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))
Подробнее
Бенчмарки (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).










Комментарии