Ett genererat titelkort med texten "LingSante-Pulse-1.0" ovanför undertiteln "Vikter på Hugging Face, ingen kod för att köra dem" och en bildtextrad "16,7M parametrar · 12 block · 57 signalkanaler · 0 benchmarks · 0 nedladdningar". Nedanför två rundade paneler: den vänstra med rubriken LingSante-Pulse-1.0 och raderna 16,7M parametrar, 57 kanalidentiteter och inget inferenspaket; den högra med rubriken "den andra modellen" med publicerad modell, dokumenterad körtid och benchmarks på sitt kort. OrcaRouter-logotypen är komponerad i en vit remsa längs den nedre kanten.
Engineering & Research

LingSante-Pulse-1.0 finns på Hugging Face; koden för att köra den gör det inte

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

LingSante-Pulse-1.0 dök upp på Hugging Face kl. 08:39 UTC den 20 november 2026, och redan kl. 09:12 samma morgon hade dess författare, inclusionAI, pushat en revision. Listningen rapporterar en gilla-markering och noll nedladdningar. Ingenting i repositoriet är en modell som du kan prata med: LingSante-Pulse-1.0 är en encoder med 16,7 miljoner parametrar för fysiologiska signaler – ECG, EEG, luftflöde, blodsyre – som omvandlar en vågform till en inbäddning av fast längd och stannar där. Det fanns inget lanseringsinlägg, ingen teknisk rapport, ingen benchmarktabell och, i skrivande stund, inget kodpaket att ladda den med. Kortet instruerar dig att installera ett separat paket, lingsante_pulse; det paketet finns inte på PyPI.

Det som finns är ovanligt läsbart. Vikterna levereras i F32, safetensors-huvudet är okomprimerat och läsbart, och channels.json namnger alla femtiosju signaltyper som modellen accepterar. Så det går att säga ganska mycket om vad den här modellen är, och att vara precis om vad ingen utanför labbet ännu kan bekräfta. Den här texten håller de två kategorierna åtskilda.

Vad som dök upp, och vad som inte gjorde det

Repositoriet innehåller sju filer: en README, en MIT-licens, model.safetensors (63,8 MiB vikter i ett repositorium på 66,9 MB), config.json, channels.npz, channels.json och den vanliga gitattributes-stubben. Det är hela releasen.

Frånvarande, och varje frånvaro är bärande:

• Ingen inferenskod i repositoriet, och inget paket på PyPI under vare sig lingsante-pulse eller lingsante_pulse — båda returnerar 404.

• Inga benchmarks. Kortet beskriver beteendet i löpande text ("omvandlar fysiologiska signaler som EKG till embeddingar") och publicerar inga siffror av något slag.

• Ingen teknisk rapport. inclusionAI har en närvaro på arXiv, och dess systerrepository LingSante-MedGuard, skapat den 17 november 2026, länkar till en rapport. Pulse-kortet länkar ingenting.

• Inget tillkännagivande av något slag som går att hitta via webbsökning. Själva modellkortet innehåller frasen "After publication", vilket låter som text som skrivits innan paketets lansering var schemalagd.

• Ingen inferensleverantör. Hugging Face rapporterar att modellen inte är driftsatt av någon leverantör, och modellkortet uppmanar läsare att begära support.

En fil är en liten överraskning: {{1}}config.json{{/1}} innehåller SHA-256-sammandrag för de tre datafilerna. Det är inte en marknadsföringsartefakt. Det är den typ av kontroll som ett team lägger till när det förväntar sig att filerna ska kopieras runt och vill veta att de kom fram intakta.

Tolv block, 256 dimensioner, patchar med 32 sampel

Safetensors-huvudet listar 203 tensorer och dess metadatablock anger model: LingSante-Pulse, step: 260000. Att rekonstruera arkitekturen från tensornamnen är enkelt — och det är den enda arkitekturdokumentation som finns.

• Djup och bredd — 12 transformerblock (blocks.0 till blocks.11), var och en med en residualström med bredden 256.

Attention – en sammanslagen qkv-projektion med formen [768, 256], alltså nycklar, frågor och värden för tre 256-breda huvuden; ingen separat storlek för utprojektionen anges utöver out vid [256, 256].

• Feed-forward – gate_up vid [2048, 256] och down vid [256, 1024], formsignaturen för en gated linear unit med ett dolt lager som är 1 024 brett.

Gating – varje block har en attention_gate på [256, 256] plus bias, och en matchande film_heads.N på [1024, 256] som avger en modulationsvektor med 1 024 värden. Tolv FiLM-huvuden för tolv block. Inget i kortet förklarar vad som betingar dem.

• Patchning — patch.weight är [256, 32]. Trettiotvå sampel per patch, vid den fasta 128 Hz som kortet anger, är exakt 250 millisekunder, vilket är det intervall som README anger för returnerade tokenfunktioner. Aritmetiken går ihop.

• Sekvensens fasta delar — en cls-token, en mask_token och fyra register_tokens i en tensor med formen [1, 4, 256].

• En textväg — text_adapter.0 projicerar 384 dimensioner till 256, och text_adapter.1 förfinar inom 256. Kortet säger att kanalkonditionsvektorerna kommer från BAAI/bge-small-en-v1.5, vars hidden size är 384. Så modellen betingas på naturliga språkbeskrivningar av sina indatakanaler, projicerade in i sitt eget utrymme. Den tolkningen är en slutledning från formerna plus kortets proveniensanteckning, inte en dokumenterad design, men de två stämmer överens.

• Ett huvud till — validity.weight vid [256, 64]. En signal per position om att ett sampel faktiskt observerades, vilket stämmer med kortets tal om observerat giltiga PatchMean och masker för lagringspadding.

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.

Ett specifikationsblad avläst från tensorformer snarare än ett datablad: 16,7M parametrar, tolv block med bredd 256, patchar på 32 sampel vid 128 Hz och en 384-till-256-textadapter för kanalkonditionering.

Femtiosju kanaler beskriver ett sömnlaboratorium

Den intressanta filen är inte vikterna. Det är channels.json, som innehåller en beskrivning på enkel engelska av var och en av de 57 signalidentiteter som modellen accepterar.

Läs listan i ordning, så slutar den se ut som en generisk biosignalvokabulär. Tre EEG-skalpelektroder "under sömn". Två EOG-elektroder "under sömn". En hak-EMG "under sömn", en ben-EMG "under sömn". Luftflöde, thoraxansträngning, abdominal ansträngning, snarkning, SpO2. Det är ett polysomnografimontage, i den ordning en sömntekniker skulle namnge det.

Sedan fortsätter listan in i ett annat rum. Luftvägstryck "uppmätt av en anestesiventilator". End-tidal CO2. Andningsfrekvens härledd från en Dräger Primus och från en Solar8000-monitor. BIS EEG-effekt i decibel från en pannmonitor för anestesidjup, plus dess två frontala EEG-avledningar. Tolvleds-EKG med ett fullständigt precordiellt set, tre modifierade extremitetsavledningar och sexton monopolära EOG-avledningar.

Två miljöer, en kanalvokabulär. Den mest försvarbara slutsatsen man kan dra av det här repositoryt är att kodaren tränades på både sömnstudier och perioperativ eller intensivvårdsövervakning – och att dess konstruktörer ville ha en enda modell som klarar av att riktas mot vilket montage ett sjukhus redan har. Modellkortet säger inte detta. Kanallistan säger det åt dem.

Den bredden är också modellens främsta tekniska argument. En kodare med 16 miljoner parametrar som tar emot 57 heterogena kanalidentiteter, samplar om allt till 128 Hz och returnerar en inbäddning per kanal löser ett dataflödesproblem som alla som har arbetat med kliniska vågformer omedelbart känner igen: på ett sjukhus råder ingen enighet om samplingsfrekvens, avledningsnamn eller vilka kanaler som faktiskt registrerades.

Den saknade biten är paketet

Kortets användningsexempel är fyra rader långt:

from lingsante_pulse import LingSantePulse, sedan LingSantePulse.from_pretrained(), sedan model.encode(x, sample_rate=128, channels=[{"modality": "ECG", "lead": "II"}]), skriv sedan ut formerna.

Inget av det där fungerar i dag. Importen misslyckas eftersom paketet inte finns på det index som kortet implicit pekar på. Modellkatalogen innehåller vikter och konditioneringsvektorer, inte en Python-modul. En läsare som vill använda den här utgåvan har exakt en väg: att återimplementera framåtpassningen utifrån de 203 tensornamnen, gissa aktiveringsfunktionerna, gissa hur FiLM-moduleringen tillämpas och i vilken ordning, och hoppas att normaliseringsstatistiken är den som författarna använde.

För en transformer över patchar är det inte omöjligt. Det är en dags arbete för någon som är flytande i PyTorch, och ett forskningsprojekt för alla andra. Men "möjligt att återimplementera" och "levererat" är olika saker, och gapet mellan dem är där det mesta av värdet i en release ligger. Vikter utan en inferensväg är ett påstående om en modell, inte en modell du kan anropa.

Kortet känner till skarven. ”Installera det separata inferenskodspaketet innan du använder dessa modelltillgångar”, står det, och sedan, i exemplet: ”Efter publicering laddar detta fullständiga exempel ned modellen vid första användningen.” Båda meningarna pekar framåt. Antingen är paketet på väg, eller så är släppet ett förberedande drag – vikterna läggs ut offentligt så att de kan citeras, mätas med en intern testram och vara redo i samma stund som koden landar.

Vad kortet hävdar och vad det utelämnar

Det dokumenterade gränssnittet är snävt och specifikt, vilket är en fördel.

• Ingångsformat – [T], [C, T], [B, C, T] eller alignerade kanallexikon. Oregelbundna inspelningar fungerar; du talar om för modellen vilken den verkliga samplingsfrekvensen är och den fysiska identiteten hos varje kanal.

• Förbearbetning — kodpaketet sägs hantera omsampling till en fast 128 Hz, observerade sampel och masker för lagringspadding. Observera att detta är ett påstående om kod som ännu inte existerar.

• Utdata — CLS och observerat giltigt PatchMean returneras separat som [B, C*256], med kanaler sammanfogade i indataordning; return_tokens=True ger även patchfunktioner och giltighetsmasker med 0,25 sekunders intervall.

• Omfattning – "Dessa är signalrepresentationer; uppgiftsspecifika prediktionshuvuden ingår inte." I klartext: Pulse ger dig särdrag, och du tillhandahåller klassificeraren, detektorn och riskpoängen.

Vad det inte ger dig: någon indikation på vad dessa egenskaper är bra för. Det finns ingen tabell för linjära prober, ingen lista över nedströmsuppgifter, inget uttalande om vilken datamängd kodaren tränades på, ingen vägledning om fönsterlängd utöver exemplet med 1 280 sampel (tio sekunder vid 128 Hz), inget uttalande om hur den hanterar kanaler som den aldrig tränades på, och ingen jämförelse med någon befintlig fysiologisk grundmodell. Stegräknaren anger 260 000 träningssteg. Det är det enda numret om träning i hela utgåvan.

Varför ett släpp som endast innehåller vikter är svårt att poängsätta

En kodare är inte utvärderbar i abstrakt. Dess kvalitet är helt och hållet en funktion av den nedströmsuppgift du kopplar den till, och det standardmässiga sättet att rapportera det är en linjär sond på frysta särdrag över ett antal offentliga dataset med en angiven delning. Utan dessa siffror är tre saker omöjliga att veta.

För det första, huruvida inbäddningarna bär information eller bara varians. En 256-dimensionell vektor som extraherats från tio sekunders EKG kan se trovärdig ut – jämn, strukturerad, stabil mellan patienter – och ändå inte koda något annat än hjärtfrekvens och signalkvalitet. Endast en probe skiljer dessa åt.

För det andra, huruvida kanalkonditioneringen hjälper eller bara är dekorativ. Arkitekturen investerar i en textadapter och 57 kanalidentiteter. Om en enkanalig ECG-only-baslinje matchar den fullständiga modellen är det maskineriet en kostnad utan nytta, och endast en ablation visar det.

För det tredje, huruvida modellen generaliserar bortom sin träningsfördelning. Kliniska vågformer skiftar kraftigt mellan enheter, elektrodplaceringar och populationer. "Fungerar på det montage den såg" är ett mycket svagare påstående än "fungerar på montaget i ditt skåp", och inget här testar det andra.

Inget av detta är en anklagelse. En modell som laddades upp för några timmar sedan utan någon artikel är ett normalt första steg, och den tekniska rapporten kan redan vara under granskning. Det är helt enkelt det ärliga läget för bevisningen, och en läsare som beslutar sig för om den ska bygga vidare på detta bör veta att det enda som för närvarande är verifierat är fillistan.

Vad skulle förändra detta

Fyra saker, i stigande ordning efter hur mycket de skulle berätta för dig.

En PyPI-utgåva under lingsante_pulse skulle göra modellen körbar och förvandla kortets användningsexempel från dokumentation till ett test. Det är det minsta och mest sannolika nästa steget.

Ett stycke i kortet som namnger träningskorpusarna skulle göra det möjligt för en läsare att bedöma domänmatchningen innan hen lägger en dag på integration. Just nu antyder kanallistan sömn- och anestesidata utan att bekräfta det.

En probe med frysta features på två eller tre offentliga dataset – ett sömn-, ett hjärtdataset – skulle förvandla releasen från en artefakt till ett resultat. Detta är den punkt som betyder mest och kostar författarna minst.

En oberoende reproduktion skulle betyda mer än något av det ovanstående och kan inte ombesörjas av leverantören. Ingen har kört den här modellen offentligt. Det är meningen man ska komma ihåg under de kommande veckorna.

Var passar en encoder som den här in i ett fungerande system? Den producerar features; något annat måste resonera kring dem, och i de flesta kliniska pipelines är det en språkmodell som läser en sammanfattning av embeddingen tillsammans med patientens journalanteckningar. Det resonemangslagret är den del som OrcaRouter tillhandahåller — ett API för över 200 modeller, leverantörens listpris förs vidare utan påslag, och automatisk failover när en leverantörs tjänst försämras. LingSante-Pulse-1.0 i sig är självhostade vikter och finns inte i vår katalog; encodern och modellen som läser dess utdata är separata inköpsbeslut, och endast den andra har överhuvudtaget ett API.

Just nu är det praktiska svaret oglamoröst. Om du har PSG- eller intraoperativa vågformsdata och behärskar PyTorch, ladda ner safetensors-filen och läs headern – det är den mest informativa artefakten i släppet. Om du behöver något du kan anropa den här veckan finns det inget här ännu. De 63,8 MiB vikterna är ett löfte med en filstorlek.

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.

Den kompletta utgåvan i sitt nuvarande skick: sju filer, en av dem vikter, ingen av dem kod.

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.

Vad repot stöder i dag: ett parameterantal, en arkitektur avläst från tensorformer och en kanalvokabulär – men ingen benchmark, inget paket och ingen leverantör.