/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
14 авг 2026

Qwen2.5-7B-Instruct-cognify-BreaK

Генерация текстаТекст → текст3 профессии

Дообученная Qwen2.5-7B-Instruct для генерации структурированных объяснительных заметок по синтетическим случаям классификации деменции.

38скачиваний за 30 дней0лайковвеса обновлены15 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Allenda/Qwen2.5-7B-Instruct-cognify-BreaK — языковая модель на архитектуре Qwen2, разработанная командой BreaK для CognifyChallenge 2026. Это дообученная версия Qwen/Qwen2.5-7B-Instruct с 7,1 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors по лицензии Apache-2.0.

Модель предназначена для узкого сценария с синтетическими данными: по записи пациента, вердикту классификатора деменции и пяти верхним SHAP-атрибуциям она формирует краткую клиническую заметку с объяснением решения и структурированный список факторов. На выходе ожидается JSON с полями note и drivers. Обучение на 650 примерах фактически переносит в модель правила генерации заметок из программы, а не медицинские знания; авторы сообщают о проверке на синтетических тестовых случаях.

Модель не предназначена для диагностики или обработки реальных медицинских записей. Её поведение оценивалось только на заданном формате промпта и синтетических данных, поэтому качество вне этого сценария не измерено.

Сценарии применения

  • создание клинической заметки по синтетической записи пациента и вердикту классификатора деменции
  • объяснение решения классификатора деменции по пяти SHAP-атрибуциям
  • формирование JSON со значимыми факторами решения для соревнований по клиническому NLP

Ограничения

Предназначена только для синтетических данных и конкретного формата промпта; авторы прямо не рекомендуют применять её к реальным записям пациентов или для диагностики. Поведение вне указанного сценария не оценивалось, а целевые заметки были сгенерированы программой, а не написаны врачами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Allenda/Qwen2.5-7B-Instruct-cognify-BreaK

Qwen/Qwen2.5-7B-Instruct fine-tuned for CognifyChallenge 2026 (team BreaK): given a synthetic patient record, a dementia classifier's verdict and its top-5 SHAP attributions, write a short clinical note explaining the model's reasoning, plus a structured list of the drivers the note relies on.

What it was trained on

650 examples: 450 cases from the practice split of the competition's own cohort (cohort_dev.json), plus 200 sparsified copies of those same cases.

The targets are not human-written. They are generated by a deterministic program that assembles the note the competition's scoring function implies — verdict and confidence band in the question bank's own wording, the five attributions in rank order with the direction each one gives, values quoted only where the record can support them, and the findings the record reports as present so that what it reports as absent follows by elimination. So this is distillation of a program into a model, not a model taught medicine.

The sparsified copies exist because the two splits differ in the tail: the practice split's records carry at least 21 citable fields and the held-out split reaches down to 7. Trained on the practice range alone, the model wrote a correct note on 59 of 60 manufactured sparse cases and fell into a degenerate repetition loop on the sixtieth. With the sparse copies in the training set it is 60 of 60.

The held-out slice of 150 cases was excluded from training, and the sparsified copies were built only from training cases. The competition's test split was never read.

Intended use

This model is for one task, in one prompt format, on synthetic data. It does not diagnose, and it should not be pointed at real patient records. Every patient in its training data is synthetic.

Prompt format

It expects the rendering the competition harness produces — the patient record, the model output, the top 5 attributions and the citable-fields JSON, followed by a short instruction — and replies with a single JSON object holding note and drivers. Outside that format it will still answer, but nothing about its behaviour there was measured.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
57617de

0 моделей