การ์ดชื่อเรื่องที่สร้างขึ้นซึ่งอ่านว่า 'LingSante-Pulse-1.0' เหนือคำบรรยายย่อย 'เวตต์อยู่บน Hugging Face แต่ไม่มีโค้ดสำหรับรัน' และบรรทัดคำอธิบายภาพ 'พารามิเตอร์ 16.7M · 12 บล็อก · 57 ช่องสัญญาณ · 0 เบนช์มาร์ก · 0 ดาวน์โหลด' ด้านล่างเป็นแผงมุมโค้งสองแผง: แผงซ้ายมีหัวข้อ LingSante-Pulse-1.0 พร้อมแถวข้อมูล 16.7M พารามิเตอร์, อัตลักษณ์ช่องสัญญาณ 57 รายการ และไม่มีแพ็กเกจอินเฟอเรนซ์; แผงขวามีหัวข้อ 'โมเดลอีกตัว' พร้อมโมเดลที่เผยแพร่แล้ว รันไทม์ที่มีเอกสารประกอบ และเบนช์มาร์กบนการ์ดของมัน โลโก้ OrcaRouter ถูกคอมโพสิตอยู่ในแถบสีขาวตามขอบด้านล่าง
Engineering & Research

LingSante-Pulse-1.0 อยู่บน Hugging Face; แต่โค้ดสำหรับรันมันกลับไม่มี

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

LingSante-Pulse-1.0ปรากฏบน Hugging Face เมื่อเวลา 08:39 UTC วันที่ 20 พฤศจิกายน 2026 และภายในเวลา 09:12 ของเช้าวันเดียวกัน ผู้เขียนคือ inclusionAI ก็ได้ส่งฉบับแก้ไขขึ้นไปแล้ว รายการนี้ระบุว่ามีหนึ่งไลก์และยอดดาวน์โหลดเป็นศูนย์ ไม่มีสิ่งใดในรีโพซิทอรีที่เป็นโมเดลซึ่งคุณสามารถพูดคุยด้วยได้: LingSante-Pulse-1.0เป็นเอนโคเดอร์ขนาด 16.7 ล้านพารามิเตอร์สำหรับสัญญาณทางสรีรวิทยา — ECG, EEG, การไหลของอากาศ, ออกซิเจนในเลือด — ซึ่งเปลี่ยนรูปคลื่นให้เป็น embedding ที่มีความยาวคงที่และหยุดอยู่เพียงเท่านั้น ไม่มีการโพสต์เปิดตัว ไม่มีรายงานทางเทคนิค ไม่มีตาราง benchmark และ ณ เวลาที่เขียนนี้ ก็ไม่มีแพ็กเกจโค้ดสำหรับโหลดโมเดลนี้ การ์ดระบุให้คุณติดตั้งแพ็กเกจ lingsante_pulse แยกต่างหาก; แพ็กเกจนั้นไม่มีอยู่ใน PyPI

สิ่งที่มีอยู่จริงนั้นอ่านออกได้ชัดเจนอย่างผิดปกติ น้ำหนักถูกจัดส่งมาในรูปแบบ F32 ส่วนหัวของ safetensors ไม่ได้บีบอัดและสามารถอ่านได้ และ channels.json ระบุชื่อสัญญาณทั้งห้าสิบเจ็ดประเภทที่โมเดลรับได้ ดังนั้นจึงเป็นไปได้ที่จะพูดได้ค่อนข้างมากว่าโมเดลนี้คืออะไร และระบุได้อย่างแม่นยำถึงสิ่งที่ยังไม่มีใครนอกห้องแล็บยืนยันได้ บทความนี้แยกสองหมวดหมู่นั้นออกจากกัน

สิ่งที่ปรากฏ และสิ่งที่ไม่ได้ปรากฏ

รีโพซิทอรีนี้มีไฟล์ทั้งหมดเจ็ดไฟล์ ได้แก่ README, สัญญาอนุญาต MIT, model.safetensors (น้ำหนัก 63.8 MiB ภายในรีโพซิทอรีขนาด 66.9 MB), config.json, channels.npz, channels.json และไฟล์ gitattributes แบบสตับตามปกติ นั่นคือทั้งหมดของรีลีสนี้

ขาดหาย และการขาดหายในแต่ละครั้งล้วนแบกรับนัยสำคัญไว้:

• ไม่มีโค้ด inference ใน repository และไม่มีแพ็กเกจบน PyPI ภายใต้ชื่อ lingsante-pulse หรือ lingsante_pulse — ทั้งคู่ส่งคืน 404

• ไม่มีเบนช์มาร์ก การ์ดนี้อธิบายการทำงานด้วยถ้อยคำบรรยาย ("เปลี่ยนสัญญาณทางสรีรวิทยา เช่น ECG ให้เป็น embeddings") และไม่เผยแพร่ตัวเลขใด ๆ ทั้งสิ้น

• ไม่มีรายงานทางเทคนิค inclusionAI ปรากฏอยู่บน arXiv และรีโพซิทอรีพี่น้อง LingSante-MedGuard ซึ่งสร้างเมื่อวันที่ 17 พฤศจิกายน 2026 มีลิงก์ไปยังรายงานฉบับหนึ่ง การ์ด Pulse ไม่มีลิงก์ใด ๆ

ไม่มีการประกาศใดๆ ที่การค้นหาบนเว็บสามารถหาเจอได้ การ์ดโมเดลเองมีวลี “After publication” ซึ่งอ่านดูเหมือนข้อความที่เขียนขึ้นก่อนกำหนดการเผยแพร่แพ็กเกจ

• ไม่มีผู้ให้บริการ inference Hugging Face รายงานว่าโมเดลนี้ไม่ได้ถูก deploy โดยผู้ให้บริการรายใด และการ์ดเชิญชวนให้ผู้อ่านขอรับการสนับสนุน

ไฟล์หนึ่งเป็นเรื่องน่าประหลาดใจเล็กน้อย: config.json มีค่าแฮช SHA-256 สำหรับไฟล์ข้อมูลทั้งสามไฟล์ นั่นไม่ใช่ของประดับทางการตลาด แต่เป็นรูปแบบการตรวจสอบชนิดที่ทีมจะเพิ่มเข้ามาเมื่อคาดว่าไฟล์จะถูกคัดลอกไปมาและต้องการทราบว่าไฟล์เหล่านั้นมาถึงอย่างครบถ้วนสมบูรณ์

สิบสองบล็อก, 256 มิติ, แพตช์ขนาด 32 ตัวอย่าง

ส่วนหัวของ safetensors แสดงรายการเทนเซอร์ 203 ตัว และบล็อกเมทาดาทาของมันระบุว่า model: LingSante-Pulse, step: 260000 การสร้างสถาปัตยกรรมขึ้นใหม่จากชื่อเทนเซอร์นั้นตรงไปตรงมา — และมันเป็นเอกสารสถาปัตยกรรมเดียวที่มีอยู่

• ความลึกและความกว้าง — 12 บล็อกทรานส์ฟอร์เมอร์ (blocks.0 ถึง blocks.11) โดยแต่ละบล็อกมีกระแสเรซิดิวกว้าง 256

• Attention — การฉายภาพ qkv แบบหลอมรวมที่มีรูปร่าง [768, 256] ซึ่งเทียบเท่ากับคีย์ ควีรี และแวลูของหัวขนาด 256 จำนวนสามหัว; ไม่มีการระบุขนาดการฉายภาพเอาต์พุตแยกต่างหาก นอกเหนือจาก out ที่ [256, 256]

• ฟีดฟอร์เวิร์ด — gate_up ที่ [2048, 256] และ down ที่ [256, 1024] ซึ่งเป็นลายเซ็นรูปร่างของหน่วยเชิงเส้นแบบเกตที่มีเลเยอร์ซ่อนกว้าง 1,024

Gating — ทุกบล็อกมี attention_gate ที่ [256, 256] พร้อมไบแอส และมี film_heads.N ที่จับคู่กันที่ [1024, 256] ซึ่งส่งเวกเตอร์มอดูเลชันขนาด 1,024 ค่า หัว FiLM สิบสองหัวสำหรับสิบสองบล็อก ไม่มีส่วนใดในการ์ดอธิบายว่าอะไรเป็นตัวกำหนดเงื่อนไขให้กับสิ่งเหล่านี้

• Patching — patch.weight คือ [256, 32] การมี 32 ตัวอย่างต่อแพตช์ ที่ความถี่คงที่ 128 Hz ตามที่การ์ดระบุ เท่ากับ 250 มิลลิวินาทีพอดี ซึ่งเป็นช่วงเวลาที่ README ระบุไว้สำหรับคุณลักษณะโทเค็นที่ส่งคืน การคำนวณลงตัว

• องค์ประกอบประจำลำดับ — cls token หนึ่งตัว, mask_token หนึ่งตัว และ register_tokens สี่ตัวในเทนเซอร์ [1, 4, 256]

• เส้นทางข้อความ — text_adapter.0 ฉายมิติ 384 มิติลงเป็น 256 และ text_adapter.1 ปรับละเอียดภายใน 256 การ์ดระบุว่าเวกเตอร์เงื่อนไขของช่องมาจาก BAAI/bge-small-en-v1.5 ซึ่งมีขนาดซ่อนเท่ากับ 384 ดังนั้นโมเดลจึงถูกกำหนดเงื่อนไขด้วยคำอธิบายภาษาธรรมชาติของช่องอินพุตของมัน ซึ่งถูกฉายเข้าสู่ปริภูมิของมันเอง การตีความดังกล่าวเป็นการอนุมานจากรูปร่างบวกกับบันทึกที่มาของการ์ด ไม่ใช่การออกแบบที่มีการบันทึกไว้ แต่ทั้งสองสอดคล้องกัน

อีกหนึ่ง head — validity.weight ที่ [256, 64] สัญญาณรายตำแหน่งที่บ่งชี้ว่าตัวอย่างนั้นถูกสังเกตจริง ซึ่งสอดคล้องกับที่การ์ดกล่าวถึง PatchMean แบบ observed-valid และมาสก์การเติมช่องว่างในที่จัดเก็บ

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.

สเปกชีตที่อ่านได้จากรูปร่างเทนเซอร์แทนที่จะเป็นเอกสารข้อมูลจำเพาะ: พารามิเตอร์ 16.7M, สิบสองบล็อกที่ความกว้าง 256, แพตช์ขนาด 32 แซมเปิลที่ 128 Hz และอะแดปเตอร์ข้อความจาก 384 เป็น 256 สำหรับการปรับสภาพช่องสัญญาณ

ห้าสิบเจ็ดช่องสัญญาณอธิบายห้องปฏิบัติการการนอนหลับ

ไฟล์ที่น่าสนใจไม่ใช่ไฟล์เวต แต่คือ channels.json ซึ่งบรรจุคำอธิบายภาษาอังกฤษแบบเรียบง่ายของอัตลักษณ์สัญญาณทั้ง 57 รายการที่โมเดลยอมรับ

อ่านรายการตามลำดับแล้วมันจะไม่ดูเหมือนคำศัพท์สัญญาณชีวภาพทั่วไปอีกต่อไป ลีดหนังศีรษะ EEG สามลีด "ระหว่างการนอนหลับ" ลีด EOG สองลีด "ระหว่างการนอนหลับ" EMG ที่คาง "ระหว่างการนอนหลับ" EMG ที่ขา "ระหว่างการนอนหลับ" การไหลของอากาศ ความพยายามในการหายใจของทรวงอก ความพยายามในการหายใจของช่องท้อง การกรน SpO2 นั่นคือมอนทาจโพลีซอมโนกราฟี ตามลำดับที่เจ้าหน้าที่เทคนิคการนอนหลับจะเรียกชื่อ

จากนั้นรายการก็ดำเนินต่อไปยังห้องอีกห้องหนึ่ง ความดันทางเดินหายใจ "วัดโดยเครื่องช่วยหายใจสำหรับวิสัญญี" CO2 ปลายลมหายใจ อัตราการหายใจที่ได้จาก Dräger Primus และจากมอนิเตอร์ Solar8000 กำลัง BIS EEG ในหน่วยเดซิเบลจากมอนิเตอร์วัดความลึกของการระงับความรู้สึกที่หน้าผาก พร้อมด้วยลีด EEG หน้าผากสองลีด ECG 12 ลีดพร้อมชุดพรีคอร์เดียลเต็มชุด ลีดแขนขาดัดแปลงสามลีด และการดึงสัญญาณ EOG แบบขั้วเดียวสิบหกแบบ

สองสภาพการใช้งาน คำศัพท์ช่องสัญญาณชุดเดียว ข้ออนุมานที่มีเหตุผลรองรับมากที่สุดเท่าที่หาได้จากคลังนี้คือ encoder ถูกฝึกครอบคลุมทั้งการศึกษาการนอนหลับและการติดตามระหว่างผ่าตัดหรือการดูแลผู้ป่วยวิกฤต — และผู้ออกแบบต้องการโมเดลเดียวที่ยังใช้ได้แม้ถูกนำไปใช้กับชุดการต่อสัญญาณ (montage) ใดก็ตามที่โรงพยาบาลมีอยู่แล้ว การ์ดไม่ได้บอกสิ่งนี้ รายการช่องสัญญาณบอกแทน

ความกว้างขวางนั้นยังเป็นข้อกล่าวอ้างเชิงวิศวกรรมหลักของโมเดลนี้ด้วย เอนโคเดอร์ที่มีพารามิเตอร์ 16 ล้านตัว ซึ่งรับอัตลักษณ์ช่องสัญญาณที่แตกต่างกันถึง 57 แบบ รีแซมทุกอย่างเป็น 128 Hz และคืนค่า embedding หนึ่งรายการต่อช่องสัญญาณ กำลังแก้ปัญหาการจัดการข้อมูลแบบท่อส่งข้อมูลที่ใครก็ตามซึ่งเคยทำงานกับรูปคลื่นทางคลินิกจะรู้จักได้ทันทีว่า ไม่มีอะไรในโรงพยาบาลที่เห็นตรงกันเรื่องอัตราการสุ่มตัวอย่าง การตั้งชื่อลีด หรือช่องสัญญาณใดที่ถูกบันทึกจริง

ชิ้นส่วนที่หายไปคือแพ็กเกจ

ตัวอย่างการใช้งานของการ์ดมีความยาวสี่บรรทัด:

จาก lingsante_pulse import LingSantePulse จากนั้น LingSantePulse.from_pretrained() จากนั้น model.encode(x, sample_rate=128, channels=[{"modality": "ECG", "lead": "II"}]) จากนั้นพิมพ์รูปร่าง

ไม่มีสิ่งใดในนั้นทำงานได้ในปัจจุบัน การ import ล้มเหลวเพราะไม่มีแพ็กเกจอยู่บน index ที่การ์ดชี้ไปโดยปริยาย ไดเรกทอรีโมเดลมี weights และ conditioning vectors ไม่ใช่โมดูล Python ผู้อ่านที่ต้องการใช้รีลีสนี้มีเส้นทางเดียวเท่านั้น: ต้องนำ forward pass กลับมาทำใหม่จากชื่อเทนเซอร์ 203 ชื่อ เดาการทำงานของฟังก์ชัน activation เดาว่า FiLM modulation ถูกนำไปใช้อย่างไรและในลำดับใด แล้วหวังว่าสถิติการนอร์มัลไลเซชันจะเป็นชุดเดียวกับที่ผู้เขียนใช้

{{1}}สำหรับทรานส์ฟอร์เมอร์ที่ทำงานบนแพตช์ สิ่งนี้ไม่ใช่เรื่องที่เป็นไปไม่ได้{{/1}} มันเป็นงานหนึ่งวันสำหรับคนที่คล่อง PyTorch และเป็นโปรเจกต์วิจัยสำหรับคนอื่น ๆ แต่ "เป็นไปได้ที่จะนำไปรีอิมพลีเมนต์" กับ "ปล่อยออกใช้งานจริง" เป็นคนละเรื่อง และช่องว่างระหว่างสองสิ่งนี้คือที่ที่คุณค่าส่วนใหญ่ของการเปิดตัวอยู่ น้ำหนักโมเดลที่ไม่มีเส้นทางการอนุมานเป็นเพียงคำกล่าวอ้างเกี่ยวกับโมเดล ไม่ใช่โมเดลที่คุณเรียกใช้ได้

การ์ดนี้ตระหนักถึงรอยต่อดังกล่าว โดยระบุว่า “ติดตั้งแพ็กเกจโค้ดการอนุมานแยกต่างหากก่อนใช้สินทรัพย์โมเดลเหล่านี้” และจากนั้นในตัวอย่างว่า “หลังการเผยแพร่ ตัวอย่างฉบับสมบูรณ์นี้จะดาวน์โหลดโมเดลเมื่อใช้งานครั้งแรก” ทั้งสองประโยคชี้ไปข้างหน้า อาจเป็นได้ว่าแพ็กเกจกำลังจะมา หรือการเผยแพร่นี้เป็นการเคลื่อนไหวเพื่อวางตำแหน่งล่วงหน้า — เวตถูกวางไว้ในที่สาธารณะเพื่อให้อ้างอิงได้ วัดผลได้ด้วยฮาร์เนสภายใน และพร้อมทันทีที่โค้ดมาถึง

สิ่งที่การ์ดกล่าวอ้าง และสิ่งที่การ์ดละเว้น

อินเทอร์เฟซที่จัดทำเอกสารไว้มีขอบเขตแคบและเฉพาะเจาะจง ซึ่งเป็นข้อดีของมัน

• รูปแบบอินพุต — [T], [C, T], [B, C, T] หรือพจนานุกรมช่องสัญญาณที่จัดแนวแล้ว การบันทึกที่มีความยาวไม่เท่ากันใช้งานได้ คุณเพียงบอกโมเดลถึงอัตราการสุ่มตัวอย่างจริงและอัตลักษณ์ทางกายภาพของแต่ละช่องสัญญาณ

• การประมวลผลล่วงหน้า — กล่าวกันว่าแพ็กเกจโค้ดจะจัดการการรีแซมเพิลเป็น 128 Hz แบบคงที่ ตัวอย่างที่สังเกตได้ และมาสก์การเติมข้อมูลสำหรับพื้นที่จัดเก็บ โปรดทราบว่านี่เป็นข้อกล่าวอ้างเกี่ยวกับโค้ดที่ยังไม่มีอยู่จริง

• เอาต์พุต — CLS และ PatchMean ที่เป็น observed-valid จะถูกส่งคืนแยกกันในรูปแบบ [B, C*256] โดยนำช่องสัญญาณมาเชื่อมต่อกันตามลำดับอินพุต; return_tokens=True ยังให้ patch features และ validity masks ที่มีระยะห่าง 0.25 วินาทีด้วย

• ขอบเขต — "สิ่งเหล่านี้เป็นตัวแทนของสัญญาณ โดยไม่รวมหัวทำนายเฉพาะงาน" พูดง่าย ๆ คือ Pulse ให้ฟีเจอร์แก่คุณ และคุณเป็นผู้จัดหาเครื่องจำแนกประเภท ตัวตรวจจับ และคะแนนความเสี่ยงเอง

สิ่งที่มันไม่ได้ให้คุณ: ข้อบ่งชี้ใด ๆ ว่าฟีเจอร์เหล่านั้นมีประโยชน์ต่ออะไร ไม่มีตาราง linear-probe ไม่มีรายการงาน downstream ไม่มีข้อความระบุว่า encoder ถูกฝึกบนชุดข้อมูลใด ไม่มีคำแนะนำเกี่ยวกับความยาวหน้าต่างนอกเหนือจากตัวอย่าง 1,280 แซมเปิล (สิบวินาทีที่ 128 Hz) ไม่มีข้อความเกี่ยวกับวิธีการจัดการช่องสัญญาณที่มันไม่เคยถูกฝึกด้วย และไม่มีการเปรียบเทียบกับ physiological foundation model ที่มีอยู่ใด ๆ ตัวนับสเต็ประบุว่า 260,000 training steps นั่นเป็นตัวเลขเดียวเกี่ยวกับการฝึกในรีลีสทั้งหมด

ทำไมการปล่อยเฉพาะน้ำหนักโมเดลจึงประเมินคะแนนได้ยาก

เอนโคเดอร์ไม่สามารถประเมินได้ในเชิงนามธรรม คุณภาพของมันขึ้นอยู่กับงานปลายทางที่คุณนำไปต่อยอดทั้งหมด และวิธีมาตรฐานในการรายงานเรื่องนี้คือการทำ linear probe แบบ frozen-feature บนชุดข้อมูลสาธารณะจำนวนหนึ่งโดยระบุการแบ่งข้อมูลไว้อย่างชัดเจน หากไม่มีตัวเลขเหล่านั้น ก็มีสามสิ่งที่ไม่สามารถรู้ได้

ประการแรก คือการพิจารณาว่า embedding นั้นบรรจุข้อมูลจริงหรือเป็นเพียงความแปรปรวน เวกเตอร์ 256 มิติที่สกัดจากสัญญาณ ECG สิบวินาทีอาจดูสมเหตุสมผล — เรียบเนียน มีโครงสร้าง คงที่ข้ามผู้ป่วย — แต่ก็ยังอาจเข้ารหัสได้เพียงอัตราการเต้นของหัวใจและคุณภาพสัญญาณเท่านั้น มีเพียงโพรบเท่านั้นที่แยกแยะสิ่งเหล่านั้นได้

ประการที่สอง คือการปรับเงื่อนไขตามช่องสัญญาณ (channel-conditioning) นั้นช่วยได้จริงหรือเป็นเพียงองค์ประกอบตกแต่ง สถาปัตยกรรมนี้ลงทุนใน text adapter และอัตลักษณ์ของช่องสัญญาณ 57 ช่อง หาก baseline ที่ใช้เฉพาะ ECG ช่องสัญญาณเดียวให้ผลทัดเทียมกับโมเดลเต็ม กลไกเหล่านั้นก็เป็นต้นทุนโดยไม่เกิดประโยชน์ และมีเพียง ablation เท่านั้นที่จะแสดงให้เห็น

ประการที่สาม คือคำถามว่าโมเดลสามารถวางนัยทั่วไปได้เกินกว่าการแจกแจงข้อมูลที่ใช้ฝึกหรือไม่ รูปคลื่นทางคลินิกเปลี่ยนแปลงอย่างรุนแรงระหว่างอุปกรณ์ ตำแหน่งวางอิเล็กโทรด และกลุ่มประชากร “ใช้งานได้บนมอนทาจที่มันเคยเห็น” เป็นข้ออ้างที่อ่อนกว่ามากเมื่อเทียบกับ “ใช้งานได้บนมอนทาจในตู้ของคุณ” และไม่มีอะไรในที่นี้ทดสอบข้ออ้างที่สอง

ไม่มีส่วนใดของการกล่าวถึงนี้เป็นการกล่าวหา การอัปโหลดโมเดลเมื่อไม่กี่ชั่วโมงที่แล้วโดยไม่มีรายงานประกอบเป็นขั้นตอนแรกตามปกติ และรายงานทางเทคนิคอาจอยู่ระหว่างการตรวจสอบแล้ว นี่เป็นเพียงสถานะตามจริงของหลักฐาน และผู้อ่านที่กำลังตัดสินใจว่าจะต่อยอดจากสิ่งนี้ควรทราบว่าสิ่งเดียวที่ได้รับการยืนยันในขณะนี้คือรายการไฟล์

อะไรจะเปลี่ยนสิ่งนี้

สี่สิ่ง โดยเรียงลำดับจากน้อยไปมากตามปริมาณข้อมูลที่สิ่งเหล่านั้นจะบอกคุณ

การเผยแพร่บน PyPI ภายใต้ชื่อ lingsante_pulse จะทำให้โมเดลสามารถรันได้ และเปลี่ยนตัวอย่างการใช้งานบนการ์ดจากเอกสารให้กลายเป็นการทดสอบ นั่นคือขั้นตอนถัดไปที่เล็กที่สุดและมีแนวโน้มมากที่สุด

การมีอยู่ใน paragraph หนึ่งใน card ที่ระบุชื่อ training corpora จะช่วยให้ผู้อ่านประเมินความสอดคล้องของโดเมนได้ก่อนจะเสียเวลาทั้งวันไปกับการเชื่อมต่อระบบ ตอนนี้รายการช่องสัญญาณสื่อเป็นนัยว่ามีข้อมูลการนอนหลับและวิสัญญี โดยไม่ยืนยันว่ามีจริง

การตรวจสอบด้วยฟีเจอร์แบบแช่แข็ง (frozen-feature) บนชุดข้อมูลสาธารณะสองหรือสามชุด — หนึ่งชุดเกี่ยวกับการนอน หนึ่งชุดเกี่ยวกับหัวใจ — จะเปลี่ยนการเผยแพร่นี้จากสิ่งที่เป็นเพียงอาร์ติแฟกต์ให้กลายเป็นผลลัพธ์ที่แท้จริง นี่คือรายการที่สำคัญที่สุดและใช้ต้นทุนของผู้เขียนน้อยที่สุด

การทำซ้ำผลการทดลองโดยอิสระจะสำคัญกว่าสิ่งใดก็ตามที่กล่าวมาข้างต้น และผู้จำหน่ายไม่สามารถจัดให้ได้ ไม่มีใครเคยรันโมเดลนี้ต่อสาธารณะ นั่นคือประโยคที่ควรจดจำไว้ในอีกไม่กี่สัปดาห์ข้างหน้า

เอนโคเดอร์แบบนี้อยู่ตรงไหนในระบบที่ทำงานจริง? มันสร้างฟีเจอร์ออกมา แล้วต้องมีอย่างอื่นมาคิดวิเคราะห์ต่อ และในไปป์ไลน์ทางคลินิกส่วนใหญ่ สิ่งนั้นคือโมเดลภาษาที่อ่านสรุปของ embedding ควบคู่กับบันทึกของผู้ป่วย ชั้นการให้เหตุผลนี้คือส่วนที่ OrcaRouter ให้บริการ — API เดียวที่ครอบคลุมโมเดลมากกว่า 200 รายการ, ราคาตามรายการของผู้ให้บริการที่ส่งต่อโดยไม่มีการบวกเพิ่ม และ การสลับไปยังผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อผู้ให้บริการมีประสิทธิภาพลดลง ส่วน LingSante-Pulse-1.0 เองเป็น weights ที่โฮสต์เองและไม่อยู่ในแคตตาล็อกของเรา เอนโคเดอร์กับโมเดลที่อ่านผลลัพธ์ของมันเป็นการตัดสินใจซื้อแยกจากกัน และมีเพียงตัวที่สองเท่านั้นที่มี API

ตอนนี้คำตอบเชิงปฏิบัติยังไม่น่าตื่นเต้น ถ้าคุณมีข้อมูล PSG หรือข้อมูลรูปคลื่นระหว่างผ่าตัด และใช้ PyTorch ได้คล่อง ให้ดาวน์โหลดไฟล์ safetensors แล้วอ่าน header — มันเป็นอาร์ติแฟกต์ที่ให้ข้อมูลมากที่สุดในรีลีสนี้ ถ้าคุณต้องการอะไรที่เรียกใช้ได้ภายในสัปดาห์นี้ ตอนนี้ยังไม่มีอะไรตรงนี้ เวตขนาด 63.8 MiB เป็นคำสัญญาที่มีขนาดไฟล์กำกับอยู่

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.

รีลีสฉบับสมบูรณ์ตามที่เป็นอยู่: เจ็ดไฟล์ หนึ่งในนั้นคือเวต และไม่มีไฟล์ใดเป็นโค้ด

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.

สิ่งที่ repository รองรับในปัจจุบัน: จำนวนพารามิเตอร์ สถาปัตยกรรมที่อ่านได้จากรูปร่างของเทนเซอร์ และคำศัพท์ของช่องสัญญาณ — แต่ไม่มี benchmark ไม่มีแพ็กเกจ และไม่มีผู้ให้บริการ

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube