Um cartão de título gerado com o texto 'LingSante-Pulse-1.0 vs Qwen 3.8', com o subtítulo 'Um codifica o traço. O outro responde à pergunta.', acima de dois painéis arredondados divididos por um disco 'vs'. O painel esquerdo tem o cabeçalho LingSante-Pulse-1.0 com um selo azul-claro 'licença MIT' e quatro linhas cinzentas: 16,7M parâmetros, 57 canais de sinal, 128 Hz, patches de 0,25 s, apenas embeddings. O painel direito tem o cabeçalho Qwen3.8-27B com um selo âmbar-claro 'Apache 2.0' e quatro linhas cinzentas: 27,78B parâmetros, contexto de 262.144 tokens, texto, imagem e vídeo na entrada, 0,33 e 2,40 por 1M. Uma seta pontilhada fina vai do painel esquerdo para o direito. Um rodapé diz 'Os valores do Pulse foram lidos do repositório; os valores do Qwen3.8 segundo a Artificial Analysis e o nosso catálogo.' O logótipo OrcaRouter está composto numa faixa branca ao longo da margem inferior.
Guides & Insights

LingSante-Pulse-1.0 vs Qwen 3.8: Um Codifica, o Outro Responde

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

O confronto parece desequilibrado até você perceber que os dois modelos não aceitam a mesma entrada. LingSante-Pulse-1.0 tem 16,7 milhões de parâmetros e não consegue produzir uma frase. Qwen3.8-27B tem 27,78 bilhões e não consegue aceitar uma forma de onda. Um transforma uma derivação de ECG, um traçado de fluxo aéreo ou um canal frontal de EEG em um vetor de 256 números em intervalos de um quarto de segundo; o outro lê texto, imagens e vídeo e escreve uma resposta. Em um benchmark compartilhado, nenhum supera o outro, porque não há uma tarefa compartilhada. Em um pipeline, a divisão do trabalho é imediata.

LingSante-Pulse-1.0 é da inclusionAI e apareceu no Hugging Face às 08:39 UTC de 20 de novembro de 2026, sem anúncio, sem artigo e sem código de inferência. O laboratório não publicou nada sobre ele; o repositório é o registro público completo. Isso molda o que esta página pode afirmar. O que segue sobre o Pulse é lido a partir de sete arquivos — o cabeçalho safetensors é descompactado, então a arquitetura é legível — e qualquer coisa sobre como ele se comporta fora do ambiente de avaliação dos próprios autores é, neste momento, desconhecida para todos fora do Ant Group. O lado do Qwen3.8 é o oposto: lançado em agosto, com preço definido, avaliado por terceiros, já recebendo tráfego.

O que está realmente no repositório

Sete arquivos: um README, uma licença MIT, um arquivo de pesos F32 de 63,8 MiB, um arquivo de configuração que contém digests SHA-256 para seus três arquivos complementares, e dois arquivos de canal. Esse é o lançamento. Não há benchmarks, nem descrição dos dados de treinamento, nem resultados downstream, nem código de inferência.

O cartão indica um pacote separado lingsante_pulse. Esse pacote não está no PyPI — nem em lingsante_pulse, nem em lingsante-pulse, nem em lingsante. O próprio exemplo de uso diz que o modelo "faz o download no primeiro uso", o que é uma documentação escrita para um dia que ainda não chegou.

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.

O que o cabeçalho do tensor oferece de fato é uma arquitetura completa, pequena o suficiente para ser lida em uma tarde:

• Tamanho — LingSante-Pulse-1.0: 16.708.352 parâmetros em F32, doze blocos transformer com largura 256, 203 tensores. Qwen3.8-27B: 27,78 bilhões de parâmetros, um modelo multimodal denso de 64 camadas.

• Entrada — Pulse: matrizes de amostras com formato [T], [C,T] ou [B,C,T], reamostradas para uma taxa fixa de 128 Hz, com a identidade física de cada canal declarada ao lado delas. Qwen3.8-27B: texto, imagens e vídeo. Sem caminho de áudio, sem caminho de séries temporais brutas.

• Saída — Pulse: CLS e PatchMean válido observado como [B, C*256], além de características opcionais por patch e máscaras de validade em intervalos de 0,25 segundo. Qwen3.8-27B: texto.

• Escopo — O Pulse entrega apenas representações. O card deixa explícito que "cabeças de predição específicas da tarefa não estão incluídas". Você fornece o classificador, o detector, a pontuação de risco.

• Contexto — O Pulse não tem janela de tokens no sentido de modelo de linguagem; ele tem uma grade de patches de 0,25 s por patch. O Qwen3.8-27B aceita 262.144 tokens.

• Licença — Pulse: MIT. Qwen3.8-27B: Apache 2.0, pesos baixáveis e executáveis.

Cinquenta e sete canais descrevem um laboratório do sono

Os arquivos mais informativos não são os pesos. São channels.json, que nomeia e descreve todas as cinquenta e sete identidades de sinal que o codificador aceita, e channels.npz, que contém um vetor de 384 dimensões por canal — 57 deles, construídos com BAAI/bge-small-en-v1.5 usando pooling CLS e normalização L2. Essa largura é exatamente a largura de entrada da projeção text_adapter em [256, 384] no arquivo de pesos, que é a pista mais forte no lançamento sobre como o condicionamento funciona: o nome do canal é incorporado como texto, projetado para o fluxo residual de 256 dimensões do modelo e alimentado aos doze film_heads — cada um uma projeção [1024, 256] que emite um vetor de modulação de 1.024 valores. Nada no card explica o que os rege, então isso é uma leitura dos tensores, não um fato documentado.

Nada dessa fiação está documentado, então trate isso como uma inferência a partir das formas dos tensores, e não como uma especificação. O que está documentado é a lista de nomes e, lida em ordem, ela deixa de ser um vocabulário genérico de biossinais. Três derivações de EEG no couro cabeludo "durante o sono", duas derivações de EOG "durante o sono", um EMG de mento e um EMG de perna "durante o sono", fluxo aéreo, esforço torácico e abdominal, ronco, SpO2. Isso é uma montagem de polissonografia, na ordem em que um técnico em sono a nomearia. Depois, o vocabulário entra em outra sala: pressão de via aérea "medida por um ventilador de anestesia", CO2 ao final da expiração, frequência respiratória derivada de um Dräger Primus e de um monitor Solar8000, potência do EEG BIS em decibéis de um monitor frontal de profundidade de anestesia. Dezessete derivações de ECG, incluindo um conjunto precordial completo, e dezesseis derivações monopulares de EOG.

Dois contextos clínicos, um vocabulário. A inferência defensável — inferência, porque a ficha técnica não diz nada — é que o encoder foi treinado em estudos do sono e em monitoramento perioperatório ou de cuidados intensivos, e que seus autores queriam um modelo que funcionasse com qualquer montagem que um hospital já tivesse. Essa amplitude é a verdadeira proposta de engenharia deste lançamento, e é uma proposta que um modelo de 16 milhões de parâmetros pode fazer e um de 27 bilhões de parâmetros não pode.

Por que o Qwen3.8-27B não consegue ler a entrada

Este é o facto que reenquadra toda a comparação. O Qwen3.8-27B é multimodal, mas as suas modalidades são texto, imagem e vídeo. Não há entrada de forma de onda. Não é possível entregar-lhe 1 280 amostras de derivação II a 128 Hz e perguntar qual é o ritmo; um tokenizador não tem nada a ver com um array de floats. No nosso próprio catálogo, o modelo está listado com texto, imagem e vídeo do lado da entrada e texto do lado da saída, e é tudo.

Então, a resposta honesta para “posso simplesmente usar um modelo grande para isso?” é: não com o sinal bruto. Você tem duas soluções alternativas. Extraia as características primeiro — frequência cardíaca, intervalos RR, bandas espectrais, um resumo construído manualmente — ou renderize o traço como imagem e deixe a torre de visão olhar para uma imagem dele. A segunda às vezes funciona, mas custa o que o sinal contém: um ECG plotado perde a calibração de amplitude e a temporização sub-milissegundo da qual uma duração do QRS depende, e você paga tokens de visão por esse privilégio. A primeira significa que você já construiu o extrator de características, que é o trabalho que a Pulse está oferecendo para fazer em 57 tipos de canal de uma só vez.

A aritmética que decide a arquitetura

Suponha que você ignore isso e tente serializar o sinal no contexto do Qwen3.8-27B de qualquer maneira. Considere um registro de polissonografia de uma noite: oito horas, 57 canais, 128 Hz. Isso dá 28.800 segundos e cerca de 210 milhões de amostras brutas.

• Patches. A 0,25 s por patch, um canal produz quatro patches por segundo. Cinquenta e sete canais produzem 228 por segundo, e a noite inteira cerca de 6,57 milhões de pares patch-canal.

• Contra a janela. O Qwen3.8-27B aceita 262.144 tokens. Mesmo a um token por patch — uma compressão com perdas suficiente para inviabilizar o exercício — a noite é cerca de 25 vezes a janela.

• Contra a conta. Ao nosso preço de entrada anunciado de US$ 0,33 por milhão de tokens, um token por patch custa cerca de US$ 2,17 apenas de entrada por uma única noite, antes da saída, e o trabalho precisa ser dividido em 25 chamadas cujos resultados você depois concilia.

A saída de resumo do Pulse para a mesma gravação é outra ordem de coisa. Por janela de dez segundos, CLS e PatchMean retornam como 57 × 256 = 14.592 floats cada, cerca de 58 KB em F32; 2.880 janelas para a noite são aproximadamente 168 MB. Manter o fluxo de tokens por patch em vez disso é muito maior — cerca de 6,7 GB para a noite em F32 — e é por isso que o caminho de resumo, e não o caminho de tokens, é o que cabe em um 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.

A comparação, portanto, não é "qual modelo é melhor". O codificador comprime uma noite de monitoramento em algo que um sistema consegue carregar; o modelo de linguagem raciocina sobre resumos. Confundir os dois é como projetos de IA clínica acabam pagando por token por dados que deveriam ter sido comprimidos uma única vez.

Em que o Qwen3.8 é genuinamente melhor

Tudo a jusante do embedding. O Qwen3.8-27B é um modelo generalista forte segundo medições de terceiros: 20,1 no Artificial Analysis Intelligence Index v5.0.1, 68,1 no índice de codificação deles e 90,5 no GPQA Diamond. No próprio model card da Qwen, ele registra 90,3 no LiveCodeBench v6, 84,3 no OSWorld-Verified e 79,0 no QwenSWEBench — valores relatados pelo fornecedor e não reproduzidos por nós.

Esses números não são o motivo para se importar. O motivo é que as perguntas clínicas interessantes são textuais: dada a lista de medicamentos deste paciente, este resumo de embeddings e estes valores laboratoriais, esta é a interação que vale a pena sinalizar, e qual é a evidência? Essa é uma tarefa de linguagem, e é a camada que o Qwen3.8 ocupa.

Há evidências reveladoras de que a inclusionAI lê a stack da mesma forma. O relatório técnico LingSante MedGuard, arXiv 2611.25509, datado de 19 de novembro de 2026, descreve uma barreira de segurança médica construída pela destilação de um professor em alunos de 4B, 9B e 27B — e nomeia o Qwen3.8-Max como o modelo que executa o pipeline de síntese: associando cada registro de paciente a uma fórmula aplicável, gerando a pergunta e a derivação de referência, verificando as etapas e categorizando as falhas dos alunos ao longo de cinco rodadas de retreinamento. Esse relatório não diz nada sobre o LingSante-Pulse-1.0, que não aparece em artigo algum. Mas estabelece que, na própria linha LingSante deste laboratório, a camada de raciocínio é um modelo Qwen3.8, com camadas especialistas organizadas ao seu redor. O encoder e o componente de raciocínio são aquisições separadas, feitas pela mesma equipe.

Quem deve escolher qual?

Se você tem dados de forma de onda — polissonografia, monitoramento intraoperatório, telemetria, ECG vestível — e nenhum extrator de características em que confie, o Pulse é o que avaliar, com uma ressalva dura: você não pode executá-lo hoje. “Avaliar” atualmente significa reimplementar o forward pass a partir de 203 nomes de tensores: doze blocos com largura 256, um QKV fundido em [768, 256], uma MLP com portão em [2048, 256] para [256, 1024], uma projeção de patch de 32 amostras, um adaptador de texto de 384 para 256 e doze cabeças FiLM em [1024, 256]. Para alguém fluente em PyTorch, isso é trabalho de um dia. Não é uma integração suportada, e um dia gasto nisso é um dia não gasto no seu endpoint.

Se o seu problema for texto — notas de triagem, recuperação de diretrizes, revisão de medicação, resumo de um prontuário —, o Qwen3.8-27B está disponível agora, com pesos abertos, e custa US$ 0,33 e US$ 2,40 por milhão de tokens de entrada e saída em nosso catálogo, com um p50 medido de cerca de 2,3 segundos e aproximadamente 76 tokens de saída por segundo ao longo dos últimos sete dias de tráfego do playground. Dentro da família, o Qwen3.8-Flash é a opção mais barata, a US$ 0,15 e US$ 0,47 com uma janela de 1M tokens, e o Qwen3.8-Max é a mais forte, a US$ 2 e US$ 6, com um Índice de Inteligência de 33,7.

Se você está construindo o pipeline inteiro, precisa dos dois, e a ordem pragmática é fazer a camada de raciocínio funcionar primeiro com os embeddings que você já produz, e então tratar o Pulse como uma atualização que você substitui quando ele estiver funcionando. Essa ordem também significa que a chegada do encoder não é uma migração: a interface que ele alimenta é estável de qualquer forma.

Onde o OrcaRouter se encaixa, e onde não

A parte de raciocínio deste pipeline é o que oferecemos. Qwen3.8-27B, Qwen3.8-Flash e Qwen3.8-Max ficam atrás de uma única chave de API pelo preço de lista do provedor, sem margem adicionada, então uma mudança de preço do fornecedor é aplicada no mesmo dia, e não no seu próximo ciclo de cobrança. Se você ainda está decidindo qual tamanho do Qwen3.8 dá conta da sumarização de prontuários, a DSL de roteamento permite enviar o tráfego em massa para o Flash e escalar para o Max com base em uma regra, em vez de uma reescrita, e o failover automático impede que um provedor degradado derrube todo o caminho — o que importa mais do que o normal quando uma solicitação travada é uma decisão clínica travada.

A metade codificadora não é nossa e não pode ser. O LingSante-Pulse-1.0 é um conjunto de pesos auto-hospedados sem código de inferência e sem endpoint hospedado em lugar nenhum, então não há nada para um roteador rotear, e nenhum preço a repassar. Alegar o contrário descreveria incorretamente o que você recebe. O que é verdade é que a fronteira entre as duas metades é um array simples de números, que é a interface mais fácil de manter estável neste sistema.

O que mudaria este veredito?

Quatro coisas, em ordem crescente de quanto elas lhe revelariam.

Uma publicação no PyPI de lingsante_pulse tornaria o modelo chamável e transformaria o exemplo do card de documentação em um teste. Esse é o menor e mais provável próximo passo, e o que converte o Pulse de um artefato em uma dependência.

Uma sonda linear de características congeladas em dois conjuntos de dados públicos — um de sono, outro cardíaco — responderia à pergunta que o repositório não consegue: se esses 256 números carregam informação clínica ou apenas variância. Ninguém publicou uma, e uma sonda é barata o suficiente para que um único estudante de pós-graduação possa resolver isso em uma semana.

Uma descrição dos corpora de treinamento permitiria avaliar a correspondência de domínio antes de gastar tempo com a integração. A lista de canais sugere dados de sono e anestesia; a ficha não confirma isso, e “funciona na montagem que viu” é uma afirmação muito mais fraca do que “funciona na montagem do seu prédio”.

E uma comparação direta e independente ajudaria — mas não contra o Qwen3.8. A comparação que realmente informaria uma compra é o Pulse contra uma linha de base supervisionada treinada com seus próprios dados. Esse é o teste de que um comprador precisa, e é o único que nenhuma página pode executar por você.

Por enquanto, a divisão é clara. O LingSante-Pulse-1.0 é uma promessa de 67 MB com uma arquitetura legível e nenhuma maneira de executá-lo. O Qwen3.8-27B é um modelo funcional com um preço publicado e uma pontuação pública. Quem escolhe entre eles hoje não está escolhendo um modelo — está escolhendo qual metade de um pipeline construir primeiro, e a resposta é a metade que consegue de fato chamar.

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.

Comparados neste artigo1

Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente