/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
medgemma-4b-it
Библиотека
transformers
Опубликована
15 дек 2025

ANTONI-Alpha

Изображение и текст → текст3 профессии

ANTONI-Alpha — дообученная vision-language модель для вопросов и ответов по гистопатологическим whole-slide images через предварительно извлечённые Prism-эмбеддинги.

764скачиваний за 30 дней8лайковвеса обновлены15 янв 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

ANTONI-Alpha — мультимодальная модель группы Computational Pathology Group RadboudUMC для работы с изображениями в вычислительной патологии. Она позволяет задавать вопросы на естественном языке по whole-slide images (WSI) и получать текстовые ответы.

Модель использует визуальный энкодер Prism, который преобразует тайлы в эмбеддинги размерности 1280, проекционный слой с cross-attention и языковую модель MedGemma-4B. Для адаптации применялся LoRA с рангом 16; веса языковой модели представлены в 4-битном формате, активации — bf16. Модель принимает предварительно извлечённые Prism-эмбеддинги и диалоги в формате OpenAI, а выдаёт текст. Она не обрабатывает исходные WSI напрямую; для использования нужны Prism-эмбеддинги. Базовая модель — google/medgemma-4b-it. В метаданных указана лицензия other; дополнительные условия следует проверять в карточке модели и лицензии базовой модели.

Сценарии применения

  • ответы на вопросы по гистопатологическим whole-slide images
  • описание участков ткани по Prism-эмбеддингам
  • диалоговый анализ изображений патологических препаратов
  • извлечение текстовых наблюдений из данных вычислительной патологии

Ограничения

Модель требует заранее извлечённых Prism-эмбеддингов и не обрабатывает исходные WSI напрямую. Лицензия указана как other, поэтому условия использования нужно уточнить в карточке модели и базовой модели.

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

ANTONI-Alpha

Vision-Language Model for Computational Pathology

Resources

Authors

Computational Pathology Group RadboudUMC

Model Information

ANTONI-Alpha is a vision-language model for computational pathology that enables natural language interactions with whole slide images.

Architecture:

  • Vision encoder: Prism (1280-dim tile embeddings)
  • Language model: MedGemma-4B (4-bit quantized)
  • Projector: Cross-attention (256 output tokens, 8 query/KV heads)
  • Training: LoRA fine-tuning (rank 16, alpha 16)

Model Statistics:

  • Precision: 4-bit weights + bf16 activations

Training Procedure

Stage 1: Projector Alignment

  • Frozen LLM, trainable projector
  • Dataset: Clean pathology reports from HISTAI-Instruct
  • 35 epochs, batch size 512, learning rate 3e-4

Stage 2: Instruction Tuning

  • Full model training (LoRA on LLM + projector)
  • Dataset: All English instruction pairs from HISTAI-Instruct
  • 21 epochs, batch size 512, learning rate 3e-5
  • Optimizer: AdamW with cosine scheduler

Installation

pip install git+https://github.com/computationalpathologygroup/ANTONI-Alpha.git

Optional: Flash Attention 2

For improved performance on compatible hardware, install Flash Attention 2:

pip install flash-attn==2.8.3 --no-build-isolation

The --no-build-isolation flag allows the build process to use your installed PyTorch. Flash Attention 2 requires CUDA-capable hardware and will be used automatically if installed.

How to Use

import torch
from antoni_alpha.models.antoni_pretrained import AntoniAlphaPreTrained

# Load model
model = AntoniAlphaPreTrained.from_pretrained(
    "SaltySander/ANTONI-Alpha",
    device_map="auto",
    torch_dtype=torch.bfloat16
)

# Load slide features (Prism embeddings)
slide_features = torch.load("slide_features.pt")  # [num_tiles, 1280]
slide_latents = slide_features.unsqueeze(0)
slide_latents = slide_latents.to(next(model.projection_layer.parameters()).device)

# Inference
conversation = [{"role": "user", "content": "Describe this tissue."}]

with torch.no_grad():
    output_ids = model.generate(
        slide_latents=slide_latents,
        conversations=[conversation],
        max_new_tokens=200,
        do_sample=False,
    )

response = model.processor.batch_decode(output_ids, skip_special_tokens=True)[0]
print(response)

Input/Output

Input:

  • slide_latents: Tensor [batch_size, num_tiles, 1280] (Prism embeddings)
  • conversations: List of conversations in OpenAI format

Output:

  • Generated text response

Note: This model requires pre-extracted Prism embeddings. It does not process raw WSI images end-to-end.

Citation

@inproceedings{moonemans2025open,
  title={Democratizing Pathology Co-Pilots: An Open Pipeline and Dataset for Whole-Slide Vision-Language Modeling},
  author={Sander Moonemans and Sebastiaan Ram and Fr{\'e}d{\'e}rique Meeuwsen and Carlijn Lems and Jeroen van der Laak and Geert Litjens and Francesco Ciompi},
  booktitle={Submitted to Medical Imaging with Deep Learning},
  year={2025},
  url={https://openreview.net/forum?id=aGPowreqPi},
  note={under review}
}

License

This model is released under the Health AI Developer Foundations License.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
04cb4ee

0 моделей