‏Ling-3.0 Sante: مدل پزشکی اوپن‌ویت با لایسنس MIT

Ling-3.0 Sante مدل پزشکی جدید InclusionAI هست که روی مدل پایه Ling 3.0 Flash ساخته شده و با لایسنس MIT منتشر شده، یعنی استفاده تجاری و تغییرش تقریباً هیچ محدودیتی نداره. این مدل از نوع MoE هست (mixture-of-experts، یعنی مدل از چند زیرشبکه متخصص ساخته شده و برای هر ورودی فقط چندتاشون فعال می‌شن). کل پارامترها ۱۲۴ میلیارده ولی در هر توکن فقط حدود ۵.۱ میلیارد فعال می‌شه، پس هزینه اجرا خیلی کمتر از یه مدل متراکم هم‌اندازه‌ست.

معماریش یه طراحی hybrid linear هست که تو تنظیمات مدل با اسم bailing_hybrid اومده و برای کارایی بهتر در مقیاس بالا طراحی شده. وزن‌ها روی Hugging Face تو ۲۷ فایل safetensors پخش شدن و یه فایل مدل اختصاصی به اسم modeling_bailing_moe_v3.py دارن. یعنی InclusionAI کد inference خودش رو نوشته و فقط به کتابخونه‌های آماده تکیه نکرده.

تو این مقاله مدل با چند سناریوی شلوغ اورژانسی تست شده. تو اولی، یه خانم ۷۱ ساله که warfarin مصرف می‌کرد بعد از گرفتن آنتی‌بیوتیک و ibuprofen دچار تداخل دارویی شده و مدل باید ۹ کار رو مثل یه پزشک ارشد انجام می‌داد. مدل تداخل‌ها رو درست به آسیب کلیه و تجزیه عضلات وصل کرد، محاسبات اسید و باز رو درست انجام داد و برای هر ۹ دارو تصمیم قطع یا نگه‌داشتن گرفت. ولی با اینکه sepsis ناشی از ذات‌الریه رو تشخیص داد، تو دستورهای ساعت اول آنتی‌بیوتیک نذاشت.

تو تست دوم که مربوط به اورژانس‌های بارداری بود، مدل باید HELLP syndrome رو از کبد چرب حاد بارداری تشخیص می‌داد، اونم وقتی یه آزمایش مهم هنوز نتیجه نداده بود. دو درخواست خطرناک هم تو پرامپت جاسازی شده بود و مدل هر دوش رو رد کرد: تجویز ACE inhibitor که برای جنین ضرر داره و تزریق پیشگیرانه پلاکتی که لازم نبود. دوز منیزیم رو هم برای نارسایی کلیه تنظیم کرد، هرچند چند جا با خودش تناقض داشت. تو تست سوم هنوز معلوم نبود علت بیماری انسفالیت خودایمنی هست، عفونت یا واکنش دارویی. مدل احتمال خودایمنی رو بالاتر گذاشت، آرام‌بخش بیشتر نداد و درمان ضدویروس رو هم عقب ننداخت.

تو یه بنچمارک حرفه‌ای پزشکی، Sante بعد از GPT-5 دوم شده و از Claude Opus 4، Kimi K3 و Gemini Flash جلو افتاده. تو ایمنی دارویی هم نزدیک صدر بوده. ولی تو بنچمارک‌های امتحانی که دانش گسترده می‌خوان، مدل‌های عمومی بزرگ‌تر بهترن. نویسنده می‌گه تو حالت چندعاملی (یعنی چند نسخه از مدل با هم همکاری کنن) عملکردش خیلی بهتر می‌شه و این الگو داره بین مدل‌های MoE کم‌هزینه رایج می‌شه.

به گفته نویسنده بزرگ‌ترین ضعفش اینه که فقط متنیه و عکس رادیولوژی، MRI یا تصاویر پوستی رو نمی‌فهمه. یعنی برای دستیار پزشکی کامل مناسب نیست و بیشتر به درد ابزار مشاوره متنی می‌خوره. مدل خودش هم مدام عدم قطعیت رو اعلام می‌کنه و بررسی پزشک رو توصیه می‌کنه، و هیچ‌کدوم از خروجی‌هاش جای پزشک دارای مجوز رو نمی‌گیره.

نکات کلیدی:

• ۱۲۴ میلیارد پارامتر کل، حدود ۵.۱ میلیارد فعال در هر توکن
• ساخته‌شده روی Ling 3.0 Flash با معماری bailing_hybrid
• لایسنس MIT، یعنی استفاده تجاری آزاده
• تو یه بنچمارک پزشکی دوم بعد از GPT-5 و جلوتر از Claude Opus 4
• تو یه تست sepsis رو تشخیص داد ولی آنتی‌بیوتیک تجویز نکرد
• درخواست تجویز ACE inhibitor در بارداری رو رد کرد
• فقط متنی هست و از تصویر پشتیبانی نمی‌کنه