Một thẻ tiêu đề được tạo ghi 'LingSante-Pulse-1.0' phía trên phụ đề 'Trọng số trên Hugging Face, không có mã để chạy chúng' và một dòng chú thích '16.7M tham số · 12 khối · 57 kênh tín hiệu · 0 điểm chuẩn · 0 lượt tải xuống'. Bên dưới là hai bảng bo góc: bảng bên trái có tiêu đề LingSante-Pulse-1.0 với các hàng 16.7M tham số, 57 danh tính kênh và không có gói suy luận; bảng bên phải có tiêu đề 'mô hình kia' với mô hình đã công bố, runtime được tài liệu hóa và điểm chuẩn trên thẻ của nó. Logo OrcaRouter được ghép vào một dải trắng dọc theo mép dưới.
Engineering & Research

LingSante-Pulse-1.0 đã có trên Hugging Face; nhưng mã để chạy nó thì chưa có.

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

LingSante-Pulse-1.0 đã xuất hiện trên Hugging Face lúc 08:39 UTC ngày 20 tháng 11 năm 2026, và đến 09:12 cùng buổi sáng, tác giả của nó, inclusionAI, đã đẩy một bản sửa đổi. Danh mục hiển thị một lượt thích và không có lượt tải xuống. Không có gì trong kho lưu trữ là một mô hình mà bạn có thể trò chuyện cùng: LingSante-Pulse-1.0 là một bộ mã hóa 16,7 triệu tham số cho các tín hiệu sinh lý — ECG, EEG, luồng khí, oxy trong máu — biến dạng sóng thành một embedding có độ dài cố định và dừng ở đó. Không có bài đăng ra mắt, không có báo cáo kỹ thuật, không có bảng đánh giá chuẩn, và, tính đến thời điểm viết bài này, không có gói mã để nạp nó. Thẻ mô hình hướng dẫn bạn cài đặt một gói lingsante_pulse riêng; gói đó không có trên PyPI.

Những gì thực sự tồn tại thì lại dễ đọc một cách bất thường. Các trọng số được phát hành ở định dạng F32, phần header safetensors không bị nén và có thể đọc được, và channels.json liệt kê tên toàn bộ năm mươi bảy loại tín hiệu mà mô hình chấp nhận. Vì vậy, có thể nói khá nhiều về việc mô hình này thực chất là gì, và nói chính xác về những gì chưa ai bên ngoài phòng thí nghiệm có thể xác nhận. Bài viết này giữ tách biệt hai hạng mục đó.

Điều gì đã xuất hiện, và điều gì đã không

Kho lưu trữ chứa bảy tệp: một README, một giấy phép MIT, model.safetensors (63,8 MiB trọng số trong một kho lưu trữ 66,9 MB), config.json, channels.npz, channels.json và tệp gitattributes stub thông thường. Đó là toàn bộ bản phát hành.

Vắng mặt, và mỗi sự vắng mặt đều mang tính chịu lực:

• Không có mã suy luận trong kho lưu trữ và không có gói nào trên PyPI dưới tên lingsante-pulse hoặc lingsante_pulse — cả hai đều trả về 404.

• Không có benchmark nào. Thẻ mô tả hành vi bằng văn xuôi (“chuyển các tín hiệu sinh lý như ECG thành embeddings”) và không công bố bất kỳ con số nào dưới bất kỳ hình thức nào.

• Không có báo cáo kỹ thuật. inclusionAI có hiện diện trên arXiv và kho lưu trữ cùng nhóm LingSante-MedGuard, được tạo ngày 17 tháng 11 năm 2026, có liên kết đến một báo cáo. Thẻ Pulse không liên kết đến đâu cả.

• Không có bất kỳ thông báo nào mà tìm kiếm trên web có thể tìm thấy. Bản thân thẻ mô hình có chứa cụm từ {{1}}"Sau khi công bố"{{/1}}, nghe như văn bản được viết trước khi {{2}}gói được lên lịch phát hành{{/2}}.

• Không có nhà cung cấp suy luận nào. Hugging Face báo cáo rằng mô hình không được triển khai bởi bất kỳ nhà cung cấp nào, và thẻ mô hình mời người đọc yêu cầu hỗ trợ.

Một tệp là một bất ngờ nhỏ: config.json chứa các mã băm SHA-256 cho ba tệp dữ liệu. Đó không phải là một vật phẩm tiếp thị. Đó là kiểu kiểm tra mà một nhóm thêm vào khi họ kỳ vọng các tệp sẽ được sao chép khắp nơi và muốn biết chúng đã đến nơi nguyên vẹn.

Mười hai khối, 256 chiều, các mảng 32 mẫu

Header của safetensors liệt kê 203 tensor và khối metadata của nó ghi model: LingSante-Pulse, step: 260000. Việc tái dựng kiến trúc từ tên các tensor là đơn giản — và đó là tài liệu kiến trúc duy nhất tồn tại.

• Độ sâu và độ rộng — 12 khối transformer (blocks.0 đến blocks.11), mỗi khối có một luồng dư rộng 256.

• Attention — một phép chiếu qkv hợp nhất có kích thước [768, 256], tức là tương đương với keys, queries và values của ba head rộng 256; không có kích thước phép chiếu đầu ra riêng nào được đưa ra ngoài out tại [256, 256].

Truyền thẳng — gate_up tại [2048, 256] và down tại [256, 1024], dấu hiệu hình dạng của một đơn vị tuyến tính có cổng với lớp ẩn rộng 1.024.

• Gating — mỗi khối mang một attention_gate ở [256, 256] cộng bias, và một film_heads.N tương ứng ở [1024, 256] phát ra vector điều biến 1.024 giá trị. Mười hai đầu FiLM cho mười hai khối. Không có gì trong thẻ giải thích điều gì điều kiện hóa chúng.

• {{1}}Tạo patch — patch.weight là [256, 32]. Ba mươi hai mẫu mỗi patch, ở tần số cố định 128 Hz mà thẻ chỉ định, đúng bằng 250 mili giây, chính là khoảng thời gian mà README đưa ra cho các đặc trưng token được trả về. Phép tính khớp.{{/1}}

• Bố cục chuỗi — một token cls, một mask_token và bốn register_tokens trong một tensor [1, 4, 256].

• Một nhánh văn bản — text_adapter.0 chiếu 384 chiều thành 256, và text_adapter.1 tinh chỉnh trong 256 chiều. Model card cho biết các vector điều kiện kênh đến từ BAAI/bge-small-en-v1.5, có kích thước ẩn là 384. Vì vậy, mô hình được điều kiện hóa trên các mô tả bằng ngôn ngữ tự nhiên về các kênh đầu vào của nó, được chiếu vào không gian riêng của mô hình. Cách diễn giải đó là suy luận từ các hình dạng cộng với ghi chú nguồn gốc của model card, không phải một thiết kế được tài liệu hóa, nhưng cả hai khớp nhau.

• Thêm một head nữa — validity.weight tại [256, 64]. Tín hiệu theo từng vị trí cho biết một mẫu thực sự đã được quan sát, khớp với phần card nói về PatchMean hợp lệ-quan sát và các mask padding lưu trữ.

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.

Một bảng đặc tả được đọc ra từ hình dạng tensor chứ không phải từ bảng dữ liệu: 16,7M tham số, mười hai khối với độ rộng 256, các patch 32 mẫu ở 128 Hz, và một bộ chuyển đổi văn bản từ 384 sang 256 để điều kiện hóa kênh.

Năm mươi bảy kênh mô tả một phòng thí nghiệm giấc ngủ

Tệp đáng chú ý không phải là các trọng số. Mà là channels.json, tệp chứa mô tả bằng tiếng Anh dễ hiểu về từng danh tính tín hiệu trong số 57 danh tính tín hiệu mà mô hình chấp nhận.

Đọc danh sách theo đúng thứ tự và nó không còn giống một bộ từ vựng tín hiệu sinh học chung chung nữa. Ba đạo trình EEG trên da đầu “trong khi ngủ”. Hai đạo trình EOG “trong khi ngủ”. Một EMG cằm “trong khi ngủ”, một EMG chân “trong khi ngủ”. Lưu lượng khí, nỗ lực lồng ngực, nỗ lực bụng, ngáy, SpO2. Đó là một montage đa ký giấc ngủ, theo thứ tự mà một kỹ thuật viên giấc ngủ sẽ gọi tên.

Sau đó, danh sách tiếp tục kéo sang một phòng khác. Áp lực đường thở "được đo bằng máy thở gây mê". CO2 cuối thì thở ra. Nhịp hô hấp được tính từ Dräger Primus và từ màn hình theo dõi Solar8000. Công suất EEG BIS tính bằng decibel từ màn hình theo dõi độ sâu gây mê ở trán, cùng với hai đạo trình EEG trán của nó. ECG 12 chuyển đạo với bộ đầy đủ các chuyển đạo trước tim, ba chuyển đạo chi biến đổi và mười sáu đạo trình EOG đơn cực.

Hai bối cảnh, một bộ từ vựng kênh. Suy luận có cơ sở nhất có thể rút ra từ kho lưu trữ này là bộ mã hóa đã được huấn luyện trên cả các nghiên cứu giấc ngủ lẫn giám sát chu phẫu hoặc hồi sức tích cực — và rằng những người thiết kế nó muốn một mô hình duy nhất có thể trụ vững khi được hướng vào bất kỳ montage nào mà bệnh viện đã có. Thẻ không nói điều này. Danh sách kênh nói thay cho nó.

Độ bao phủ đó cũng là tuyên bố kỹ thuật chính của mô hình. Một bộ mã hóa 16 triệu tham số chấp nhận 57 danh tính kênh không đồng nhất, lấy mẫu lại mọi thứ về 128 Hz và trả về một embedding cho mỗi kênh đang giải quyết một bài toán đường ống dữ liệu mà bất kỳ ai từng làm việc với dạng sóng lâm sàng đều nhận ra ngay: không có gì trong bệnh viện thống nhất về tốc độ lấy mẫu, cách đặt tên đạo trình hay những kênh nào thực sự được ghi lại.

Mảnh còn thiếu chính là gói.

Ví dụ sử dụng của thẻ dài bốn dòng:

from lingsante_pulse import LingSantePulse, sau đó LingSantePulse.from_pretrained(), sau đó model.encode(x, sample_rate=128, channels=[{"modality": "ECG", "lead": "II"}]), sau đó in ra các shape.

Không có gì trong số đó chạy được hiện nay. Việc import thất bại vì gói không tồn tại trên index mà card ngầm chỉ đến. Thư mục model chứa trọng số và các vectơ điều kiện, không phải một module Python. Một người đọc muốn sử dụng bản phát hành này chỉ có đúng một con đường: triển khai lại lượt truyền xuôi từ 203 tên tensor, đoán các hàm kích hoạt, đoán cách điều chế FiLM được áp dụng và theo thứ tự nào, rồi hy vọng các thống kê chuẩn hóa là những giá trị mà các tác giả đã dùng.

Đối với một transformer trên các patch, điều đó không phải là không thể. Đó là công việc một ngày đối với người thành thạo PyTorch, và là một dự án nghiên cứu đối với bất kỳ ai khác. Nhưng “có thể triển khai lại” và “đã phát hành” là những thứ khác nhau, và khoảng cách giữa chúng chính là nơi phần lớn giá trị của một bản phát hành nằm ở đó. Trọng số không có đường suy luận chỉ là một tuyên bố về một mô hình, không phải một mô hình bạn có thể gọi.

Thẻ mô hình nhận thức được mối nối. "Hãy cài gói mã suy luận riêng trước khi sử dụng các tài nguyên mô hình này," nó viết, rồi trong ví dụ, "Sau khi công bố, ví dụ hoàn chỉnh này sẽ tải mô hình trong lần sử dụng đầu tiên." Cả hai câu đều hướng về phía trước. Hoặc là gói này sắp ra mắt, hoặc bản phát hành là một động thái định vị trước — các trọng số được đặt công khai để có thể được trích dẫn, đo lường bằng một khung đánh giá nội bộ, và sẵn sàng ngay khi mã được phát hành.

Những gì tấm thẻ khẳng định và những gì nó bỏ qua

Giao diện được tài liệu hóa thì hẹp và cụ thể, đó là một điểm cộng.

• Các dạng đầu vào — [T], [C, T], [B, C, T], hoặc từ điển kênh được căn chỉnh. Các bản ghi có độ dài không đồng nhất vẫn dùng được; bạn cho mô hình biết tốc độ lấy mẫu thực và danh tính vật lý của từng kênh.

• Tiền xử lý — gói mã được cho là xử lý việc lấy mẫu lại về tần số cố định 128 Hz, các mẫu quan sát và mặt nạ đệm lưu trữ. Lưu ý rằng đây là một tuyên bố về đoạn mã chưa tồn tại.

• Đầu ra — CLS và PatchMean hợp lệ được quan sát được trả về riêng biệt dưới dạng [B, C*256], với các kênh được nối theo thứ tự đầu vào; return_tokens=True cũng tạo ra các đặc trưng patch và mặt nạ hợp lệ ở khoảng cách 0,25 giây.

• Phạm vi — “Đây là các biểu diễn tín hiệu; không bao gồm các đầu dự đoán dành riêng cho từng tác vụ.” Nói một cách đơn giản: Pulse cung cấp cho bạn các đặc trưng, còn bạn cung cấp bộ phân loại, bộ phát hiện, điểm rủi ro.

Những gì nó không cung cấp cho bạn: bất kỳ dấu hiệu nào về việc những đặc trưng đó hữu ích cho việc gì. Không có bảng linear-probe, không có danh sách tác vụ hạ nguồn, không có tuyên bố về việc encoder được huấn luyện trên tập dữ liệu nào, không có hướng dẫn về độ dài cửa sổ ngoài ví dụ 1.280 mẫu (mười giây ở 128 Hz), không có tuyên bố về cách nó xử lý các kênh mà nó chưa từng được huấn luyện, và không có so sánh với bất kỳ mô hình nền tảng sinh lý hiện có nào. Bộ đếm bước cho biết 260.000 bước huấn luyện. Đó là con số duy nhất về huấn luyện trong toàn bộ bản phát hành.

Vì sao một đợt giảm chỉ dựa trên trọng số lại khó chấm điểm

Một bộ mã hóa không thể được đánh giá một cách trừu tượng. Chất lượng của nó hoàn toàn phụ thuộc vào tác vụ hạ nguồn mà bạn gắn với nó, và cách tiêu chuẩn để báo cáo điều đó là một frozen-feature linear probe trên một vài bộ dữ liệu công khai với một cách chia tập đã nêu rõ. Không có những con số đó, ba điều sau là không thể biết được.

Đầu tiên, liệu các embedding có mang thông tin hay chỉ mang phương sai. Một vectơ 256 chiều được trích xuất từ mười giây ECG có thể trông có vẻ hợp lý — trơn mượt, có cấu trúc, ổn định trên nhiều bệnh nhân — mà vẫn không mã hóa gì ngoài nhịp tim và chất lượng tín hiệu. Chỉ một probe mới phân biệt được những điều đó.

Thứ hai, liệu việc điều hòa kênh có giúp ích hay chỉ để trang trí. Kiến trúc đầu tư vào một bộ thích ứng văn bản và 57 định danh kênh. Nếu một baseline chỉ dùng ECG một kênh sánh ngang với mô hình đầy đủ, thì bộ máy đó là chi phí mà không mang lại lợi ích, và chỉ có ablation mới chứng minh được điều đó.

Thứ ba, liệu mô hình có tổng quát hóa vượt ra ngoài phân phối huấn luyện của nó hay không. Các dạng sóng lâm sàng thay đổi mạnh giữa các thiết bị, cách đặt điện cực và các nhóm đối tượng. “Hoạt động trên montage mà nó đã thấy” là một tuyên bố yếu hơn nhiều so với “hoạt động trên montage trong tủ của bạn”, và không có gì ở đây kiểm tra được điều thứ hai.

Không có điều nào trong số này là một lời buộc tội. Một mô hình được tải lên cách đây vài giờ mà không kèm bài báo nào là một bước đầu tiên bình thường, và báo cáo kỹ thuật có thể đã đang được xem xét. Đây chỉ đơn giản là tình trạng trung thực của bằng chứng, và một độc giả đang quyết định có nên xây dựng dựa trên điều này hay không nên biết rằng thứ duy nhất hiện được xác minh là danh sách tệp.

Điều gì sẽ thay đổi điều này

Bốn điều, theo thứ tự tăng dần về mức độ chúng sẽ cho bạn biết.

Một bản phát hành PyPI dưới tên lingsante_pulse sẽ làm cho mô hình có thể chạy được và biến ví dụ sử dụng trong thẻ từ tài liệu thành một bài kiểm thử. Đó là bước tiếp theo nhỏ nhất và có khả năng xảy ra cao nhất.

Một đoạn trong thẻ nêu tên các kho ngữ liệu huấn luyện sẽ giúp người đọc đánh giá mức độ phù hợp miền trước khi dành cả một ngày cho việc tích hợp. Hiện tại, danh sách kênh ngụ ý dữ liệu giấc ngủ và gây mê mà không xác nhận điều đó.

Một phép thử với đặc trưng đóng băng trên hai hoặc ba bộ dữ liệu công khai — một bộ về giấc ngủ, một bộ về tim mạch — sẽ biến bản phát hành từ một tạo tác thành một kết quả. Đây là hạng mục quan trọng nhất và tốn ít công sức nhất đối với các tác giả.

Một bản tái lập độc lập sẽ quan trọng hơn bất kỳ điều nào ở trên, và nhà cung cấp không thể sắp xếp được. Chưa ai chạy mô hình này công khai. Đó là câu cần ghi nhớ trong vài tuần tới.

Một bộ mã hóa như thế này nằm ở đâu trong một hệ thống đang vận hành? Nó tạo ra các đặc trưng; một thứ khác phải suy luận dựa trên chúng, và trong hầu hết pipeline lâm sàng, thứ đó là một mô hình ngôn ngữ đọc bản tóm tắt của embedding cùng với ghi chú của bệnh nhân. Lớp suy luận đó chính là phần OrcaRouter phục vụ — một API xuyên suốt hơn 200 mô hình, giá niêm yết của nhà cung cấp được chuyển nguyên, không cộng thêm markup, và tự động chuyển đổi dự phòng khi một nhà cung cấp bị suy giảm. Bản thân LingSante-Pulse-1.0 là trọng số tự triển khai và không nằm trong danh mục của chúng tôi; bộ mã hóa và mô hình đọc đầu ra của nó là những quyết định mua riêng biệt, và chỉ cái thứ hai mới có API.

Hiện tại, câu trả lời thực tế khá không hào nhoáng. Nếu bạn có dữ liệu PSG hoặc dạng sóng trong mổ và thành thạo PyTorch, hãy tải tệp safetensors và đọc phần header — đó là thứ chứa nhiều thông tin nhất trong bản phát hành. Nếu bạn cần thứ gì đó có thể dùng được ngay trong tuần này, thì ở đây vẫn chưa có gì. 63.8 MiB trọng số là một lời hứa kèm theo kích thước tệp.

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.

Bản phát hành hoàn chỉnh như hiện trạng: bảy tệp, một trong số đó là trọng số, không tệp nào là mã.

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.

Những gì kho lưu trữ hỗ trợ hiện nay: một số lượng tham số, một kiến trúc được suy ra từ hình dạng tensor, và một từ vựng kênh — nhưng không có benchmark, không có gói và không có nhà cung cấp.