
LingSante-Pulse-1.0 está no Hugging Face; o código para executá-lo não está.
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 183 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 741 tok/s
- AlibabaNOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 407 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 119 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
LingSante-Pulse-1.0 apareceu no Hugging Face às 08:39 UTC de 20 de novembro de 2026, e às 09:12 da mesma manhã seu autor, inclusionAI, já havia enviado uma revisão. A listagem registra uma curtida e zero downloads. Nada no repositório é um modelo com o qual você possa conversar: LingSante-Pulse-1.0 é um encoder de 16,7 milhões de parâmetros para sinais fisiológicos — ECG, EEG, fluxo de ar, oxigênio sanguíneo — que transforma uma forma de onda em um embedding de comprimento fixo e para por aí. Não houve post de lançamento, nem relatório técnico, nem tabela de benchmarks e, até o momento, nenhum pacote de código para carregá-lo. O card orienta instalar um pacote separado lingsante_pulse; esse pacote não está no PyPI.
O que existe é excepcionalmente legível. Os pesos são fornecidos em F32, o cabeçalho do safetensors é descompactado e legível, e channels.json nomeia todos os cinquenta e sete tipos de sinal que o modelo aceita. Assim, é possível dizer bastante sobre o que este modelo é, e ser preciso sobre o que ninguém fora do laboratório pode ainda confirmar. Este texto mantém essas duas categorias separadas.
O que apareceu, e o que não apareceu
O repositório contém sete arquivos: um README, uma licença MIT, model.safetensors (63,8 MiB de pesos em um repositório de 66,9 MB), config.json, channels.npz, channels.json e o habitual stub de gitattributes. Essa é a versão completa.
Ausente, e cada ausência tem função estrutural:
• Nenhum código de inferência no repositório e nenhum pacote no PyPI com o nome lingsante-pulse ou lingsante_pulse — ambos retornam 404.
• Sem benchmarks. O cartão descreve o comportamento em prosa («transforma sinais fisiológicos como o ECG em embeddings») e não publica quaisquer números de espécie alguma.
• Nenhum relatório técnico. A inclusionAI tem presença no arXiv, e seu repositório irmão LingSante-MedGuard, criado em 17 de novembro de 2026, faz link para um relatório. O cartão Pulse não faz link para nada.
• Nenhum anúncio de qualquer tipo que uma pesquisa na web possa encontrar. A própria ficha do modelo contém a frase "After publication", que soa como um texto escrito antes de o lançamento do pacote ter sido agendado.
• Nenhum provedor de inferência. O Hugging Face informa que o modelo não foi implantado por nenhum provedor, e o card convida os leitores a solicitar suporte.
Um ficheiro é uma pequena surpresa: o config.json contém resumos SHA-256 dos três ficheiros de dados. Isso não é um artefacto de marketing. É o tipo de verificação que uma equipa acrescenta quando espera que os ficheiros sejam copiados de um lado para o outro e quer saber se chegaram intactos.
Doze blocos, 256 dimensões, patches de 32 amostras
O cabeçalho do safetensors lista 203 tensores e seu bloco de metadados indica model: LingSante-Pulse, step: 260000. Reconstruir a arquitetura a partir dos nomes dos tensores é simples — e é a única documentação de arquitetura que existe.
• Profundidade e largura — 12 blocos transformer (blocks.0 a blocks.11), cada um com um fluxo residual de 256 de largura.
Atenção — uma projeção qkv fundida de formato [768, 256], ou seja, chaves, consultas e valores equivalentes a três cabeças de largura 256; não é fornecido nenhum tamanho separado para a projeção de saída além de out em [256, 256].
• Feed-forward — gate_up em [2048, 256] e down em [256, 1024], a assinatura de forma de uma unidade linear com porta, com camada oculta de 1.024 de largura.
• Gating — cada bloco carrega um attention_gate em [256, 256] mais bias, e um film_heads.N correspondente em [1024, 256] que emite um vetor de modulação de 1.024 valores. Doze cabeças FiLM para doze blocos. Nada no card explica o que as condiciona.
• Patchamento — patch.weight é [256, 32]. Trinta e duas amostras por patch, na taxa fixa de 128 Hz especificada pela placa, são exatamente 250 milissegundos, que é o intervalo que o README fornece para as features de token retornadas. A aritmética fecha.
• Mobília de sequência — um token cls, um mask_token e quatro register_tokens em um tensor [1, 4, 256].
• Um caminho de texto — text_adapter.0 projeta 384 dimensões em 256, e text_adapter.1 refina dentro de 256. O card diz que os vetores de condicionamento de canal vêm de BAAI/bge-small-en-v1.5, cuja dimensão oculta é 384. Portanto, o modelo é condicionado a descrições em linguagem natural de seus canais de entrada, projetadas em seu próprio espaço. Essa leitura é uma inferência a partir dos formatos e da nota de proveniência do card, não de um design documentado, mas as duas fontes concordam.
Mais uma cabeça — validity.weight em [256, 64]. Um sinal por posição de que uma amostra foi de fato observada, o que corresponde à menção do cartão a PatchMean válido-observado e máscaras de preenchimento de armazenamento.

Uma ficha de especificações deduzida das formas dos tensores, e não de uma folha de dados: 16,7M de parâmetros, doze blocos com largura 256, patches de 32 amostras a 128 Hz e um adaptador de texto de 384 para 256 para condicionamento de canais.
Cinquenta e sete canais descrevem um laboratório do sono
O ficheiro interessante não são os pesos. É o channels.json, que contém uma descrição em linguagem simples de cada uma das 57 identidades de sinal que o modelo aceita.
Leia a lista em ordem e ela deixa de parecer 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 queixo "durante o sono", um EMG de perna "durante o sono". Fluxo de ar, esforço torácico, esforço abdominal, ronco, SpO2. Isso é uma montagem de polissonografia, na ordem em que um técnico do sono a nomearia.
Em seguida, a lista continua em outra sala. Pressão das vias aéreas "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 de profundidade da anestesia na testa, além de suas duas derivações frontais de EEG. ECG de doze derivações com um conjunto precordial completo, três derivações de membros modificadas e dezesseis derivações EOG monopolares.
Dois ambientes, um único vocabulário de canais. A inferência mais defensável disponível a partir deste repositório é que o codificador foi treinado tanto em estudos do sono quanto em monitoramento perioperatório ou de terapia intensiva — e que seus criadores queriam um modelo que sobrevivesse a ser apontado para qualquer montagem que um hospital já tenha. A ficha não diz isso. A lista de canais diz por eles.
Essa abrangência também é a principal alegação de engenharia do modelo. Um encoder de 16 milhões de parâmetros que aceita 57 identidades de canal heterogêneas, reamostra tudo para 128 Hz e retorna um embedding por canal está resolvendo um problema de encanamento de dados que qualquer pessoa que já trabalhou com formas de onda clínicas reconhece imediatamente: nada em um hospital concorda sobre taxa de amostragem, nomenclatura de derivações ou quais canais foram realmente registrados.
A peça que falta é o pacote
O exemplo de uso do cartão tem quatro linhas:
from lingsante_pulse import LingSantePulse, depois LingSantePulse.from_pretrained(), depois model.encode(x, sample_rate=128, channels=[{"modality": "ECG", "lead": "II"}]), depois imprimir as formas.
Nada disso funciona hoje. A importação falha porque o pacote não existe no índice para o qual o cartão aponta implicitamente. O diretório do modelo contém pesos e vetores de condicionamento, não um módulo Python. Um leitor que queira usar esta versão tem exatamente um caminho: reimplementar o forward pass a partir dos 203 nomes de tensores, adivinhar as funções de ativação, adivinhar como a modulação FiLM é aplicada e em que ordem, e torcer para que as estatísticas de normalização sejam as que os autores usaram.
Para um transformer sobre patches, isso não é impossível. É um dia de trabalho para alguém fluente em PyTorch e um projeto de pesquisa para qualquer outra pessoa. Mas "possível de reimplementar" e "lançado" são coisas diferentes, e a lacuna entre eles é onde mora a maior parte do valor de um lançamento. Pesos sem um caminho de inferência são uma alegação sobre um modelo, não um modelo que você pode invocar.
O card está ciente da emenda. “Instale o pacote separado de código de inferência antes de usar estes ativos de modelo”, diz ele, e então, no exemplo, “Após a publicação, este exemplo completo baixa o modelo no primeiro uso”. Ambas as frases apontam para frente. Ou o pacote está por vir, ou o lançamento é uma jogada de pré-posicionamento — os pesos são colocados em público para que sejam citáveis, mensuráveis por um harness interno e prontos no momento em que o código chegar.
O que o cartão afirma, e o que omite
A interface documentada é restrita e específica, o que é um ponto a seu favor.
• Formas de entrada — [T], [C, T], [B, C, T] ou dicionários de canais alinhados. Gravações irregulares funcionam; você informa ao modelo a taxa de amostragem real e a identidade física de cada canal.
• Pré-processamento — diz-se que o pacote de código trata da reamostragem para uma taxa fixa de 128 Hz, das amostras observadas e das máscaras de preenchimento de armazenamento. Observe que esta é uma afirmação sobre código que ainda não existe.
Saídas — CLS e PatchMean válido-observado retornados separadamente como [B, C*256], com canais concatenados na ordem de entrada; return_tokens=True também produz características de patch e máscaras de validade em intervalos de 0,25 segundo.
• Âmbito — "Estas são representações de sinais; as cabeças de previsão específicas da tarefa não estão incluídas." Em termos simples: o Pulse fornece as características, e você fornece o classificador, o detetor, a pontuação de risco.
O que ele não fornece: qualquer indicação de para que servem essas características. Não há tabela de sonda linear, nem lista de tarefas downstream, nem declaração de em qual conjunto de dados o codificador foi treinado, nem orientação sobre comprimento de janela além do exemplo de 1.280 amostras (dez segundos a 128 Hz), nem declaração sobre como ele lida com canais nos quais nunca foi treinado, e nenhuma comparação com qualquer modelo de fundação fisiológico existente. O contador de etapas indica 260.000 etapas de treinamento. Esse é o único número sobre treinamento em toda a versão.
Por que é difícil pontuar um lançamento apenas de pesos
Um encoder não é avaliável de forma abstrata. A sua qualidade é inteiramente função da tarefa downstream à qual o associa, e a forma padrão de reportar isso é uma sonda linear com características congeladas sobre alguns datasets públicos com um split declarado. Sem esses números, três coisas são impossíveis de conhecer.
Primeiro, se os embeddings carregam informação ou apenas variância. Um vetor de 256 dimensões extraído de dez segundos de ECG pode parecer plausível — suave, estruturado, estável entre pacientes — e ainda assim não codificar nada além de frequência cardíaca e qualidade do sinal. Apenas uma sonda distingue esses casos.
Segundo, se o condicionamento de canais ajuda ou é decorativo. A arquitetura investe em um adaptador de texto e 57 identidades de canal. Se uma linha de base apenas de ECG de canal único igualar o modelo completo, esse aparato é custo sem benefício, e somente uma ablação mostra isso.
Terceiro, se o modelo generaliza para além da sua distribuição de treino. As formas de onda clínicas variam fortemente entre dispositivos, posicionamentos de eletrodos e populações. "Funciona na montagem que viu" é uma afirmação muito mais fraca do que "funciona na montagem que tem no seu armário", e nada aqui testa a segunda.
Nada disso é uma acusação. Um modelo enviado há horas sem artigo é um primeiro passo normal, e o relatório técnico pode já estar em revisão. É simplesmente o estado honesto das evidências, e um leitor que esteja decidindo se constrói algo com base nisso deveria saber que a única coisa atualmente verificada é a listagem de arquivos.
O que mudaria isso
Quatro coisas, em ordem crescente de quanto elas lhe revelariam.
Uma versão no PyPI sob lingsante_pulse tornaria o modelo executável e transformaria o exemplo de uso do card de documentação em teste. Esse é o menor e mais provável próximo passo.
Um parágrafo no cartão que nomeie os corpora de treinamento permitiria ao leitor avaliar a correspondência de domínio antes de gastar um dia na integração. No momento, a lista de canais sugere dados de sono e anestesia sem confirmá-lo.
Uma sonda de características congeladas em dois ou três conjuntos de dados públicos — um de sono, um cardíaco — converteria o lançamento de um artefato em um resultado. Este é o item que mais importa e que menos custa aos autores.
Uma reprodução independente importaria mais do que qualquer um dos pontos acima, e não pode ser providenciada pelo fornecedor. Ninguém executou este modelo em público. Essa é a frase a se ter em mente nas próximas semanas.
Onde se encaixa um encoder como este em um sistema em funcionamento? Ele produz as features; outra coisa precisa raciocinar sobre elas e, na maioria dos pipelines clínicos, essa outra coisa é um modelo de linguagem que lê um resumo do embedding junto com as anotações do paciente. Essa camada de raciocínio é a parte que o OrcaRouter atende — uma única API para mais de 200 modelos, preço de tabela do provedor repassado sem acréscimo de margem, e failover automático quando um provedor degrada. O próprio LingSante-Pulse-1.0 são pesos auto-hospedados e não está em nosso catálogo; o encoder e o modelo que lê sua saída são decisões de compra separadas, e apenas o segundo tem uma API.
Por enquanto, a resposta prática é sem glamour. Se você tem dados de PSG ou de formas de onda intraoperatórias e fluência em PyTorch, baixe o arquivo safetensors e leia o cabeçalho — é o artefato mais informativo do lançamento. Se você precisa de algo que possa chamar esta semana, ainda não há nada aqui. Os 63,8 MiB de pesos são uma promessa com um tamanho de arquivo.

A versão completa como está: sete arquivos, um deles de pesos, nenhum deles de código.

O que o repositório suporta hoje: uma contagem de parâmetros, uma arquitetura lida a partir das formas dos tensores e um vocabulário de canais — mas nenhum benchmark, nenhum pacote e nenhum provedor.
