
LingSante-Pulse-1.0 已在 Hugging Face 上线;但运行它的代码尚未发布
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 183 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 741 tok/s
- Alibaba新Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 每百万 tokens · 407 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 119 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
LingSante-Pulse-1.0于2026年11月20日08:39 UTC出现在 Hugging Face 上,到当天上午09:12,其作者 inclusionAI 已经推送了一次修订。该条目显示有1个赞、0次下载。仓库里没有任何可以与之对话的模型:LingSante-Pulse-1.0是一个拥有1670万参数的生理信号编码器——ECG、EEG、气流、血氧——它把波形转换为固定长度的嵌入向量,然后就到此为止。没有发布文章,没有技术报告,没有基准测试表,而且截至本文撰写时,也没有可用于加载它的代码包。模型卡片指示你安装一个单独的 lingsante_pulse 包;该包并不在 PyPI 上。
真正存在的部分异常清晰易读。权重以 F32 格式提供,safetensors 头部未压缩且可读,channels.json 列出了该模型接受的全部五十七种信号类型。因此,可以对这个模型是什么说上很多,也能精确说明实验室外尚无人能够确认的内容。本文会将这两类内容分开。
出现了什么,以及什么没有出现
该仓库包含七个文件:一份 README、一份 MIT 许可证、model.safetensors(在 66.9 MB 的仓库中占 63.8 MiB 的权重)、config.json、channels.npz、channels.json,以及常见的 gitattributes 存根。这就是整个发布内容的全部。
缺席,而每一次缺席都举足轻重:
• 仓库中没有推理代码,PyPI 上无论是 lingsante-pulse 还是 lingsante_pulse 也都没有对应的包——两者均返回 404。
• 没有基准测试。该模型卡以文字描述其行为(“将 ECG 等生理信号转换为嵌入”),且未发布任何形式的数字。
• 无技术报告。{{1}}inclusionAI{{/1}} 在 arXiv 上有收录,其姊妹仓库 {{2}}LingSante-MedGuard{{/2}}(创建于 2026 年 11 月 17 日)链接了一份报告。{{3}}Pulse{{/3}} 卡片则未链接任何内容。
• 网络搜索找不到任何形式的公告。模型卡本身包含“After publication”这一短语,读起来像是该包发布排期确定之前写下的文字。
• 无推理提供商。Hugging Face 报告该模型未由任何提供商部署,且模型卡片邀请读者请求支持。
有一个文件带来了一点小惊喜:config.json 携带了三个数据文件的 SHA-256 摘要。这不是营销上的摆设。这是团队在预期文件会被四处复制、并且想知道它们是否完好送达时才会加上的那种校验。
十二个块,256 维,32 样本补丁
safetensors 头部列出了 203 个张量,其元数据块显示 model: LingSante-Pulse, step: 260000。根据张量名称重建架构很直接——而这是唯一存在的架构文档。
• 深度与宽度——12 个 transformer 块(blocks.0 至 blocks.11),每个块均具有 256 宽的残差流。
• 注意力——一个形状为 [768, 256] 的融合 qkv 投影,因此相当于三个宽度为 256 的头各自的键、查询和值;除了 out 为 [256, 256] 之外,没有给出单独的输出投影大小。
• 前馈 —— gate_up 为 [2048, 256],down 为 [256, 1024],这正是具有 1,024 宽隐藏层的门控线性单元的形状特征。
• 门控——每个块都带有一个位于 [256, 256] 的 attention_gate 外加偏置,以及一个匹配的 film_heads.N,位于 [1024, 256],输出一个 1,024 值的调制向量。十二个块对应十二个 FiLM 头。卡片中没有任何内容说明它们以什么为条件。
• 分块——patch.weight 为 [256, 32]。在该卡指定的固定 128 Hz 下,每块三十二个样本恰好是 250 毫秒,这正是 README 给出的返回 token 特征的时间间隔。算术上完全吻合。
• 序列构成元素——一个 cls token、一个 mask_token,以及位于 [1, 4, 256] 张量中的四个 register_tokens。
• 文本路径——text_adapter.0 将 384 维投影到 256 维,text_adapter.1 再在 256 维内进行细化。模型卡称,通道条件向量来自 BAAI/bge-small-en-v1.5,其隐藏维度为 384。因此,模型以其输入通道的自然语言描述为条件,并将其投影到自身空间中。这一解读是根据形状以及模型卡的来源说明推断出来的,并非有文档记载的设计,但两者相互吻合。
• 再多一个头——validity.weight,位于 [256, 64]。这是一个逐位置信号,表示某个样本是否确实被观测到,这与卡片中提到的 observed-valid PatchMean 和存储填充掩码相符。

这份规格表是从张量形状读出来的,而非来自数据手册:16.7M 参数、十二个宽度为 256 的模块、128 Hz 下 32 采样的 patch,以及一个用于通道条件化的 384 到 256 文本适配器。
五十七个通道描述一间睡眠实验室
真正有意思的文件不是权重,而是 channels.json,它用通俗易懂的英语描述了模型所接受的 57 个信号标识中的每一个。
按顺序读这份列表,它就不再像一套通用的生物信号词汇了。三个EEG头皮导联“during sleep”。两个EOG导联“during sleep”。一个下颌EMG“during sleep”,一个腿部EMG“during sleep”。气流、胸式呼吸努力、腹式呼吸努力、鼾声、SpO2。这是一套多导睡眠图导联组合,顺序正是睡眠技师会采用的命名顺序。
然后,清单继续延伸到另一个房间。气道压力“由麻醉呼吸机测量”。呼气末 CO2。呼吸频率由 Dräger Primus 和 Solar8000 监护仪得出。来自前额麻醉深度监护仪的 BIS EEG 功率(以分贝计),外加其两个额部 EEG 导联。十二导联 ECG,包含完整的胸前导联组、三个改良肢体导联,以及十六个单极 EOG 衍生导联。
两种场景,一套通道词汇。从这个代码库中能得出的最站得住脚的推断是:该编码器同时接受了睡眠研究以及围手术期或重症监护监测的训练——并且其设计者想要的是一个模型,无论医院已经拥有哪种导联组合,把它指向该组合都能用。卡片上并没有这么说。通道列表替它说了。
这种广度也是该模型的主要工程主张。一个拥有 1600 万参数的编码器,能接受 57 种异构通道标识,把所有信号重采样到 128 Hz,并为每个通道返回一个嵌入,它解决的是一个任何接触过临床波形的人都会立刻认出的数据管道问题:医院里没有任何东西能在采样率、导联命名或实际记录了哪些通道上保持一致。
缺失的部分就是程序包。
该卡片的使用示例有四行:
从 lingsante_pulse 导入 LingSantePulse,然后调用 LingSantePulse.from_pretrained(),再调用 model.encode(x, sample_rate=128, channels=[{"modality": "ECG", "lead": "II"}]),最后打印各张量的形状。
如今这些都跑不起来。导入会失败,因为该卡片隐式指向的索引上并不存在这个包。模型目录里放的是权重和条件向量,而不是一个 Python 模块。想使用这个发布版的读者只有一条路:根据 203 个张量名称重新实现前向传播,猜测激活函数,猜测 FiLM 调制是如何应用、按什么顺序应用,并指望归一化统计量正好是作者所用的那些。
{{1}}对于基于 patches 的 transformer 来说,这并非不可能。{{/1}}对熟悉 PyTorch 的人来说,这是一天的工作量;对其他人来说,则是一个研究项目。但“可重新实现”和“{{2}}已发布{{/2}}”是两回事,而它们之间的差距,正是一次发布的大部分价值所在。没有推理路径的权重只是关于模型的一种说法,而不是你可以调用的模型。
这张模型卡意识到了这个断层。它写道:“在使用这些模型资产之前,请先安装单独的推理代码包。”接着,在示例中又说:“发布之后,这个完整示例会在首次使用时下载模型。”这两句话都指向未来。要么这个代码包即将发布,要么此次发布是一次提前卡位之举——把权重公开放出,使其可被引用、可由内部评测框架衡量,并在代码落地的那一刻准备就绪。
这张卡声称了什么,又省略了什么
文档中记录的接口既狭窄又具体,这是它的一大优点。
• 输入形式 — [T]、[C, T]、[B, C, T] 或对齐的通道字典。长度不齐的录音也可用;你告诉模型真实的采样率以及每个通道的物理身份。
• 预处理——据称该代码包会处理重采样至固定 128 Hz、观测样本以及存储填充掩码。请注意,这只是关于尚不存在的代码的一项声明。
• 输出 — CLS 和观测有效的 PatchMean 分别以 [B, C*256] 形式返回,通道按输入顺序拼接;return_tokens=True 还会以 0.25 秒的间隔生成 patch 特征和有效性掩码。
• 范围 — “这些是信号表示;不包含任务特定的预测头。”通俗地说:Pulse 为你提供特征,而分类器、检测器和风险评分则由你提供。
它没有提供的是:任何关于这些特征适合用来做什么的说明。没有线性探针表,没有下游任务列表,没有说明编码器是在哪个数据集上训练的,除了 1,280 个样本的示例(在 128 Hz 下为十秒)之外没有任何窗口长度指导,没有说明它如何处理从未训练过的通道,也没有与任何现有生理基础模型进行比较。步数计数器显示为 260,000 个训练步。这是整个发布版本中唯一一个关于训练的数字。
为什么仅发布权重很难评分
编码器无法在抽象层面被评估。它的质量完全取决于你将其接入的下游任务,而报告这一点的标准做法是在若干公开数据集上使用带有明确划分的冻结特征线性探针。没有这些数字,有三件事是无法得知的。
首先,嵌入究竟携带的是信息,还是仅仅是方差。从十秒心电图中提取的 256 维向量可能看起来合理——平滑、有结构、在不同患者之间保持稳定——却仍然只编码了心率和信号质量。只有探针才能区分这两者。
其次,通道条件化究竟是有帮助,还是仅仅起装饰作用。该架构投入了一个文本适配器和 57 个通道标识。如果仅使用单通道 ECG 的基线模型就能与完整模型相匹配,那么这套机制就是只有成本而没有收益,而只有消融实验才能证明这一点。
第三,模型能否泛化到其训练分布之外。临床波形在不同设备、电极放置和人群之间会发生剧烈变化。“能在它见过的导联组合上奏效”比“能在你柜子里的导联组合上奏效”是一个弱得多的主张,而这里没有任何内容检验第二种说法。
这些都不是指控。几个小时前上传了一个没有论文的模型,这是正常的第一步,技术报告可能已经在评审中。这只是证据的真实状态,而正在决定是否要在此基础上继续开发的读者应当知道,目前唯一经过验证的只是文件列表。
什么会改变这一点
四件事,按它们能告诉你的信息量由少到多排列。
在 lingsante_pulse 下发布 PyPI 版本将使模型可运行,并将卡片中的用法示例从文档变成测试。这是最小且最有可能的下一步。
在卡片中增加一段说明训练语料的文字,能让读者在花一天做集成之前判断领域是否匹配。目前通道列表暗示有睡眠和麻醉数据,但并未予以确认。
在两三个公开数据集上做一次冻结特征探针——一个睡眠数据集、一个心脏数据集——就能把这次发布从一件产物变成一项结果。这是最重要、对作者来说成本最低的一项。
独立复现会比上述任何一点都更重要,而且无法由供应商来安排。还没有人在公开场合运行过这个模型。接下来的几周里,这句话值得牢记。
像这样的编码器在一个实际运行的系统中处于什么位置?它负责生成特征;还需要别的东西对这些特征进行推理,而在大多数临床流程中,这个“别的东西”就是一个语言模型,它会结合患者病历来阅读嵌入摘要。OrcaRouter 所服务的正是这一推理层——用一个 API 接入 200 多个模型,按供应商目录价原样传递、不额外加价,以及在供应商服务降级时自动故障转移。LingSante-Pulse-1.0 本身是自托管权重,不在我们的目录中;编码器和读取其输出的模型是两项独立的采购决策,而只有后者才提供 API。
目前,实用的答案并不光鲜。如果你有 PSG 或术中波形数据,并且熟悉 PyTorch,就下载 safetensors 文件并读取其 header——这是此次发布中最有信息量的产物。如果你需要的是本周就能调用的东西,这里目前还没有。63.8 MiB 的权重是一个附带了文件大小的承诺。

目前的完整发布版本就是这样:七个文件,其中一个是权重文件,没有一个是代码。

该仓库目前支持:参数量、从张量形状推断出的架构,以及通道词表——但没有基准测试、没有软件包,也没有提供商。
