К содержимому
Языковые модели

AxonMed-32B Titan

медицинская LLM с проверкой противопоказаний

2 мин чтенияобновлено

AxonMed-32B Titan — специализированная языковая модель (LLM) на 32,76 млрд параметров для анализа клинических случаев, дифференциальной диагностики и фармакологических проверок. Она построена на базе Qwen2.5-32B-Instruct и обучена индийской компанией SaathiMed Private Limited с опорой на классификаторы болезней ВОЗ (ICD-10 и ICD-11), базу лекарственных противопоказаний RxNorm/FDA и более 190 000 медицинских экзаменационных сценариев (USMLE и AIIMS/NEET-PG). По сравнению с базовой Qwen2.5-32B модель заметно прибавляет в медицинских тестах и подтягивается к более крупным решениям уровня LLaMA-3-70B. Пригодится исследователям в области цифрового здравоохранения, разработчикам медицинских ассистентов и образовательных тренажёров для врачей.

Ключевые особенности

  • Онтологии ВОЗ (ICD-10 и ICD-11): в модель заложены острые клинические триады по 26 системам органов, включая кардиологические, неврологические и эндокринные неотложные состояния.
  • Матрица безопасности RxNorm и FDA: встроенный контроль жёстких фармакологических противопоказаний — например, запрет вазодилататоров при инфаркте правого желудочка или неселективных бета-блокаторов при астме.
  • Агентная маршрутизация неопределённости: модель рассчитана на связку с движком SaathiMed Popperian Falsification Engine, который отсеивает опасные дистракторы при близких вероятностях ответов (Δ < 0.35).
  • Сильные бенчмарки для своего размера: на тесте PubMedQA модель набирает 79,00%, практически сравниваясь с 540-миллиардной Google Med-Gemini (79,20%).

Что можно сделать

  • Разбор клинических кейсов: подавать на вход описание симптомов, показатели давления и данные ЭКГ, чтобы получать пошаговое обоснование диагноза и выбор тактики лечения.
  • Автоматический скрининг назначений: использовать модель в прототипах систем поддержки врачебных решений для проверки лекарственных схем на критические противопоказания.
  • Подготовка к медицинским экзаменам: интегрировать в тренажёры для решения тестов формата USMLE Step 1/2/3 с разбором логики рассуждений через тег .

Пример

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

MODEL_ID = "Saathimed/AxonMed-32B-Titan"
tokenizer = AutoTokenizer.from_pretrained(MODEL_ID, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(MODEL_ID, torch_dtype=torch.bfloat16, device_map="auto", trust_remote_code=True)
inputs = tokenizer("Chest pain, BP 82/54, ST elevation in II, III, aVF, V4R.\n", return_tensors="pt").to("cuda")
print(tokenizer.decode(model.generate(**inputs, max_new_tokens=250, temperature=0.2)[0], skip_special_tokens=True))
ПодробнееБенчмарки (EleutherAI lm-eval 0-Shot): MedQA (USMLE) — 75,81% (против 58–64% у базовой Qwen2.5-32B), PubMedQA — 79,00%.
Архитектура: 64 слоя, 32,76B параметров, формат весов bfloat16, язык — английский, лицензия Apache-2.0.
Для запуска в bfloat16 потребуется GPU уровня серверных ускорителей (около 65+ ГБ VRAM без квантования).
Обсудить Telegram 0 11

Запустится ли?

Запустится в 4-bit

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 61 GB · готовые файлы64 GB
  • FP8 / INT8рекомендуемвеса 31 GB33 GB
  • 4-bitвеса 17 GB20 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: В домашние видеокарты не поместится — выгоднее арендовать.

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Для текстовых моделей — с контекстом 8192 токенов.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте RTX A6000

    $0.43 в час с купоном. При создании машины выберите образ Ubuntu.

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Saathimed/AxonMed-32B-Titan — RTX A6000, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve Saathimed/AxonMed-32B-Titan --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к AxonMed-32B-Titan
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Дообучение модели

Qwen/Qwen2.5-32B-Instruct
  1. Qwen2.5-32Bоснова семьи
  2. Qwen2.5-32B-Instruct
  3. AxonMed-32B-Titan

Новые посты про версии Qwen2.5-32B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 8Все на Hugging Face
Слияния 12Все на Hugging Face

О модели

Saathimed/AxonMed-32B-Titan
Автор
Saathimed
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

110

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

AxonMed-7B-Flash

AxonMed-7B-Flash