Характеристики

Контекст: 32 768 токенов
Параметры: 494 млн
Размер весов: 988 МБ
Лицензия: Apache 2.0
Архитектура: qwen2 · dense
Базовая модель: Qwen2.5-0.5B-Instruct
Опубликована: 8 мар 2026

Ссылки

Cognitapp-Med-Nano-v1

Генерация текстаТекст → текст3 профессии

Компактная дообученная языковая модель для извлечения клинических сведений и подбора кодов ICD-10-CM в медицинском биллинге.

112скачиваний за 30 дней2лайкавеса обновлены8 мар 2026

Бенчмарки

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

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

Cognitapp-Med-Nano-v1 — компактная медицинская языковая модель Cognitapp Labs, дообученная на базе Qwen/Qwen2.5-0.5B-Instruct. Она предназначена для извлечения клинических сведений и подбора кодов ICD-10-CM для медицинского биллинга. Модель содержит 494 млн параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов; формат весов — safetensors.

Модель рассчитана на обработку клинических сценариев, включая педиатрию, гериатрию и инфекционные заболевания. По карточке, обучение нацелено на точность буквенно-цифровых кодов и использование в автономном режиме на мобильных и настольных устройствах через MLX или llama.cpp. Поддерживаемые языки по метаданным — английский и урду.

Модель предназначена как вспомогательный инструмент для медицинских специалистов и сотрудников биллинга, а не для постановки диагноза. Результаты следует проверять квалифицированному медицинскому специалисту; ошибки в клинических выводах или кодировании остаются возможны. Лицензия — Apache-2.0.

Сценарии применения

извлечение основного кода ICD-10-CM из описания случая
подготовка медицинских кодов для биллинга
извлечение клинических сведений из сценариев пациентов
обработка сценариев по инфекционным заболеваниям, педиатрии и гериатрии

Ограничения

Модель не предназначена для постановки диагноза; клинические и биллинговые результаты необходимо проверять медицинскому специалисту. Карточка указывает на обучение по более чем 1 200 сценариям, поэтому охват может быть ограничен представленными в них случаями.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей IV.3Отраслевые задачиСтрахование и актуарные задачиAI помогает оценивать риски, обрабатывать убытки и управлять страховым портфелем.30 задач563модели IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Cognitapp-Med-Nano-v1

Cognitapp-Med-Nano-v1 is a specialized, lightweight medical large language model (LLM) developed by Cognitapp Labs. It is fine-tuned from the Qwen2.5-0.5B architecture to excel at ICD-10-CM Medical Billing and Clinical Extraction.

Key Features

Global & Regional Awareness: Optimized for both international clinical standards.
Efficiency: 0.5B parameters, designed for 100% offline use on mobile and desktop devices via MLX or llama.cpp.
Precision: Trained using prompt-masking to prioritize alphanumeric code accuracy over conversational filler.

How to use with MLX

from mlx_lm import load, generate

model, tokenizer = load("Cognitapp/Cognitapp-Med-Nano-v1")
prompt = "<system>You are the Cognitapp Global ICD-10 Assistant. Extract the primary ICD-10 code.</system> <user>Patient has 103F fever, body aches, and positive NS1 for Dengue.</user> <assistant>"
response = generate(model, tokenizer, prompt=prompt, max_tokens=10)
print(response)

Intended Use

This model is a supportive tool for medical professionals and billers. It is NOT a diagnostic tool.

Training Data

Fine-tuned on a balanced dataset of 1,200+ global and regional clinical scenarios including pediatrics, geriatrics, and infectious diseases.

Disclaimer

All outputs must be verified by a licensed healthcare professional. Cognitapp Labs is not responsible for any clinical or billing errors.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры: Qwen2ForCausalLM
Ревизия весов: f21e0b7