/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
30,5 ГБ
Архитектура
qwen2 · dense
Библиотека
transformers
Опубликована
28 апр 2025

II-Medical-7B-Preview

Генерация текстаТекст → текст3 профессии

Медицинская диалоговая модель на базе Qwen2.5-7B-Instruct для ответов на вопросы и решения задач медицинского рассуждения.

39скачиваний за 30 дней13лайковвеса обновлены29 апр 2025

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

II-Medical-7B-Preview — медицинская диалоговая модель для генерации ответов и рассуждений по вопросам медицины. Её разработала команда Intelligent Internet на основе Qwen/Qwen2.5-7B-Instruct: модель дообучили на медицинских данных методом SFT, а затем оптимизировали с помощью DAPO на сложных задачах рассуждения. Архитектура — плотная Qwen2, размер — 7,1 млрд параметров, длина контекста — 32 768 токенов.

Модель предназначена для ответов на медицинские вопросы и решения задач из медицинских экзаменационных наборов. В карточке приведены результаты оценки на десяти наборах, включая MedQA, MedMCQA и PubMedQA. Модель принимает текст и генерирует текст; README рекомендует запрашивать пошаговое рассуждение и оформлять итоговый ответ в \boxed{}.

Это предварительная версия, опубликованная 28 апреля 2025 года. Лицензия в предоставленных метаданных и README не указана. Разработчики предупреждают о возможных смещениях в данных и устаревании медицинских знаний и прямо указывают, что модель не подходит для медицинского применения.

Сценарии применения

  • ответы на учебные вопросы по медицине
  • решение тестовых задач MedQA и MedMCQA
  • объяснение медицинских задач с пошаговым рассуждением

Ограничения

Модель не предназначена для медицинского применения; ответы могут наследовать смещения обучающих данных, а медицинские знания со временем устаревают.

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

II-Medical-7B-Preview

I. Model Overview

II-Medical-7B-Preview is a medical reasoning model trained on a comprehensive dataset of medical knowledge. The model is designed to enhance AI capabilities in medical.

Model Benchmark

II. Training Methodology

We collected and generated a comprehensive set of reasoning datasets for the medical domain and performed SFT fine-tuning on the Qwen/Qwen2.5-7B-Instruct model. Following this, we further optimized the SFT model by training DAPO on a hard-reasoning dataset to boost performance.

For SFT stage we using the hyperparameters:

  • Max Length: 16378.
  • Batch Size: 128.
  • Learning-Rate: 5e-5.
  • Number Of Epoch: 4.

For RL stage we setup training with:

  • Max prompt length: 2048 tokens.
  • Max response length: 12288 tokens.
  • Overlong buffer: Enabled, 4096 tokens, penalty factor 1.0.
  • Clip ratios: Low 0.2, High 0.28.
  • Batch sizes: Train prompt 512, Generation prompt 1536, Mini-batch 32.
  • Responses per prompt: 16.
  • Temperature: 1.0, Top-p: 1.0, Top-k: -1 (vLLM rollout).
  • Learning rate: 1e-6, Warmup steps: 10, Weight decay: 0.1.
  • Loss aggregation: Token-mean.
  • Gradient clipping: 1.0.
  • Entropy coefficient: 0.

III. Evaluation Results

We evaluate on ten medical QA benchmarks include MedMCQA, MedQA, PubMedQA, medical related questions from MMLU-Pro and GPQA, small QA sets from Lancet and the New England Journal of Medicine, 4 Options and 5 Options splits from the MedBullets platform and MedXpertQA.

ModelMedMCMedQAPubMedMMLU-PGPQALancetMedB-4MedB-5MedXNEJMAvg
QWQ 32B69.7387.0388.579.8669.1771.372.0769.0124.9875.1270.68
Qwen2.5-7B-IT56.5661.5171.361.1742.5661.1746.7540.5813.2659.0451.39
HuatuoGPT-o1-8B63.9774.7880.1063.7155.3864.3258.4451.9515.7964.8459.32
Med-reason61.6771.8777.464.150.5159.760.0654.2222.8766.859.92
M162.5475.8175.8065.8653.0862.6263.6459.7419.5964.3460.3
II-Medical-7B-Preview-Wo-RL69.1384.0577.573.4955.1267.7169.4864.2819.5170.6465.1
II-Medical-7B-Preview69.4285.1577.977.2655.9065.2972.7268.5022.9768.6666.4

IV. Dataset Curation

The training dataset comprises 555,000 samples from the following sources:

1. Public Medical Reasoning Datasets (103,031 samples)

  • General Medical Reasoning: 40,544 samples
  • Medical-R1-Distill-Data: 22,000 samples
  • Medical-R1-Distill-Data-Chinese: 17,000 samples
  • UCSC-VLAA/m23k-tokenized: 23,487 samples

2. Synthetic Medical QA Data with QwQ (225,700 samples)

Generated from established medical datasets:

  • MedMcQA (from openlifescienceai/medmcqa): 183,000 samples
  • MedQA: 10,000 samples
  • MedReason: 32,700 samples

3. Curated Medical R1 Traces (338,055 samples)

First we gather all the public R1 traces from:

  • PrimeIntellect/SYNTHETIC-1
  • GeneralReasoning/GeneralThought-430K
  • a-m-team/AM-DeepSeek-R1-Distilled-1.4M
  • open-thoughts/OpenThoughts2-1M
  • nvidia/Llama-Nemotron-Post-Training-Dataset: Science subset only
  • Other resources: cognitivecomputations/dolphin-r1, ServiceNow-AI/R1-Distill-SFT,...

All R1 reasoning traces were processed through a domain-specific pipeline as follows:

  1. Embedding Generation: Prompts are embedded using sentence-transformers/all-MiniLM-L6-v2.

  2. Clustering: Perform K-means clustering with 50,000 clusters.

  3. Domain Classification:

    • For each cluster, select the 10 prompts nearest to the cluster center.
    • Classify the domain of each selected prompt using Qwen2.5-32b-Instruct.
    • Assign the cluster's domain based on majority voting among the classified prompts.
  4. Domain Filtering: Keep only clusters labeled as Medical or Biology for the final dataset.

4. Supplementary Math Dataset

  • Added 15,000 samples of reasoning traces from light-r1
  • Purpose: Enhance general reasoning capabilities of the model

Preprocessing Data

  1. Filtering for Complete Generation

    • Retained only traces with complete generation outputs
  2. Length-based Filtering

    • Minimum threshold: Keep only the prompt with more than 3 words.
    • Maximum threshold: Keep only the traces with less than 7,143 words.
    • Wait Token Filter: Removed traces with has more than 47 occurrences of "Wait" (97th percentile threshold).

Data Decontamination

We using two step decontamination:

  1. Following open-r1 project: We decontaminate a dataset using 10-grams with the evaluation datasets.
  2. After that, we using the fuzzy decontamination from s1k method with threshold 90%.

Our pipeline is carefully decontaminated with the evaluation datasets.

V. How To Use

Our model can be utilized in the same manner as Qwen or Deepseek-R1-Distill models.

For instance, you can easily start a service using vLLM:

vllm serve Intelligent-Internet/II-Medical-7B-Preview

You can also easily start a service using SGLang:

python -m sglang.launch_server --model Intelligent-Internet/II-Medical-7B-Preview

VI. Usage Guidelines

  • Recommended Sampling Parameters: temperature = 0.6, top_p = 0.9
  • When using, explicitly request step-by-step reasoning and format the final answer within \boxed{} (e.g., "Please reason step-by-step, and put your final answer within \boxed{}.").

VII. Limitations and Considerations

  • Dataset may contain inherent biases from source materials
  • Medical knowledge requires regular updates
  • Please note that It’s not suitable for medical use.

VIII. Citation

@misc{2025II-Medical-7B-Preview,
      title={II-Medical-7B-Preview: Medical Reasoning Model}, 
      author={Intelligent Internet},
      year={2025}
}

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
87c0a7c

0 моделей