/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
32 млрд
Размер весов
65,5 ГБ
Лицензия
Llama 3.1
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-32B-Instruct
Опубликована
25 июн 2025

BioMed-R1-32B

Генерация текстаТекст → текст3 профессии

BioMed-R1-32B — дообученная медицинская языковая модель для ответов на биомедицинские вопросы и устойчивых многошаговых рассуждений.

27скачиваний за 30 дней2лайкавеса обновлены25 июн 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

BioMed-R1-32B — медицинская языковая модель Zou Lab, дообученная на базе Qwen/Qwen2.5-32B-Instruct с помощью supervised fine-tuning и обучения с подкреплением. Она предназначена для генерации ответов на биомедицинские вопросы с многошаговыми рассуждениями и для повышения устойчивости к ошибочным подсказкам: модель обучали на сложных для рассуждения и состязательных примерах, включая сценарии самокоррекции и возврата к предыдущим шагам.

Модель имеет плотную архитектуру Qwen2, содержит 32 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка приводит результаты на бенчмарках и сообщает о лучших совокупных и состязательных результатах среди сопоставимых по размеру биомедицинских LLM, но также подчёркивает, что надёжность медицинских рассуждений остаётся ограниченной. Модель работает с текстом и рассчитана на английский язык. Лицензия — Llama 3.1 License.

Сценарии применения

  • ответы на биомедицинские вопросы с пошаговым рассуждением
  • решение медицинских экзаменационных задач
  • анализ клинических сценариев в текстовой форме
  • проверка устойчивости медицинских ответов к ошибочным подсказкам
  • самокоррекция ответа на медицинский вопрос

Ограничения

Авторы отмечают, что медицинские рассуждения модели остаются хрупкими, особенно на задачах, требующих сложного рассуждения; диагностические ответы требуют независимой проверки. Оценки в README относятся к бенчмаркам и не гарантируют надёжность в клинической практике.

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

Introduction

Medical reasoning in large language models aims to replicate clinicians' cognitive processes when interpreting patient data and making diagnostic decisions. However, widely used benchmarks—such as MedQA-USMLE, MedMCQA, and PubMedQA—mix questions that require multi-step reasoning with those answerable through factual recall, complicating reasoning evaluation. To address this, we develop a PubMedBERT-based classifier (81% agreement with expert annotations) to disentangle reasoning-heavy from knowledge-heavy questions across 11 biomedical QA benchmarks, revealing that only 32.8% require complex reasoning. Using this stratification, we evaluate biomedical models (HuatuoGPT-o1, MedReason, m1) and general-domain models (DeepSeek-R1, o4-mini, Qwen3), and consistently observe lower performance on reasoning versus knowledge (e.g., HuatuoGPT-o1: 56.9% vs. 44.8%). To assess robustness, we conduct adversarial evaluations where models are prefilled with incorrect answers before being asked to reconsider. Biomedical models show substantial degradation in this setting (e.g., MedReason drops from 50.4% to 24.4%), while RL-trained and larger general-domain models are more resilient. Performance declines more on reasoning-heavy questions, highlighting the brittleness of current medical reasoning capabilities. Based on these insights, we train BioMed-R1 models using supervised fine-tuning and reinforcement learning on reasoning-heavy and adversarial examples, encouraging self-correction and backtracking. Our models achieve the strongest overall and adversarial performance among similarly sized biomedical LLMs, yet ample room for improvement remains. Incorporating additional reasoning-rich data sources—such as clinical case reports—and developing training strategies that promote reasoning under uncertainty may further enhance robustness and diagnostic reliability.

BioMed-R1 can be used just like Qwen/Qwen2.5-32B-Instruct. You can deploy it with tools like vllm or Sglang, or perform direct inference:

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("zou-lab/BioMed-R1-32B",torch_dtype="auto",device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("zou-lab/BioMed-R1-32B")

input_text = "Does vagus nerve contribute to the development of steatohepatitis and obesity in phosphatidylethanolamine N-methyltransferase deficient mice?"
messages = [{"role": "user", "content": input_text}]

inputs = tokenizer(tokenizer.apply_chat_template(messages, tokenize=False,add_generation_prompt=True
), return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=2048)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

🙏🏼 Acknowledgement

We gratefully acknowledge the contributions of HuatuoGPT-o1, MedReason, and M1.
We also thank the developers of the outstanding tools Curator, TRL, vLLM, and SGLang, which made this work possible.

📖 Citation

@article{thapa2025disentangling,
  title={Disentangling Reasoning and Knowledge in Medical Large Language Models},
  author={Thapa, Rahul and Wu, Qingyang and Wu, Kevin and Zhang, Harrison and Zhang, Angela and Wu, Eric and Ye, Haotian and Bedi, Suhana and Aresh, Nevin and Boen, Joseph and Reddy, Shriya and Athiwaratkun, Ben and Song, Shuaiwen Leon and Zou, James},
  journal={arXiv preprint arXiv:2505.11462},
  year={2025},
  url={https://arxiv.org/abs/2505.11462}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
dfde0ab

0 моделей