تطلق شركة Tether نماذج الذكاء الاصطناعي الطبية التي تعمل على الهواتف وتتفوق على الأنظمة الأكبر حجمًا
جدول المحتويات أصدرت مجموعة أبحاث الذكاء الاصطناعي التابعة لشركة Tether QVAC MedPsy، وهو خط جديد من نماذج اللغة الطبية المصممة للتشغيل على الهواتف الذكية والأجهزة المتطورة. تم تصميم النماذج لنشر الخصوصية أولاً، مع الحفاظ على البيانات الصحية الحساسة محليًا. تظهر النتائج القياسية المبكرة أن النماذج الأصغر تتفوق في الأداء على المنافسين الأكبر حجمًا. يمثل هذا تحولًا في كيفية هيكلة أنظمة الذكاء الاصطناعي الطبية ونشرها. يأتي QVAC MedPsy في نسختين: نموذج معلمة 1.7 مليار ونموذج معلمة 4 مليار. تم اختبار كلاهما عبر ثمانية مجموعات معيارية طبية تغطي المعرفة السريرية، واستدلال الخبراء، وسيناريوهات العالم الحقيقي. وكانت النتائج تنافسية بشكل ملحوظ مقارنة بالنماذج التي يبلغ حجمها عدة مرات. سجل نموذج 1.7 مليار 62.62 عبر سبعة معايير مغلقة. وقد تفوقت هذه النتيجة على MedGemma-4B من Google بأكثر من 11 نقطة، على الرغم من أنها أقل من نصف حجمها. في HealthBench Hard، تفوق النموذج نفسه أيضًا على MedGemma 27B، وهو أكبر بنحو ستة عشر مرة. وسجل الإصدار 4 مليارات 70.54 على نفس المعايير السبعة. لقد تجاوز حجم نص MedGemma-27B والنماذج الأخرى بما يقرب من سبعة أضعاف حجمه. حافظ الأداء على قوته عبر تقييمات HealthBench وHealthBench Hard وMedXpertQA. تناول باولو أردوينو، الرئيس التنفيذي لشركة Tether، مسألة الكفاءة بشكل مباشر. وقال: "لقد تجاوز نموذجنا البالغ عدده 4 مليارات نتائج من النماذج بما يقرب من سبعة أضعاف حجمها، مع استخدام ما يصل إلى ثلاثة أضعاف الرموز المميزة لكل استجابة". تعد كفاءة الرمز المميز إحدى النتائج الأكثر عملية لهذا الإصدار. يولد نموذج 4 مليارات استجابات في حوالي 909 رمزًا. تستخدم الأنظمة المماثلة ما يقرب من 2,953 رمزًا مميزًا لكل استجابة، مما يجعل هذا تقليلًا بمقدار 3.2x في طول الإخراج. يبلغ متوسط نموذج 1.7 مليار رمزًا حوالي 1,110 رمزًا لكل استجابة، مقابل 1,901 رمزًا للأنظمة المماثلة. تعني المخرجات الأقصر أوقات استجابة أسرع وتكاليف حوسبة أقل. وهذا مهم في إعدادات الرعاية الصحية في العالم الحقيقي حيث تؤثر السرعة والتكلفة على التبني. يتوفر كلا النموذجين بتنسيق GGUF الكمي للنشر المحلي. يبلغ حجم إصدارات Q4_K_M حوالي 1.2 جيجابايت و2.6 جيجابايت على التوالي. هذه الأحجام تجعل النماذج عملية للأجهزة المحمولة وأنظمة المستشفيات في الموقع. تأتي مكاسب الأداء من عملية مرحلية بعد التدريب. فهو يجمع بين الإشراف الطبي الواسع وبيانات الاستدلال السريري والتعلم المعزز في الحالات الصعبة. ولم تكن هناك حاجة إلى قياس إضافي للنموذج للوصول إلى هذه النتائج. لقد اعتمد الذكاء الاصطناعي الطبي منذ فترة طويلة على البنية التحتية السحابية لمعالجة البيانات الحساسة عن بعد. يغير QVAC MedPsy ذلك من خلال إتاحة الأداء القوي بالكامل على الجهاز. بالنسبة لمقدمي الرعاية الصحية الذين يعملون بموجب قواعد خصوصية صارمة، يؤدي ذلك إلى فتح خيارات نشر جديدة حيث يكون الوصول إلى السحابة محدودًا أو مقيدًا.