/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
llama · dense
Базовая модель
Llama-3.1-8B-Instruct
Библиотека
transformers
Опубликована
25 ноя 2025

Llama-3.1-8B-Evidence-Filtering

Генерация текстаТекст → текст3 профессии

Дообученная Llama 3.1 оценивает, подтверждает ли найденный текстовый фрагмент клинический запрос, для фильтрации данных в медицинских RAG-системах.

26скачиваний за 30 дней3лайкавеса обновлены26 ноя 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

Yale-BIDS-Chen разработала эту модель для фильтрации свидетельств в медицинских системах генерации с дополненным поиском (RAG). Это дообученная версия meta-llama/Llama-3.1-8B-Instruct: плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров, работающая через Transformers. Контекст модели составляет до 131 072 токенов.

Модель принимает клинический запрос и текстовый фрагмент-кандидат и генерирует «Yes», если фрагмент содержит подтверждающие данные, или «No», если не содержит. Она предназначена для оценки релевантности найденных фрагментов, повышения качества поиска и отбора материалов перед генерацией ответов на медицинские вопросы. В карточке описано обучение на 3 200 размеченных экспертами парах запрос–фрагмент и оценка методом пятикратной перекрёстной проверки.

В опубликованной оценке F1 составил 0,623; это выше показателей приведённых в карточке базовых моделей без дообучения, однако результат измерен на ограниченном наборе пар. Модель рассчитана на исследовательское применение и не заменяет клиническую проверку доказательств. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Сценарии применения

  • Отбор релевантных фрагментов медицинских документов для ответа на клинический вопрос
  • Фильтрация результатов поиска перед генерацией ответа в медицинском RAG
  • Оценка наличия подтверждающих данных в найденном тексте
  • Создание исследовательского конвейера медицинского вопросно-ответного поиска

Ограничения

В оценке использовано 3 200 экспертно размеченных пар с пятикратной перекрёстной проверкой; данные ограничены описанным набором. Модель предназначена для исследований, а лицензия CC BY-NC 4.0 не допускает коммерческого использования.

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

Model Description

This model is a fine-tuned version of meta-llama/Llama-3.1-8B-Instruct, trained for 🚀evidence relevance classification or evidence filtering🚀 in medical RAG pipelines.
Given a clinical query and a candidate passage, the model outputs “Yes” if the passage contains supporting evidence and “No” otherwise.

This lightweight classifier is designed to help researchers:

  • Improve retrieval quality in medical RAG systems.
  • Filter irrelevant passages before generation.
  • Build more reliable, interpretable RAG pipelines for medical QA.

For additional context, methodology, and full experimental details, please refer to our paper below.

📄 Paper: Rethinking Retrieval-Augmented Generation for Medicine: A Large-Scale, Systematic Expert Evaluation and Practical Insights

Quick Start

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "Yale-BIDS-Chen/Llama-3.1-8B-Evidence-Filtering"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

# Instruction used during training
INSTRUCTION = (
    "Given a query and a text passage, determine whether the passage contains supporting evidence for the query. "
    "Supporting evidence means that the passage provides clear, relevant, and factual information that directly backs or justifies the answer to the query.\n\n"
    "Respond with one of the following labels:\n\"Yes\" if the passage contains supporting evidence for the query.\n"
    "\"No\" if the passage does not contain supporting evidence.\n"
    "You should respond with only the label (Yes or No) without any additional explanation."
)

# Example query + retrieved passage
query = "What is the first-line treatment for acute angle-closure glaucoma?"
doc = "Acute angle-closure glaucoma requires immediate treatment with topical beta-blockers, alpha agonists, and systemic carbonic anhydrase inhibitors."

# Build chat-style prompt
content = tokenizer.apply_chat_template(
    [
        {"role": "system", "content": INSTRUCTION},
        {"role": "user", "content": f"Question: {query}\nPassage: {doc}"}
    ],
    add_generation_prompt=True,
    tokenize=False,
)

# Tokenize
input_ids = tokenizer(content, return_tensors="pt").input_ids.to(model.device)

# Define stopping tokens (Llama-3 style)
terminators = [
    tokenizer.eos_token_id,
    tokenizer.convert_tokens_to_ids("<|eot_id|>")
]

# Generate evidence-filtering judgment
outputs = model.generate(
    input_ids=input_ids,
    max_new_tokens=256,
    eos_token_id=terminators,
    do_sample=False,
    temperature=0.0,
)

# Decode model response
response = outputs[0][input_ids.shape[-1]:]
print(tokenizer.decode(response, skip_special_tokens=True))

Training Setup

  • Dataset: 3,200 query–passage pairs with expert-provided Yes/No labels (dataset to be released in a future update).
  • Task: Given a query and a candidate passage, the model generates "Yes" if the passage contains supporting evidence and "No" otherwise.
  • Objective: Causal language modeling (cross-entropy next-token loss).
  • Prompt: See the Quick Start section for an example usage prompt.
  • Hyperparameter Tuning: Five-fold cross-validation.
  • Final Hyperparameters:
    • Learning rate: 2e-6
    • Batch size: 8
    • Epochs: 3
  • Training Framework: LLaMA-Factory.

Performance

Evaluation was conducted on 3,200 expert-annotated query–passage pairs using five-fold cross-validation.

ModelPrecisionRecallF1
Llama-3.1-8B (zero-shot)0.4830.5660.521
GPT-4o (zero-shot)0.6970.3240.442
Llama-3.1-8B (fine-tuned, ours)0.5920.6570.623

🔥 Fine-tuning yields substantial gains over all zero-shot baselines.

Intended Use

This model is intended for research purposes only.

Reference

Please see the information below to cite our paper.

@article{kim2025rethinking,
  title={Rethinking Retrieval-Augmented Generation for Medicine: A Large-Scale, Systematic Expert Evaluation and Practical Insights},
  author={Kim, Hyunjae and Sohn, Jiwoong and Gilson, Aidan and Cochran-Caggiano, Nicholas and Applebaum, Serina and Jin, Heeju and Park, Seihee and Park, Yujin and Park, Jiyeong and Choi, Seoyoung and others},
  journal={arXiv preprint arXiv:2511.06738},
  year={2025}
}

Contact

Feel free to email hyunjae.kim@yale.edu if you have any questions.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
a039f87

0 моделей