downstreamtaken, geen vermelding op welke dataset de encoder is getraind, geen richtlijn voor vensterlengte buiten het voorbeeld van 1.280 samples (tien seconden bij 128 Hz), geen uitspraak over hoe het omgaat met kanalen waarop het nooit is getraind, en geen vergelijking met enig bestaand fysiologisch foundationmodel. De stappenteller zegt 260.000 trainingsstappen. Dat is het enige getal over training in de hele release.

Waarom een drop met alleen gewichten moeilijk te scoren is

Een encoder valt niet op zichzelf te evalueren. De kwaliteit ervan is volledig afhankelijk van de downstream-taak die je eraan koppelt, en de standaardmanier om dat te rapporteren is een lineaire probe met bevroren features over een handvol openbare datasets met een vermelde split. Zonder die cijfers zijn drie dingen onkenbaar.

Ten eerste of de embeddings informatie bevatten of louter variantie. Een 256-dimensionale vector die uit tien seconden ECG is geëxtraheerd, kan plausibel lijken — glad, gestructureerd, stabiel over patiënten heen — en toch niets anders coderen dan hartslag en signaalkwaliteit. Alleen een probe kan dat onderscheiden.

Ten tweede, of de kanaalconditionering helpt of louter decoratief is. De architectuur investeert in een tekstadapter en 57 kanaalidentiteiten. Als een baseline met één kanaal op basis van alleen ECG het volledige model evenaart, is die machinerie kosten zonder baten, en alleen een ablatiestudie toont dat aan.

Ten derde, of het model generaliseert buiten zijn trainingsdistributie. Klinische golfvormen verschuiven sterk tussen apparaten, elektrodeplaatsingen en populaties. "Werkt op de montage die het heeft gezien" is een veel zwakkere bewering dan "werkt op de montage in je kast", en niets hier test het tweede.

Niets hiervan is een beschuldiging. Een model dat enkele uren geleden is geüpload zonder paper is een normale eerste stap, en het technische rapport is mogelijk al in beoordeling. Het is simpelweg de eerlijke stand van het bewijs, en een lezer die besluit of hij hierop voortbouwt, zou moeten weten dat het enige dat momenteel is geverifieerd de bestandslijst is.

Wat zou dit veranderen

Vier dingen, in oplopende volgorde van hoeveel ze je zouden vertellen.

Een PyPI-release onder lingsante_pulse zou het model uitvoerbaar maken en het gebruiksvoorbeeld op de kaart van documentatie omzetten in een test. Dat is de kleinste en meest waarschijnlijke volgende stap.

Een paragraaf in de kaart die de trainingscorpora noemt, zou een lezer in staat stellen om de domeinmatch te beoordelen voordat hij een dag aan integratie besteedt. Op dit moment suggereert de kanalenlijst slaap- en anesthesiegegevens zonder dit te bevestigen.

Een frozen-feature-probe op twee of drie openbare datasets — één slaapdataset, één cardiale — zou de release van een artefact in een resultaat omzetten. Dit is het punt dat er het meest toe doet en de auteurs het minst kost.

Een onafhankelijke reproductie zou belangrijker zijn dan al het bovenstaande, en kan niet door de leverancier worden geregeld. Niemand heeft dit model in het openbaar gedraaid. Dat is de zin die je de komende weken in gedachten moet houden.

Waar zit een encoder zoals deze in een werkend systeem? Hij produceert de kenmerken; iets anders moet daarover redeneren, en in de meeste klinische pipelines is dat iets een taalmodel dat een samenvatting van de embedding leest naast de notities van de patiënt. Die redeneerlaag is het deel dat OrcaRouter levert — één API voor meer dan 200 modellen, de lijstprijs van de provider doorgegeven zonder extra marge, en automatische failover wanneer een provider achteruitgaat. LingSante-Pulse-1.0 zelf bestaat uit zelfgehoste gewichten en staat niet in onze catalogus; de encoder en het model dat de uitvoer ervan leest, zijn afzonderlijke aankoopbeslissingen, en alleen de tweede heeft überhaupt een API.

Voorlopig is het praktische antwoord niet glamoureus. Als je PSG- of intraoperatieve golfvormgegevens hebt en vaardig bent met PyTorch, download dan het safetensors-bestand en lees de header — het is het meest informatieve artefact in de release. Als je iets nodig hebt dat je deze week kunt aanroepen, is er hier nog niets. De 63,8 MiB aan gewichten is een belofte met een bestandsgrootte.

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.

De complete release zoals die er nu uitziet: zeven bestanden, één daarvan gewichten, geen ervan 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.

Wat de repository vandaag ondersteunt: een parametertelling, een architectuur afgelezen van tensorvormen, en een kanaalvocabulaire — maar geen benchmark, geen package en geen provider.