Характеристики

Контекст: 32 768 токенов
Параметры: 7,1 млрд
Лицензия: Apache 2.0
Архитектура: qwen2 · dense
Базовая модель: Qwen2.5-7B-Instruct
Библиотека: transformers
Опубликована: 28 авг 2026

Ссылки

Hugging Face

redflag-detection-V4.1

ningpy

Генерация текстаТекст → текст3 профессии

Модель извлекает из медицинского текста тревожные признаки, указывающие на потенциально неотложные состояния.

22скачиваний за 30 дней0лайковвеса обновлены28 авг 2026

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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Redflag Detection V4.1 — медицинская модель на основе Qwen2.5-7B-Instruct, дообученная ningpy для извлечения медицинских тревожных признаков по 65 правилам. Это плотная авторегрессионная модель с 7,1 млрд параметров и контекстом до 32 768 токенов; она принимает текст и формирует текстовый ответ. Модель предназначена для выявления потенциально неотложных состояний, включая хирургические и акушерские экстренные случаи, с обработкой сведений о поле и возрасте пациента.

В README приведены результаты проверки на валидационной выборке из 269 примеров: точность полного совпадения 87,0%, precision 0,901 и recall 0,786; для режима clinical-fair указаны precision 0,753, recall 0,853 и F1 0,800. Для работы автор указывает использование вместе с V20e rule engine, содержащим 65 скомпилированных правил. Модель поддерживает английский, китайский и малайский языки. Распространяется по лицензии Apache-2.0.

Сценарии применения

поиск медицинских тревожных признаков в описании симптомов
выявление потенциальных хирургических экстренных случаев
выявление акушерских неотложных состояний
извлечение сведений о поле и возрасте пациента для оценки тревожных признаков

Ограничения

В README приведены результаты только на небольшой валидационной выборке из 269 примеров; полнота и точность различаются в зависимости от протокола оценки. Для работы автор указывает необходимость V20e rule engine.

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.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей IV.3Отраслевые задачиСтрахование и актуарные задачиAI помогает оценивать риски, обрабатывать убытки и управлять страховым портфелем.30 задач563модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Redflag Detection V4.1 (V20d, 65 rules)

Fine-tuned from Qwen2.5-7B-Instruct for medical red-flag extraction. Aligned with 2026-08 "Red Flad_New" spec, extended with 6 additional critical rules missing from the original spec.

What's new in V4.1 vs V4.0

Fixed is_male hallucination (0/269 val cases; V4.0 had schema gap where sex was in prompt but 0 training samples used it)
6 new critical rules covering previously uncovered surgical/OB emergencies:
- V20-60 testicular_torsion (sex=male defensive gate)
- V20-61 pyelonephritis (painful_urination + fever + severe)
- V20-62 severe_pid (foul_discharge + fever + severe)
- V20-63 eye_emergency (angle-closure glaucoma / sudden vision loss; any age)
- V20-64 cauda_equina (new_incontinence + severe_weakness; any adult age)
- V20-65 postpartum_hemorrhage (sex=female defensive gate)
Defensive sex gates on Row 34-39 (pregnancy) — blocks conflict only, not required
Pediatric age fallback — Row 40-46 accept is_child/is_baby boolean when age_band absent
50 new training samples covering sex extraction from "Patient Info: Age X, Male/Female" blocks (EN/中文/BM)

Performance (val 269, strict)

	V4.0 (V20c)	V4.1 (V20d)
Exact Match	89.2%	87.0%
Precision	0.918	0.901
Recall	0.749	0.786
F1	0.825	0.839

Performance (clinical-fair, SUSPECTED = TP for recall)

Precision: 0.753
Recall: 0.853
F1: 0.800

Usage

python3 -m vllm.entrypoints.openai.api_server \
    --model ningpy/redflag-detection-V4.1 \
    --served-model-name redflag \
    --dtype float16

Requires V20e rule engine (65 compiled rules with sex_gate + age fallback).

Training

3816 samples (V20c 3766 + patch20d 50 sex-field samples)
LoRA r=32 alpha=64, 7 target projections
3 epochs @ 2e-5, seq len 1900, 8×V100 DDP

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: c2de156