تيثر تكشف النقاب عن الذكاء الاصطناعي الطبي الذي يعمل على الهواتف، ويتفوق في الأداء على نماذج SoTA الأكبر حجمًا، ويمكنه قطع السحابة بالكامل

7 مايو 2026 - أطلقت مجموعة أبحاث الذكاء الاصطناعي التابعة لشركة Tether اليوم QVAC MedPsy، وهي فئة جديدة من نماذج اللغات الطبية المصممة للعمل مباشرة على الهواتف الذكية والأجهزة القابلة للارتداء وغيرها من الأجهزة ذات قوة المعالجة المحدودة، مما يوفر أداءً ينافس، وفي بعض الحالات، يتفوق على النماذج الأكبر حجمًا بشكل ملحوظ مع الحفاظ على المستوى المحلي والخاص. بدلاً من توسيع نطاق الأداء من خلال حجم النموذج، يركز النظام على الكفاءة، مما يقلل من متطلبات الحوسبة، ونتيجة لذلك، يزيل الاعتماد على البنية التحتية السحابية البعيدة.

لا تزال معظم الأنظمة اليوم تعتمد على نماذج كبيرة تعمل على خوادم بعيدة، مما يتطلب بيانات حساسة للتنقل عبر خادم سحابي. في مجال الرعاية الصحية، يتضمن ذلك سجلات المرضى والاستعلامات التشخيصية والملاحظات السريرية، وكلها تخضع لقيود الخصوصية والامتثال الصارمة. ومع ارتفاع حجم السوق من ما يقرب من 36 مليار دولار اليوم إلى توقعات تتجاوز 500 مليار دولار بحلول عام 2033، أصبح تبرير هذه البنية أمراً متزايد الصعوبة.

يتحدى هذا الإصدار أحد أكثر الافتراضات رسوخًا في الذكاء الاصطناعي، وهو أن الأداء الأفضل يتطلب نماذج أكبر والمزيد من الحوسبة. وبدلاً من ذلك، يقلب QVAC MedPsy هذا النموذج. حقق نموذج المعلمة المكون من 1.7 مليار متوسط ​​درجة 62.62 عبر سبعة معايير طبية مغلقة، متفوقًا على نموذج MedGemma-1.5-4B من Google بمقدار 11.42 نقطة على الرغم من كونه أقل من نصف الحجم. في السيناريوهات السريرية في العالم الحقيقي مثل HealthBench Hard، يتفوق نموذج 1.7 مليار على MedGemma 27B، وهو نموذج أكبر بنحو ستة عشر مرة. سجل إصدار المعلمة QVAC MedPsy 4 مليار لدينا 70.54 عبر نفس المعايير السبعة المغلقة، متجاوزًا النماذج الأكبر بحوالي سبع مرات، بما في ذلك MedGemma-27B-text، وقدم أداءً أعلى عبر تقييمات النمط السريري مثل HealthBench Hard، وHealthBench، وMedXpertQA. بشكل عام، غطى التقييم ثمانية مجموعات معيارية متنوعة بشكل عام: MedQA-USMLE وMedMCQA للمعرفة السريرية والفحوصات الطبية؛ MMLU Health وMMLU-Pro Health من أجل محو الأمية الصحية؛ MedXpertQA للاستدلال السريري الخبير؛ PubMedQA لفهم البحوث الطبية الحيوية؛ AfriMedQA لسياقات الرعاية الصحية العالمية المحرومة؛ وHealthBench، بما في ذلك HealthBench Hard، للسيناريوهات السريرية في العالم الحقيقي. وتأتي مكاسب الأداء من عملية طبية مرحلية بعد التدريب تجمع بين الإشراف الطبي الواسع، وبيانات الاستدلال السريري ذات القيمة الأعلى، والتعلم المعزز الذي يركز على حالات الاستدلال الطبي الأصعب.

كما تقلل النماذج بشكل كبير من تكلفة الاستدلال. يولد نموذج QVAC MedPsy 4B الخاص بنا استجابات في حوالي 909 رمزًا مميزًا مقارنة بـ 2,953 رمزًا مميزًا للأنظمة المماثلة، وهو انخفاض بمقدار 3.2x، بينما يبلغ متوسط ​​نموذج 1.7B حوالي 1,110 رمزًا مميزًا مقابل 1,901 رمزًا مميزًا، وهو انخفاض بمقدار 1.7x. ويترجم ذلك إلى أوقات استجابة أسرع والقدرة على التشغيل محليًا دون الاعتماد على البنية التحتية السحابية. يتم أيضًا إصدار النماذج بتنسيقات GGUF مكمَّمة للنشر المحلي، مع إصدارات Q4_K_M الموصى بها بحجم 1.2 جيجابايت تقريبًا لـ QVAC MedPsy-1.7B و2.6 جيجابايت لـ QVAC MedPsy-4B. أثناء الاختبار، احتفظت هذه الإصدارات المضغوطة بمعظم الأداء القياسي مع جعل النماذج عملية لبيئات الأجهزة المحمولة والحافة.

وهذا يغير المكان الذي يمكن فيه استخدام الذكاء الاصطناعي الطبي بالفعل. يمكن نشر الأنظمة التي كانت تتطلب في السابق معالجة خارجية لدعم الأطباء داخل الأنظمة الموجودة في الموقع لمعالجة وتحليل البيانات المحلية الآمنة، على الأجهزة المحمولة، أو في البيئات التي تجعل قيود الاتصال أو زمن الوصول أو الخصوصية النماذج المستندة إلى السحابة غير عملية. كما أنه يقلل من أحد العوائق الرئيسية التي تحول دون اعتمادها في مجال الرعاية الصحية، وهي الحاجة إلى نقل البيانات الحساسة خارج البيئات الخاضعة للرقابة.

وقال باولو أردوينو، الرئيس التنفيذي لشركة Tether: "مع QVAC MedPsy، كان تركيزنا ينصب على تحسين الكفاءة على مستوى النموذج، بدلاً من توسيع الحجم". "في اختباراتنا، تفوق نموذج QVAC MedPsy الذي يحتوي على 1.7 مليار معلمة على أنظمة أكبر مثل MedGemma-4B، وتجاوز نموذجنا البالغ 4 مليارات نتائج من نماذج ما يقرب من سبعة أضعاف حجمها، مع استخدام ما يصل إلى ثلاثة أضعاف الرموز المميزة لكل استجابة. هذا المزيج مهم لأنه يقلل بشكل مباشر من متطلبات الحوسبة وزمن الوصول والتكلفة. فهو يسمح للنموذج بالعمل محليًا على الأجهزة القياسية بدلاً من الاعتماد على البنية التحتية عن بعد. في الرعاية الصحية، يغير ذلك القيود بالكامل؛ يمكنك تشغيل الاستدلال الطبي حيث البيانات موجودة بالفعل، داخل نظام المستشفى أو على الجهاز، دون نقل المعلومات الحساسة عبر السحابة أو انتظار المعالجة الخارجية.

على مدى العقد الماضي، تم ربط التقدم في الذكاء الاصطناعي بالوصول إلى الحوسبة السحابية. يشير QVAC MedPsy إلى اتجاه مختلف، حيث تحدد الكفاءة والمحلية والخصوصية الأداء. إذا استمرت هذه المكاسب في عمليات النشر في العالم الحقيقي، فإنها يمكن أن تعيد تشكيل اقتصاديات البنية التحتية الطبية للذكاء الاصطناعي، وتحويل الميزة نحو الأنظمة التي تعمل محليًا بتكلفة أقل، وزمن وصول أقل، وتحكم أكبر في البيانات الحساسة.

اقرأ المزيد على https://qvac.tether.io/models/

حول بيانات الحبل

بيانات الحبل، SA د