一张生成的标题卡,上面写着“LingSante-Pulse-1.0 vs Qwen 3.8”,副标题为“一个编码轨迹。一个回答问题。”,其下方是两个圆角面板,中间由一个“vs”圆盘分隔。左侧面板标题为 LingSante-Pulse-1.0,带有一个浅蓝色的“MIT 许可证”徽章和四行灰色文字:16.7M 参数、57 个信号通道、128 Hz、0.25 秒片段、仅嵌入。右侧面板标题为 Qwen3.8-27B,带有一个浅琥珀色的“Apache 2.0”徽章和四行灰色文字:27.78B 参数、262,144 token 上下文、文本、图像和视频输入、每 1M 0.33 和 2.40。一条细虚线箭头从左侧面板指向右侧。页脚写着“Pulse 的数值读取自代码仓库;Qwen3.8 的数值依据 Artificial Analysis 及我们的目录。”OrcaRouter 标志被合成在沿底部边缘的一条白色条带中。
Guides & Insights

LingSante-Pulse-1.0 与 Qwen 3.8:一个负责编码,一个负责回答

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

这场对比乍看之下一边倒,直到你注意到这两个模型接受的输入并不相同。LingSante-Pulse-1.0拥有1670万参数,无法生成句子。Qwen3.8-27B拥有277.8亿参数,无法接受波形。一个将ECG导联、气流轨迹或额部EEG通道以四分之一秒的间隔转换为由256个数字组成的向量;另一个读取文本、图像和视频并写出答案。在共享基准上,两者谁也胜不过谁,因为并不存在共享任务。在同一个流水线中,分工立刻显现。

LingSante-Pulse-1.0 是 inclusionAI 的模型,它于 2026 年 11 月 20 日 08:39 UTC 出现在 Hugging Face 上,没有公告、没有论文,也没有推理代码。该实验室未发布任何关于它的信息;该仓库就是全部的公开记录。这决定了本页能够作出哪些表述。以下关于 Pulse 的内容,是从七个文件中读出的——safetensors 头部未压缩,因此架构清晰可辨——至于它在作者自有测试框架之外表现如何,目前蚂蚁集团之外的所有人都无从得知。Qwen3.8 则相反:8 月发布,已定价,由第三方评分,且已在承载流量。

仓库里实际上有什么

七个文件:一份 README、一份 MIT 许可证、一个 63.8 MiB 的 F32 权重文件、一份载有其三个配套文件 SHA-256 摘要的配置,以及两个通道文件。这就是全部发布内容。没有基准测试,没有训练数据说明,没有下游结果,也没有推理代码。

这张卡片指引你去看一个单独的 lingsante_pulse 包。该包并不在 PyPI 上——既不在 lingsante_pulse 名下,也不在 lingsante-pulse 名下,也不在 lingsante 名下。用法示例本身还说模型“首次使用时下载”,而这是为尚未到来的一天所写的文档。

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.

tensor 头文件确实为你提供的是一套完整的架构,小到可以在一个下午内读完:

• 大小 — LingSante-Pulse-1.0:16,708,352 个 F32 参数,十二个宽度为 256 的 transformer 块,203 个张量。Qwen3.8-27B:277.8 亿参数,一个 64 层稠密多模态模型。

• 输入 — Pulse:形状为 [T]、[C,T] 或 [B,C,T] 的样本数组,重采样至固定的 128 Hz,并同时声明每个通道的物理身份。Qwen3.8-27B:文本、图像和视频。无音频路径,无原始时间序列路径。

• 输出 — Pulse:以 [B, C*256] 形式给出 CLS 和观测有效的 PatchMean,并可选提供逐 patch 特征和有效性掩码,间隔为 0.25 秒。Qwen3.8-27B:文本。

• 范围 — Pulse 仅提供表征。卡片明确指出“不包含任务特定的预测头”。分类器、检测器、风险评分均由你提供。

• 上下文 — Pulse 在语言模型意义上没有 token 窗口;它有一个 patch 网格,每个 patch 为 0.25 秒。Qwen3.8-27B 接受 262,144 个 token。

• 许可证 — Pulse:MIT。Qwen3.8-27B:Apache 2.0,权重可下载并可运行。

五十七个通道描述一间睡眠实验室

信息量最大的文件并不是权重。它们分别是 channels.json 和 channels.npz:前者列出并描述了编码器接受的全部五十七种信号标识;后者为每个通道保存一个 384 维向量——共 57 个,使用 BAAI/bge-small-en-v1.5 构建,采用 CLS 池化和 L2 归一化。这个宽度恰好等于权重文件中 [256, 384] 处 text_adapter 投影的输入宽度,而这是发布内容中关于条件化如何起作用的最强线索:通道名称被作为文本嵌入,向下投影到模型 256 宽的残差流,然后送入十二个 film_heads——每个都是一个 [1024, 256] 投影,输出一个 1,024 值的调制向量。模型卡中没有任何内容解释是什么驱动它们,所以这只是对张量的解读,而非有文档记载的事实。

那些接线都没有文档记录,所以应把它看作根据张量形状作出的推断,而不是一份规范。有文档记录的是名称列表,而按顺序读下来,它就不再是一份通用生物信号词汇表。三个EEG头皮导联“睡眠期间”,两个EOG导联“睡眠期间”,一个颏EMG和一个腿部EMG“睡眠期间”,气流、胸式和腹式呼吸努力、鼾声、SpO2。这就是一套多导睡眠图导联组合,顺序正是睡眠技师会报出这些名称的顺序。接着,这份词汇表走进了另一个房间:气道压力“由麻醉呼吸机测量”、呼气末CO2、从Dräger Primus和Solar8000监护仪推导出的呼吸频率、来自前额麻醉深度监护仪的以分贝表示的BIS EEG功率。十七种ECG派生导联,包括完整的心前区导联组,以及十六个单极EOG导联。

两个临床场景,一套术语。站得住脚的推断——之所以说是推断,是因为模型卡对此未作说明——是:该编码器接受了跨睡眠研究以及围手术期或重症监护监测的训练,其作者希望得到一个无论医院现有哪种导联组合都能适用的模型。这种广度才是本次发布中真正的工程主张,而这是 1600 万参数模型能提出、270 亿参数模型却无法提出的主张。

为什么 Qwen3.8-27B 无法读取输入

这个事实会彻底重构整个比较。Qwen3.8-27B 是多模态的,但它的模态是文本、图像和视频。它没有波形输入。你无法把 128 Hz 下 1,280 个 lead II 采样点交给它,然后问它这是什么心律;分词器与浮点数组毫无关系。在我们自己的目录中,该模型在输入侧列出的是文本、图像和视频,在输出侧列出的是文本,仅此而已。

所以,对于“我能不能直接用一个大模型来做这件事?”,诚实的回答是:不能直接基于原始信号来做。你有两种变通方案。要么先提取特征——心率、RR 间期、频带、手工构建的摘要——要么把轨迹渲染成图像,让视觉塔去看它的图片。第二种方案有时有效,但会牺牲信号本身所包含的信息:绘制成图的心电图会丢失幅度校准,以及 QRS 时限所依赖的亚毫秒级时序,而且你还要为此付出视觉 token 的代价。第一种方案则意味着你已经构建了特征提取器,而这正是 Pulse 提供的工作:一次性处理 57 种通道类型。

决定架构的算术

假设你无视这一点,仍试图把信号序列化后塞进 Qwen3.8-27B 的上下文。以一整夜的多导睡眠监测记录为例:八小时、57 个通道、128 Hz。也就是 28,800 秒、约 2.1 亿个原始样本。

• 贴片。每片耗时 0.25 秒,一个通道每秒可产出四片。57 个通道每秒可产出 228 片,整晚大约可得到 657 万个贴片-通道对。

相对于上下文窗口,Qwen3.8-27B 可接受 262,144 个 token。即便按每个 patch 一个 token 计算——这种压缩的有损程度足以让这项练习失去意义——这一夜也大约是窗口的 25 倍。

• 反对该法案。按我们列出的每百万 token $0.33 的输入价格,每个补丁一个 token,仅输入一项,一晚就约需 $2.17,还不包括输出;而且这项工作必须拆分到 25 次调用中,之后还要核对各次调用的结果。

Pulse 针对同一段录音的摘要输出则完全是另一类东西。每十秒窗口,CLS 和 PatchMean 各自返回 57 × 256 = 14,592 个浮点数,在 F32 下约为 58 KB;一整夜 2,880 个窗口大约为 168 MB。若改为保留逐 patch 的 token 流,则要大得多——在 F32 下一整夜约为 6.7 GB——正因如此,适合流水线的是摘要路径,而不是 token 路径。

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.

因此,比较的重点并不是"哪个模型更好"。编码器将一整夜的监测数据压缩成系统能够承载的形式;语言模型则对摘要进行推理。把这两者混为一谈,正是临床 AI 项目最终为那些本应一次性压缩好的数据按 token 付费的原因。

Qwen3.8 真正更擅长的地方

嵌入之后的所有环节。根据第三方评测,Qwen3.8-27B 是一款强大的通用模型:在 Artificial Analysis 智能指数 v5.0.1 上得分为 20.1,在其编程指数上为 68.1,在 GPQA Diamond 上为 90.5。在 Qwen 自家的模型卡上,它在 LiveCodeBench v6 上得分为 90.3,在 OSWorld-Verified 上为 84.3,在 QwenSWEBench 上为 79.0——这些均为厂商自报数据,我们未能复现。

那些数字并不是值得关注的原因。真正的原因在于,有趣的临床问题是文本性的:给定这位患者的用药清单、这份嵌入摘要以及这些实验室检查值,这个相互作用是否值得标记,证据是什么?这是一个语言任务,而这正是 Qwen3.8 所处的层面。

有确凿证据表明,inclusionAI 对技术栈的解读也是如此。该实验室于 2026 年 11 月 19 日发布、编号为 arXiv 2611.25509 的 LingSante MedGuard 技术报告描述了一种医疗防护机制:将教师模型蒸馏到 4B、9B 和 27B 的学生模型中,并点名 Qwen3.8-Max 为运行合成流水线的模型——为每份患者记录匹配适用的公式、生成问题与参考推导、验证各个步骤,并在五轮再训练中对学生模型的失败进行分类。该报告对 LingSante-Pulse-1.0 只字未提,而后者也从未出现在任何论文中。但该报告确实证明,在这个实验室自己的 LingSante 系列中,推理层是一个 Qwen3.8 模型,其周围布置着专家层。编码器和推理器是分开采购的,且由同一团队完成。

谁应该选哪个

如果你有波形数据——多导睡眠图、术中监测、遥测、可穿戴心电图——而且没有你信得过的特征提取器,那么 Pulse 就是值得评估的对象,但有一个硬性前提:你今天还无法运行它。“评估”目前意味着要根据 203 个张量名称重新实现前向传播:十二个宽度为 256 的块,一个形状为 [768, 256] 的融合 QKV,一个从 [2048, 256] 到 [256, 1024] 的门控 MLP,一个 32 样本的 patch 投影,一个 384 到 256 的文本适配器,以及十二个形状为 [1024, 256] 的 FiLM 头。对熟悉 PyTorch 的人来说,这是一天的工作量。它不是受支持的集成,而且花在这上面的一天,就是没有花在你的端点上的一天。

如果你的问题涉及文本——分诊记录、指南检索、用药审查、病历摘要——Qwen3.8-27B 现已可用,采用开放权重,在我们的目录中,每百万输入和输出 token 的定价分别为 0.33 美元和 2.40 美元;根据过去七天 playground 流量实测,p50 约为 2.3 秒,输出速度约为每秒 76 个 token。在该系列中,Qwen3.8-Flash 是更便宜的选择,价格为 0.15 美元和 0.47 美元,拥有 100 万 token 窗口;而 Qwen3.8-Max 是更强的那一个,价格为 2 美元和 6 美元,Intelligence Index 为 33.7。

如果你要构建整条流水线,两者都需要;务实的顺序是先在已经产出的嵌入上让推理层跑通,再把 Pulse 视为运行时换入的升级。这种顺序也意味着编码器的到来不是一次迁移:无论哪种方式,它所供给的接口都是稳定的。

OrcaRouter 适合哪些场景,以及不适合哪些场景

这条流水线中负责推理的那一半正是我们所提供的服务。Qwen3.8-27B、Qwen3.8-Flash 和 Qwen3.8-Max 都可通过一个 API 密钥,按供应商标价提供,不额外加价访问,因此供应商调价会在当天生效,而不是等到您的下一个计费周期。如果您还在决定哪个 Qwen3.8 规格负责图表摘要,路由 DSL 可让您将批量流量发送到 Flash,并依据规则升级到 Max,而无需重写;自动故障转移可避免单个供应商降级导致整条路径瘫痪——当请求停滞就意味着临床决策停滞时,这一点比平时更重要。

编码器那一半不是我们的,也不可能是我们的。LingSante-Pulse-1.0 是一组自托管权重,没有任何推理代码,也没有任何托管端点,因此路由器没有什么可路由的,也没有价格可透传。声称并非如此,就会错误描述你实际得到的东西。实际情况是,这两半之间的边界只是一个普通的数字数组,而这是本系统中最容易保持稳定的接口。

什么会改变这一裁决

四件事,按它们能告诉你的信息量由少到多排列。

将 lingsante_pulse 发布到 PyPI 将使该模型可被调用,并把模型卡中的示例从文档变成测试。这是最小且最可能的下一步,也是让 Pulse 从一件制品转变为一项依赖的那一步。

在两个公开数据集——一个睡眠数据集、一个心脏数据集——上做一个冻结特征的线性探针,就能回答这个仓库无法回答的问题:那 256 个数字承载的是临床信息,还是仅仅承载方差。还没有人发表过这样的结果,而做一次探针的成本低到一个研究生一周内就能把它搞定。

一份关于训练语料的说明,能让你在花时间做集成之前判断领域是否匹配。通道列表暗示了睡眠和麻醉数据;卡片并未证实这一点,而“在它见过的导联组合上有效”这一说法,比“在你所在建筑里的导联组合上有效”要弱得多。

而独立的头对头对比会有帮助——但不是针对 Qwen3.8。真正能为购买决策提供依据的对比,是将 Pulse 与基于你自己数据训练的监督基线进行比较。这才是买家需要的测试,也是任何页面都无法替你完成的测试。

目前,这种分野很清晰。LingSante-Pulse-1.0 是一个 67 MB 的承诺,架构清晰可读,却无法运行。Qwen3.8-27B 是一个可用的模型,有已公布的价格和公开的评分。今天任何在两者之间做选择的人,都不是在选一个模型——他们是在选先搭建流水线的哪一半,而答案就是他们实际能调用的那一半。

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.

本文中的对比1

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新