К содержимому
Другое

U-VLM 0.1B

компактная нейросеть для описаний 3D-КТ снимков

2 мин чтенияобновлено

Модель анализирует трёхмерные снимки компьютерной томографии (КТ) и генерирует текстовые радиологические заключения. Разработана командами Medical Image Insights и Шанхайского университета Цзяо Тун на базе архитектуры nnU-Net. Вместо тяжеловесных языковых гигантов авторы объединили предобученный визуальный энкодер residual U-Net (свёрточная сеть для анализа медицинских объёмов) и лёгкий текстовый декодер, обученный с нуля. Признаки с шести уровней энкодера напрямую подаются в шесть слоёв декодера, а для токенизации используется словарь от Qwen3-4B. Решение пригодится исследователям в области медицинского ИИ и разработчикам систем автоматической предварительной расшифровки томограмм.

Ключевые особенности

  • Компактный размер: всего 0.1B параметров при работе с полноценными объёмными 3D-данными.
  • Поэтапное обучение энкодера: сначала сегментация по вокселям (трёхмерным пикселям), затем классификация патологий и только потом генерация текста.
  • Два специализированных чекпоинта: первый формирует связный описательный отчёт (обучен на CT-RATE), второй — структурированный отчёт (обучен на AbdomenAtlas 3.0).
  • Открытая лицензия: веса и код доступны под Apache-2.0.

Что можно сделать

  • Генерировать черновые нарративные заключения по КТ органов грудной клетки (чекпоинт CT-RATE).
  • Получать структурированные описания патологий брюшной полости (чекпоинт AbdomenAtlas 3.0).
  • Встроить пайплайн uvlm_inference в исследовательские системы для пакетной обработки 3D-снимков в формате Blosc2 с выгрузкой результатов в CSV.

Пример

uvlm_inference report \
    --csv-path /path/to/ct_rate_test.csv \
    --model-dir /path/to/uvlm_weights/nnUNet_results/Dataset1131_CT-RATE/nnUNetTrainer_UVLM__CTRATE_report_192x256x256_clsseg_bal_aug_ds_fr_narr__3d_fullres \
    --output-dir /path/to/output/ct_rate \
    --gpu-config "0:1"
ПодробнееМетрики CT-RATE (3 037 примеров): Macro F1 (RadBERT) — 0.4497, BLEU-mean — 0.3404, ROUGE-L — 0.3335.
Метрики AbdomenAtlas 3.0 (926 примеров): Macro F1 (DeepSeek) — 0.5718, BLEU-mean — 0.4342, ROUGE-L — 0.6250.
Требования: Python 3.10, PyTorch, nnU-Net v2, blosc2, transformers; входные снимки подаются в формате Blosc2.
Ограничения: веса Qwen3-4B не используются (только токенизатор); исходные датасеты и снимки в репозиторий не включены.
Обсудить Telegram 0 116

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.7 GB · готовые файлы1.3 GB
  • FP8 / INT8рекомендуемвеса 0.4 GB0.9 GB
  • 4-bitвеса 0.2 GB0.7 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.

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.

    # yinghemedical/U-VLM
    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 yinghemedical/U-VLM --local-dir ~/models/U-VLM
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к U-VLM
  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

Новые посты про версии U-VLM — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

yinghemedical/U-VLM
Автор
yinghemedical
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

1160

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии