К содержимому
Другое

MedGuard-ShieldGemma-2B

LoRA-адаптеры для проверки лекарственных назначений

2 мин чтенияобновлено

Данная модель представляет собой набор LoRA (небольших надстроек над базовой моделью) адаптеров, обученных на датасете MedGuardBench для контроля безопасности рецептов с учетом профиля пациента. Получая структурированные данные пациента и предлагаемое назначение лекарств, модель выдает вердикт о безопасности и определяет категории риска. Решение основано на базовой модели google/shieldgemma-2b и создано для исследовательских задач в области медицинских гардрейлов.

Ключевые особенности

  • Адаптеры на базе google/shieldgemma-2b для проверки лекарственных назначений.
  • Обучение на датасете MedGuardBench с оценкой по 17 категориям риска.
  • Несколько вариантов обучения: SFT, Patient Profile Unrolling и Guided GRPO.
  • Наличие подробных метрик точности, полноты и F1-меры для каждого варианта в карточке.

Что можно сделать

  • Подключить адаптеры через библиотеку peft для исследовательских задач в области безопасности.
  • Использовать разные ветки обучения (sft, cu, grpo) в зависимости от ваших экспериментов.
  • Протестировать генерацию вердиктов безопасности и трассировку верификации (в версии CU).

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

base = AutoModelForCausalLM.from_pretrained("google/shieldgemma-2b", device_map="auto")
tok = AutoTokenizer.from_pretrained("sarakhosravi/MedGuard-ShieldGemma-2B", subfolder="cu")
model = PeftModel.from_pretrained(base, "sarakhosravi/MedGuard-ShieldGemma-2B", subfolder="cu")
ПодробнееБенчмарки на тестовом сплите MedGuardBench (729 строк):
- SFT: Acc 90.1, Rec 95.3, FPR 15.4
- CU (Patient Profile Unrolling): Acc 90.1, Rec 96.6, FPR 16.9
- Guided GRPO: Acc 80.0, Rec 98.4, FPR 40.0
Ограничения: Модели предназначены исключительно для исследований в области гардрейлов безопасности лекарств и не являются медицинскими устройствами.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 4.9 GB · готовые файлы5.9 GB
  • FP8 / INT8рекомендуемвеса 2.5 GB3.3 GB
  • 4-bitвеса 1.4 GB2.1 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: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

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

Это LoRA: вместе с базовой моделью shieldgemma-2b.

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

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    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.

    # sarakhosravi/MedGuard-ShieldGemma-2B
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download google/shieldgemma-2b --local-dir ~/models/shieldgemma-2b
    hf download sarakhosravi/MedGuard-ShieldGemma-2B --local-dir ~/models/MedGuard-ShieldGemma-2B
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к shieldgemma-2b
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

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.

Семья модели

Нужна базовая модель

google/shieldgemma-2b

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

Новые посты про версии shieldgemma-2b — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 8Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

sarakhosravi/MedGuard-ShieldGemma-2B
Автор
sarakhosravi
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

SautiLM-Jua-STEM

SautiLM-Jua-STEM