/ Модель

Характеристики

Лицензия
CC BY-NC-ND 4.0
Библиотека
transformers
Опубликована
28 мая 2025

Patho-R1-7B

Изображение и текст → текст3 профессии

Мультимодальная модель Patho-R1-7B анализирует изображения патологических препаратов и отвечает на диагностические вопросы текстом.

1 204скачиваний за 30 дней6лайковвеса обновлены17 ноя 2025

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

Patho-R1-7B — мультимодальная модель для анализа патологических изображений, разработанная авторами проекта Patho-R1. Она предназначена для ответов на вопросы по изображениям и решения задач с вариантами ответа в области патологии с использованием структурированного диагностического рассуждения. Модель создана на основе трёхэтапного обучения: продолженного предобучения на 3,5 млн пар «патологическое изображение — подпись», дообучения на 500 тыс. экспертных примеров с цепочками рассуждений и оптимизации методом Group Relative Policy Optimization.

Модель использует архитектуру Qwen2.5-VL и доступна в формате safetensors для библиотеки Transformers. Она принимает изображения и текст, а выдаёт текстовые ответы; в карточке указан английский язык. Авторы сообщают о результатах на задачах с выбором ответа и визуальных вопросах, но не приводят в доступном описании численные оценки. Лицензия CC BY-NC-ND 4.0 ограничивает коммерческое использование и распространение производных версий.

Сценарии применения

  • ответы на вопросы по патологическим изображениям
  • решение тестовых задач по патологии с выбором ответа
  • формирование структурированных диагностических рассуждений по изображениям
  • визуальный анализ патологических изображений в исследовательских задачах

Ограничения

Заявленные результаты относятся к задачам с выбором ответа и визуальным вопросам; численные оценки в описании не приведены. Лицензия CC BY-NC-ND 4.0 не допускает коммерческое использование и распространение производных версий.

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

Patho-R1: A Multimodal Reinforcement Learning-Based Pathology Expert Reasoner

[Arxiv] | [Github Repo] | [Cite]

Introduction📝

While vision-language models have shown impressive progress in general medical domains, pathology remains a challenging subfield due to its high-resolution image requirements and complex diagnostic reasoning.

To address this gap, we introduce Patho-R1-7B, a multimodal pathology reasoner designed to enhance diagnostic understanding through structured reasoning. Patho-R1-7B is trained using a three-stage pipeline:

  1. Continued pretraining on 3.5M pathology figure-caption pairs for domain knowledge acquisition
  2. Supervised fine-tuning on 500k expert-annotated Chain-of-Thought samples to encourage reasoning
  3. Reinforcement learning with Group Relative Policy Optimization to refine response quality

Experimental results show that Patho-R1-7B achieves strong performance across key pathology tasks, including multiple choice questions and visual question answering, highlighting its potential for real-world pathology AI applications. Patho-R1 Overview

Quickstart🏃

Here we show a code snippet to show you how to use the chat model with transformers and qwen_vl_utils:

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info


model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "WenchuanZhang/Patho-R1-7B",
    torch_dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained("WenchuanZhang/Patho-R1-7B")

# example question from Pathmmu-test-dataset
# ground truth: D
# Reasoning style options (choose one):
# - Chain-of-Draft, a concise reasoning prompting strategy (COD):
# You are a pathology expert, your task is to think step by step, but only keep a minimum draft for each thinking step, with 5 words at most. Return the answer at the end of the response after a separator. Use the following format:<think> Your step-by-step reasoning </think><answer> Your final answer </answer>
# - Chain-of-Thought (COT):
messages = [
    {   "role": "system",
        "content": "You are a pathology expert, your task is to answer question step by step. Use the following format:<think> Your step-by-step reasoning </think><answer> Your final answer </answer>"},
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "./images/example.jpg",
            },
            {"type": "text", "text": "What feature in the provided micrograph is indicative of chronic inflammation? /n A. Granuloma formation /n B. Multinucleated giant cells /n C. Neutrophilic infiltration /n D. Plasma cells with eccentrically placed nuclei"},       
        ],
    }
]
# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to(model.device)

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=2048)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

Acknowledgements🎖

We gratefully acknowledge the contributions of the open-source community, particularly the following projects which laid the foundation for various components of this work:

  • Qwen for providing powerful vision language models that significantly advanced our multimodal understanding and generation capabilities.
  • DocLayout-YOLO for document layout detection.
  • PaddleOCR for comprehensive optical character recognition.
  • ModelScope Swift for efficient model serving and deployment tools.
  • LLaMA-Factory for robust LLM training and fine-tuning pipelines.
  • VERL for valuable visual-language pretraining resources.
  • DeepSeek for high-quality models and infrastructure supporting text understanding.

We thank the authors and contributors of these repositories for their dedication and impactful work, which made our development of Patho-R1-3B possible.

Citation❤️

If you find our work helpful, a citation would be greatly appreciated:

@article{zhang2025patho,
  title={Patho-R1: A Multimodal Reinforcement Learning-Based Pathology Expert Reasoner},
  author={Zhang, Wenchuan and Zhang, Penghao and Guo, Jingru and Cheng, Tao and Chen, Jie and Zhang, Shuwan and Zhang, Zhang and Yi, Yuhao and Bu, Hong},
  journal={arXiv preprint arXiv:2505.11404},
  year={2025}
}

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
7a69eb2

0 моделей