
LingSante-Pulse-1.0 vs Qwen 3.8: Jeden koduje, drugi odpowiada
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 183 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 741 tok/s
- AlibabaNOWOŚĆQwen: Qwen4 Max2026-11-16$1.50 / $4.50 za 1 mln tokenów · 407 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 87 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 119 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
To zestawienie wygląda na jednostronne, dopóki nie zauważysz, że oba modele nie przyjmują tych samych danych wejściowych. LingSante-Pulse-1.0 ma 16,7 mln parametrów i nie potrafi wygenerować zdania. Qwen3.8-27B ma 27,78 mld parametrów i nie przyjmuje przebiegu fali. Jeden zamienia odprowadzenie EKG, zapis przepływu powietrza lub kanał czołowy EEG na wektor 256 liczb w odstępach co ćwierć sekundy; drugi odczytuje tekst, obrazy i wideo i formułuje odpowiedź. W ramach wspólnego benchmarku żaden nie przewyższa drugiego, ponieważ nie ma wspólnego zadania. W jednym potoku podział pracy jest natychmiastowy.
LingSante-Pulse-1.0 należy do inclusionAI i pojawił się na Hugging Face 20 listopada 2026 o 08:39 UTC bez zapowiedzi, publikacji ani kodu wnioskowania. Laboratorium nie opublikowało o nim niczego; repozytorium stanowi cały publiczny zapis. To określa, co ta strona może stwierdzać. To, co poniżej o Pulse, odczytano z siedmiu plików — nagłówek safetensors jest nieskompresowany, więc architektura jest czytelna — a wszystko o tym, jak zachowuje się poza własnym środowiskiem testowym autorów, jest obecnie nieznane wszystkim poza Ant Group. Strona Qwen3.8 jest odwrotnością: wydana w sierpniu, wyceniona, oceniona przez stronę trzecią, już obsługuje ruch.
Co tak naprawdę znajduje się w repozytorium
Siedem plików: README, licencja MIT, plik wag F32 o rozmiarze 63,8 MiB, konfiguracja zawierająca skróty SHA-256 dla trzech towarzyszących jej plików oraz dwa pliki kanałowe. To całe wydanie. Nie ma żadnych benchmarków, opisu danych treningowych, wyników downstream ani kodu wnioskowania.
Karta odsyła do osobnego pakietu lingsante_pulse. Tego pakietu nie ma na PyPI — ani jako lingsante_pulse, ani jako lingsante-pulse, ani jako lingsante. Sam przykład użycia mówi, że model „pobiera się przy pierwszym użyciu”, co jest dokumentacją napisaną na dzień, który jeszcze nie nadszedł.

To, co nagłówek tensora faktycznie ci daje, to kompletna architektura, wystarczająco mała, by przeczytać ją w jedno popołudnie:
• Rozmiar — LingSante-Pulse-1.0: 16 708 352 parametry w F32, dwanaście bloków transformatora o szerokości 256, 203 tensory. Qwen3.8-27B: 27,78 miliarda parametrów, 64-warstwowy gęsty model multimodalny.
• Wejście — Pulse: tablice próbek o kształcie [T], [C,T] lub [B,C,T], przepróbkowywane do stałej częstotliwości 128 Hz, wraz z zadeklarowaną obok fizyczną tożsamością każdego kanału. Qwen3.8-27B: tekst, obrazy i wideo. Brak ścieżki audio, brak ścieżki surowych szeregów czasowych.
• Wyjście — Pulse: CLS i PatchMean dla obserwowanych prawidłowych wartości jako [B, C*256], plus opcjonalne cechy poszczególnych patchy i maski ważności w odstępach 0,25 sekundy. Qwen3.8-27B: tekst.
• Zakres — Pulse dostarcza wyłącznie reprezentacje. Karta wyraźnie stwierdza, że „głowice predykcyjne dopasowane do konkretnych zadań nie są dołączone”. Klasyfikator, detektor i ocenę ryzyka dostarczasz sam.
• Kontekst — Pulse nie ma okna tokenów w rozumieniu modelu językowego; ma siatkę patchy przy 0,25 s na patch. Qwen3.8-27B przyjmuje 262 144 tokeny.
• Licencja — Pulse: MIT. Qwen3.8-27B: Apache 2.0, wagi można pobrać i uruchomić.
Pięćdziesiąt siedem kanałów opisuje laboratorium snu.
Najbardziej informacyjnymi plikami nie są wagi. Są to channels.json, który nazywa i opisuje wszystkie pięćdziesiąt siedem tożsamości sygnałów akceptowanych przez enkoder, oraz channels.npz, który przechowuje 384-wymiarowy wektor na kanał — 57 z nich, zbudowanych za pomocą BAAI/bge-small-en-v1.5 z użyciem CLS pooling i normalizacji L2. Ta szerokość jest dokładnie szerokością wejścia projekcji text_adapter o wymiarach [256, 384] w pliku wag, co jest najsilniejszą wskazówką w wydaniu co do sposobu działania warunkowania: nazwa kanału jest osadzana jako tekst, rzutowana w dół do 256-szerokiego strumienia rezydualnego modelu i podawana do dwunastu film_heads — każda z nich to projekcja [1024, 256] emitująca wektor modulacji o 1024 wartościach. Nic w karcie nie wyjaśnia, co nimi steruje, więc jest to interpretacja tensorów, a nie udokumentowany fakt.
Żadne z tych połączeń nie jest udokumentowane, więc traktuj to jako wniosek wyciągnięty z kształtów tensorów, a nie jako specyfikację. Udokumentowana jest lista nazw, a czytana po kolei przestaje być ogólnym słownikiem biosygnałów. Trzy odprowadzenia EEG ze skóry głowy „podczas snu”, dwa odprowadzenia EOG „podczas snu”, EMG brody i EMG kończyny dolnej „podczas snu”, przepływ powietrza, wysiłek oddechowy klatki piersiowej i brzucha, chrapanie, SpO2. To montaż polisomnograficzny, w kolejności, w jakiej wymieniłby go technik snu. Potem słownictwo wkracza do innego pomieszczenia: ciśnienie w drogach oddechowych „mierzone przez respirator anestezjologiczny”, CO2 końcowo-wydechowe, częstość oddechów wyliczana z Dräger Primus i z monitora Solar8000, moc EEG BIS w decybelach z czołowego monitora głębokości znieczulenia. Siedemnaście odprowadzeń EKG, w tym pełny zestaw przedsercowy, oraz szesnaście monopolarnych odprowadzeń EOG.
Dwa środowiska kliniczne, jeden słownik. Możliwy do obrony wniosek — wniosek, bo karta milczy — jest taki, że enkoder trenowano na badaniach snu oraz monitorowaniu okołooperacyjnym lub intensywnej opieki, a jego autorzy chcieli jednego modelu, który sprawdzi się w dowolnym montażu, jaki szpital już posiada. Ta szerokość zakresu to prawdziwe twierdzenie inżynierskie w tym wydaniu i twierdzenie, które może sformułować model z 16 milionami parametrów, a model z 27 miliardami parametrów nie.
Dlaczego Qwen3.8-27B nie może odczytać danych wejściowych
To fakt, który zmienia sens całego porównania. Qwen3.8-27B jest multimodalny, ale jego modalności to tekst, obraz i wideo. Nie ma wejścia w postaci fali sygnału. Nie można podać mu 1280 próbek odprowadzenia II przy 128 Hz i zapytać, jaki jest rytm; tokenizator nie ma nic wspólnego z tablicą liczb zmiennoprzecinkowych. W naszym własnym katalogu model jest wymieniony z tekstem, obrazem i wideo po stronie wejścia oraz tekstem po stronie wyjścia i to wszystko.
Uczciwa odpowiedź na pytanie „czy mogę po prostu użyć do tego dużego modelu?” brzmi: nie na surowym sygnale. Masz dwa obejścia. Najpierw wyznacz cechy — częstość rytmu serca, interwały RR, pasma widmowe, ręcznie zbudowane podsumowanie — albo wyrenderuj zapis jako obraz i pozwól wieży wizyjnej spojrzeć na jego obraz. To drugie czasem działa, ale kosztuje cię to, co zawiera sygnał: wykreślony ECG traci kalibrację amplitudy i submilisekundowe informacje czasowe, od których zależy czas trwania QRS, a za ten przywilej płacisz tokenami wizyjnymi. To pierwsze oznacza, że masz już zbudowany ekstraktor cech, a to właśnie zadanie, które Pulse oferuje wykonać naraz dla 57 typów kanałów.
Arytmetyka, która decyduje o architekturze
Załóżmy, że to zignorujesz i mimo wszystko spróbujesz zserializować sygnał do kontekstu Qwen3.8-27B. Weź jedną całonocną rejestrację polisomnograficzną: osiem godzin, 57 kanałów, 128 Hz. To 28 800 sekund i około 210 milionów surowych próbek.
• Patche. Przy 0,25 s na patch jeden kanał daje cztery patche na sekundę. Pięćdziesiąt siedem kanałów daje 228 na sekundę, a cała noc około 6,57 miliona par patch–kanał.
• W porównaniu z oknem. Qwen3.8-27B przyjmuje 262 144 tokeny. Nawet przy jednym tokenie na fragment — kompresja wystarczająco stratna, by przekreślić sens tego ćwiczenia — noc to około 25 razy więcej niż okno.
• Przeciwko temu rachunkowi. Przy naszej podanej cenie wejściowej $0.33 za milion tokenów jeden token na patch kosztuje około $2.17 wyłącznie za dane wejściowe za jedną noc, nie licząc danych wyjściowych, a pracę trzeba podzielić na 25 wywołań, których wyniki następnie trzeba uzgodnić.
Wynik podsumowania Pulse'a dla tego samego nagrania to zupełnie inna kategoria. Na każde okno dziesięciosekundowe CLS i PatchMean zwracane są jako 57 × 256 = 14 592 liczby zmiennoprzecinkowe każda, około 58 KB przy F32; 2 880 okien w ciągu nocy to około 168 MB. Przechowywanie zamiast tego strumienia tokenów dla każdego patcha jest znacznie większe — około 6,7 GB dla nocy przy F32 — dlatego to ścieżka podsumowania, a nie ścieżka tokenów, pasuje do potoku przetwarzania.

Porównanie nie polega więc na tym, „który model jest lepszy”. Enkoder kompresuje noc monitorowania w coś, co system jest w stanie udźwignąć; model językowy wnioskuje na podstawie podsumowań. Mylenie tych dwóch rzeczy prowadzi do tego, że projekty klinicznej AI kończą, płacąc za token za dane, które powinny były zostać skompresowane raz.
W czym Qwen3.8 jest naprawdę lepszy
Wszystko poniżej etapu embeddingu. Qwen3.8-27B to mocny model ogólnego przeznaczenia według niezależnych pomiarów: 20,1 w Artificial Analysis Intelligence Index v5.0.1, 68,1 w ich indeksie kodowania i 90,5 w GPQA Diamond. W karcie modelu Qwen podano 90,3 w LiveCodeBench v6, 84,3 w OSWorld-Verified i 79,0 w QwenSWEBench — wartości raportowane przez dostawcę i nieodtworzone przez nas.
Te liczby nie są powodem, by się tym przejmować. Powodem jest to, że interesujące pytania kliniczne mają charakter tekstowy: czy przy tej liście leków pacjenta, tym podsumowaniu embeddingu i tych wynikach laboratoryjnych ta interakcja jest warta oznaczenia i jakie są dowody? To zadanie językowe i to warstwa, którą zajmuje Qwen3.8.
Istnieją wymowne dowody, że inclusionAI odczytuje ten stos w ten sam sposób. Raport techniczny LingSante MedGuard tego laboratorium, arXiv 2611.25509, datowany na 19 listopada 2026 r., opisuje medyczny mechanizm zabezpieczający zbudowany przez destylację modelu nauczyciela do uczniów o rozmiarach 4B, 9B i 27B — i wskazuje Qwen3.8-Max jako model uruchamiający potok syntezy: dopasowywanie każdego rekordu pacjenta do odpowiedniego wzoru, generowanie pytania i referencyjnego wyprowadzenia, weryfikowanie kroków oraz kategoryzowanie niepowodzeń uczniów w pięciu rundach ponownego trenowania. Raport ten nie mówi nic o LingSante-Pulse-1.0, który nie pojawia się w żadnej publikacji. Ustala jednak, że w należącej do tego laboratorium linii LingSante warstwą rozumowania jest model Qwen3.8, wokół którego rozmieszczono warstwy specjalistyczne. Enkoder i moduł rozumowania to osobne zakupy, dokonane przez ten sam zespół.
Kto powinien wybrać, które
Jeśli masz dane przebiegów fal — polisomnografię, monitorowanie śródoperacyjne, telemetrię, EKG z urządzeń noszonych — i nie masz ekstraktora cech, któremu ufasz, Pulse jest tym, co warto ocenić, z jednym poważnym zastrzeżeniem: nie możesz go dziś uruchomić. „Ocena” obecnie oznacza ponowną implementację przejścia w przód na podstawie 203 nazw tensorów: dwanaście bloków o szerokości 256, połączony QKV o wymiarach [768, 256], bramkowany MLP o wymiarach [2048, 256] do [256, 1024], projekcję łat 32 próbek, adapter tekstowy 384→256 oraz dwanaście głowic FiLM o wymiarach [1024, 256]. Dla kogoś biegle znającego PyTorch to robota na jeden dzień. To nie jest obsługiwana integracja, a dzień poświęcony na to to dzień niepoświęcony na Twój endpoint.
Jeśli Twoim problemem jest tekst — notatki z triage’u, wyszukiwanie wytycznych, przegląd leków, streszczanie karty — Qwen3.8-27B jest już dostępny, ma otwarte wagi i kosztuje $0.33 i $2.40 za milion tokenów wejściowych i wyjściowych w naszym katalogu, ze zmierzonym p50 około 2,3 sekundy i około 76 tokenów wyjściowych na sekundę w ciągu ostatnich siedmiu dni ruchu w playgroundzie. W ramach rodziny Qwen3.8-Flash jest tańszym wyborem za $0.15 i $0.47 z oknem 1M tokenów, a Qwen3.8-Max mocniejszym za $2 i $6 ze wskaźnikiem Intelligence Index 33.7.
Jeśli budujesz cały potok, potrzebujesz obu elementów, a pragmatyczna kolejność to najpierw uruchomić warstwę rozumowania na embeddings, które już produkujesz, a następnie potraktować Pulse jako ulepszenie, które podmienisz, gdy będzie działać. Taka kolejność oznacza też, że pojawienie się enkodera nie jest migracją: interfejs, który on zasila, jest stabilny w obu przypadkach.
Gdzie OrcaRouter pasuje, a gdzie nie
Obsługujemy tę część tego potoku, która odpowiada za rozumowanie. Qwen3.8-27B, Qwen3.8-Flash i Qwen3.8-Max stoją za jednym kluczem API w cenie katalogowej dostawcy, bez doliczanej marży, dzięki czemu zmiana ceny u dostawcy trafia do Ciebie tego samego dnia, a nie dopiero w kolejnym cyklu rozliczeniowym. Jeśli wciąż zastanawiasz się, który rozmiar Qwen3.8 odpowiada za podsumowywanie wykresów, DSL routingu pozwala kierować ruch masowy do Flash i eskalować do Max na podstawie reguły zamiast przepisywania kodu, a automatyczne przełączanie awaryjne nie pozwala, by jeden zdegradowany dostawca wyłączył całą ścieżkę — co ma większe znaczenie niż zwykle, gdy zawieszone zapytanie to zawieszona decyzja kliniczna.
Połowa kodująca nie jest nasza i nie może być. LingSante-Pulse-1.0 to zestaw samodzielnie hostowanych wag bez kodu wnioskowania i bez żadnego hostowanego punktu końcowego, więc nie ma niczego, co router mógłby trasować, i nie ma ceny, którą mógłby przekazać dalej. Twierdzenie inaczej błędnie opisywałoby to, co otrzymujesz. Prawdą jest, że granica między tymi dwiema połowami jest zwykłą tablicą liczb, co jest najłatwiejszym do utrzymania stabilności interfejsem w tym systemie.
Co zmieniłoby ten werdykt?
Cztery rzeczy, w kolejności rosnącej według tego, ile by ci powiedziały.
Wydanie lingsante_pulse w PyPI uczyniłoby model możliwym do wywołania i zamieniłoby przykład z karty z dokumentacji w test. To najmniejszy i najbardziej prawdopodobny następny krok — ten, który przekształca Pulse z artefaktu w zależność.
Liniowa sonda na zamrożonych cechach na dwóch publicznych zbiorach danych — jednym dotyczącym snu, drugim kardiologicznym — odpowiedziałaby na pytanie, na które repozytorium nie potrafi odpowiedzieć: czy te 256 liczb niesie informację kliniczną, czy tylko wariancję. Nikt takiej nie opublikował, a sonda jest wystarczająco tania, że jeden doktorant mógłby rozstrzygnąć tę kwestię w ciągu tygodnia.
Deklaracja zbiorów danych treningowych pozwoliłaby ocenić zgodność domeny przed poświęceniem czasu na integrację. Lista kanałów sugeruje dane dotyczące snu i anestezji; karta tego nie potwierdza, a „działa na montażu, który widział” to znacznie słabsze twierdzenie niż „działa na montażu w twoim budynku”.
A niezależne bezpośrednie porównanie by pomogło — ale nie z Qwen3.8. Porównaniem, które rzeczywiście dostarczyłoby informacji przydatnych przy zakupie, jest zestawienie Pulse z nadzorowanym modelem odniesienia wytrenowanym na własnych danych. To test, którego potrzebuje kupujący, i taki, którego żadna strona nie przeprowadzi za Ciebie.
Na razie podział jest klarowny. LingSante-Pulse-1.0 to 67-megabajtowa obietnica z czytelną architekturą i bez możliwości uruchomienia. Qwen3.8-27B to działający model z opublikowaną ceną i publicznym wynikiem. Ktokolwiek wybiera dziś między nimi, nie wybiera modelu — wybiera, którą połowę pipeline'u zbudować najpierw, a odpowiedzią jest ta połowa, którą faktycznie może wywołać.

Porównane w tym artykule1
Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie
