medical-jev-4b

给定病例和候选选项，返回一个选择及各选项的概率。

medical-jev-4b 基于 Qwen3.5-4B，通过医疗选择题训练 LoRA 适配器。它用一次模型前向计算完成选项打分，输出短 JSON，不生成解释或思维链；推理时无需调用教师 API。

应用场景

可用于以下场景的离线原型、教学演练与模型评测。每次调用提供题目材料、判断要求和候选选项，结果可直接交给程序统计、展示或交由人工复核。

场景	提供什么	返回什么
医学教学与题库评测	病例、问题，以及诊断、病因或检查候选	选中的答案与各选项概率，便于批量判题和模型对照
护理培训与病例复盘	护理记录，以及护理措施、监测目标或体位候选	对应的护理优先项或措施标签
用药与治疗方案研究	病例、题设规则，以及药物、给药途径或治疗方案候选	在给定条件下选中的方案或禁忌项
随访、宣教与康复演练	患者情况，以及随访、宣教、营养或康复方案候选	与题目要求匹配的方案标签
指南规则与试验转介匹配	病例或基因结果、适用规则，以及建议或转介候选	给定规则下的推荐项或转介判断
医疗消息分类实验	就诊消息，以及紧急程度等分类标签	分类结果与各标签概率

这些场景都采用“从给定选项中选择”的形式，具体任务表现见下方评测及完整报告。

输入与输出案例

下面六个案例使用构造材料，输出由已发布的 medical-jev-4b 在 RTX 5090 上实际运行得到。概率展示到小数点后四位；案例用于说明调用方式，不作为医学能力评测。answer 是输入中的选项键，probabilities 给出各选项概率。

1. 医学教学与题库评测

输入：

{
  "id": "teaching_diagnosis",
  "request": {
    "state": {
      "clinical_question": "教学病例：患者发热、咳嗽，检测报告为甲型流感病毒核酸阳性，新冠病毒核酸阴性。"
    },
    "questions": {
      "decision": {
        "type": "choice",
        "instructions": "本题按检测结果分类：甲型流感核酸阳性选择甲型流感，新冠核酸阳性选择新冠感染，两项均阴性选择证据不足。",
        "criteria": {
          "influenza_a": "甲型流感",
          "covid19": "新冠感染",
          "insufficient_evidence": "证据不足"
        }
      }
    }
  }
}

实际输出：

{
  "id": "teaching_diagnosis",
  "status": "ok",
  "answer": "influenza_a",
  "probabilities": {
    "influenza_a": 0.9658,
    "covid19": 0.0173,
    "insufficient_evidence": 0.0169
  }
}

2. 护理培训与病例复盘

输入：

{
  "id": "nursing_priority",
  "request": {
    "state": {
      "nursing_record": "模拟护理记录：患者骶尾部有持续受压记录，当前护理计划要求立即协助变换体位并减压；健康宣教安排在下午。"
    },
    "questions": {
      "decision": {
        "type": "choice",
        "instructions": "根据记录，选择当前护理计划中应先执行的一项。",
        "criteria": {
          "pressure_relief": "协助变换体位并减压",
          "health_education": "执行下午的健康宣教",
          "routine_documentation": "整理既往护理记录"
        }
      }
    }
  }
}

实际输出：

{
  "id": "nursing_priority",
  "status": "ok",
  "answer": "pressure_relief",
  "probabilities": {
    "pressure_relief": 0.9589,
    "health_education": 0.0205,
    "routine_documentation": 0.0205
  }
}

3. 用药与治疗方案研究

输入：

{
  "id": "medication_contraindication",
  "request": {
    "state": {
      "case": "教学病例：患者明确记录对药物甲过敏。",
      "plans": {
        "plan_a": "方案 A 含药物甲",
        "plan_b": "方案 B 含药物乙",
        "plan_c": "方案 C 含药物丙"
      }
    },
    "questions": {
      "decision": {
        "type": "choice",
        "instructions": "本题规则：包含已记录过敏药物的方案标记为禁忌。选择应被标记的方案。",
        "criteria": {
          "plan_a": "方案 A",
          "plan_b": "方案 B",
          "plan_c": "方案 C"
        }
      }
    }
  }
}

实际输出：

{
  "id": "medication_contraindication",
  "status": "ok",
  "answer": "plan_a",
  "probabilities": {
    "plan_a": 0.9603,
    "plan_b": 0.0212,
    "plan_c": 0.0184
  }
}

4. 随访、宣教与康复演练

输入：

{
  "id": "followup_plan",
  "request": {
    "state": {
      "discharge_plan": "模拟出院计划：出院后第 7 天门诊复查。",
      "current_record": "今天是出院后第 7 天，本题未报告新增症状。"
    },
    "questions": {
      "decision": {
        "type": "choice",
        "instructions": "仅按出院计划选择今天对应的随访安排。",
        "criteria": {
          "scheduled_review": "按计划进行第 7 天门诊复查",
          "delay_one_month": "将首次复查推迟一个月",
          "cancel_followup": "取消后续复查"
        }
      }
    }
  }
}

实际输出：

{
  "id": "followup_plan",
  "status": "ok",
  "answer": "scheduled_review",
  "probabilities": {
    "scheduled_review": 0.964,
    "delay_one_month": 0.0175,
    "cancel_followup": 0.0185
  }
}

5. 指南规则与试验转介匹配

输入：

{
  "id": "trial_referral",
  "request": {
    "state": {
      "trial_rules": "虚构研究初筛条件：年龄 18 至 65 岁，标志物 M 阳性，且无列出的排除项。",
      "case": {
        "age": 52,
        "marker_m": "阳性",
        "listed_exclusion_present": false
      }
    },
    "questions": {
      "decision": {
        "type": "choice",
        "instructions": "仅依据给出的初筛条件判断是否匹配；初筛匹配不代表正式入组。",
        "criteria": {
          "screening_match": "符合所列初筛条件",
          "screening_mismatch": "不符合所列初筛条件",
          "need_more_information": "给定信息不足"
        }
      }
    }
  }
}

实际输出：

{
  "id": "trial_referral",
  "status": "ok",
  "answer": "screening_match",
  "probabilities": {
    "screening_match": 0.9603,
    "screening_mismatch": 0.0198,
    "need_more_information": 0.0199
  }
}

6. 医疗消息分类实验

输入：

{
  "id": "message_classification",
  "request": {
    "state": {
      "message": "您好，我想确认下周三复诊的预约时间。",
      "reported_symptoms": "未报告症状或病情变化。"
    },
    "questions": {
      "decision": {
        "type": "choice",
        "instructions": "按题设规则分类：仅询问预约时间归为常规事务；报告新增不适归为需要临床人员复核；明确求助急救归为紧急求助。",
        "criteria": {
          "routine": "常规事务",
          "clinical_review": "需要临床人员复核",
          "emergency": "紧急求助"
        }
      }
    }
  }
}

实际输出：

{
  "id": "message_classification",
  "status": "ok",
  "answer": "routine",
  "probabilities": {
    "routine": 0.9644,
    "clinical_review": 0.0177,
    "emergency": 0.0179
  }
}

快速开始

以下命令使用 Python 3.12 和 CUDA 12.8 版 PyTorch，已在 Linux / RTX 5090 32 GB 上验证。下载包包含约 130 MB 的已训练适配器、独立推理代码和示例；首次加载还会自动下载约 9.3 GB 的 Qwen3.5-4B 底座，并核对版本与文件校验值。

python3 -m venv .venv
source .venv/bin/activate
pip install torch==2.8.0 --index-url https://download.pytorch.org/whl/cu128
pip install huggingface-hub==1.33.0
hf download JuneYao/medical-jev-4b --revision v1.1.0 --local-dir medical-jev-4b
pip install -r medical-jev-4b/requirements.txt
python medical-jev-4b/predict_choices.py --bundle medical-jev-4b \
  --input medical-jev-4b/examples/scenarios.jsonl

处理自己的数据时，将 --input 替换为 JSONL 文件路径，每行一题；添加 --output predictions.jsonl 保存结果。已有对应版本的底座可用 --base-model /path/to/Qwen3.5-4B 指定。默认批量为 8，显存不足时添加 --batch-size 1。

请使用随包的 predict_choices.py 或 ChoicePredictor 加载：适配器采用自定义 jev-lora-v1 格式，不兼容 PEFT 或聊天生成接口。

自定义输入与 Python 调用

发布包支持 2–52 个候选选项、完整输入最多 8,192 token。长度包含材料、候选和聊天模板；详细说明见输入格式与运行范围。

JSONL 中每行采用以下结构（展示时展开，保存时写成一行）：

{
  "id": "example",
  "request": {
    "state": {"clinical_question": "记录体温 37.0°C；题设阈值为 38.0°C。"},
    "questions": {
      "decision": {
        "instructions": "仅依据题设阈值选择匹配项。",
        "criteria": {"below": "低于阈值", "above": "达到或超过阈值"}
      }
    }
  }
}

state 放题目材料，instructions 放判断要求，criteria 将选项键映射到选项文字。每题只有一个 decision，无需提供正确答案。

也可在 Python 中加载一次后重复调用：

import json
import sys
sys.path.insert(0, "medical-jev-4b")
from jevtrain.inference import ChoicePredictor

model = ChoicePredictor("medical-jev-4b")
with open("medical-jev-4b/examples/scenarios.jsonl", encoding="utf-8") as f:
    requests = [json.loads(line)["request"] for line in f if line.strip()]
print(model.predict(requests))

效果如何

在 jev-healthcare-lab 的 1,514 道外部医疗题上，medical-jev-4b（LoRA）的准确率为 **67.90%**，比原始 4B 提高 7.99 个百分点，尚未超过存档 JEV 1.13。

模型	全部 1,514 题的准确率
原始 Qwen3.5-4B（同一打分方式）	59.91%
medical-jev-4b（LoRA）	67.90%
medical-jev-4b-full（全参数微调）	63.21%
JEV 1.13（存档结果）	70.87%

准确率按全部 1,514 题计算，未能回答的题目也计为错误。JEV 对照为 1.13 版存档，不代表其当前最新版。

当前推荐 LoRA 版。 同一批 44,847 条训练数据上的全参数微调模型，在该基准上低 4.69 个百分点。全量权重单独提供，训练设置与详细比较见全参数微调报告。

训练数据与外部基准的题目 ID、来源组和精确题面哈希无交集；这一检查不能排除语义近重复或预训练暴露。另有 1,620 道封存测试题尚未评测。

比较方法、置信区间和逐题结果见完整评测报告。公开下载文件与 RTX 5090 推理结果的核对见下载与推理验证记录。

使用范围

适用于给定选项的医疗判断研究与离线评测。分诊仍是明显短板：在基准的 100 道分诊题上，本模型答对 40 道，存档 JEV 答对 66 道。训练标签未经临床专家逐条审核，概率未经校准，不能据此判断真实临床风险或替代专业医疗判断。

默认推理使用 FP16。上述安装方式已通过示例验证；完整基准使用了 FLA / causal-conv1d 优化内核。更换硬件、精度或内核可能带来数值差异，目前没有与 JEV 的实测速度对比。

模型与训练资料

底座：Qwen3.5-4B。精确版本由 inference_config.json 固定。
适配器：全 32 层 LoRA，rank 16，约 3,246 万个训练参数。使用 44,847 条样本训练 2 个 epoch，由验证集选择 step 5,500。本版尚未使用教师软标签或 RSI 迭代。
文件：训练权重、推理代码、示例与评测记录均在本模型仓库中；manifest.json 记录文件校验值。完整训练语料未分发。
许可：代码与适配器采用 MIT，底座采用 Apache-2.0。数据使用条件按各来源许可执行。

训练项目 · 评测基准

Downloads last month: -; Downloads are not tracked for this model. How to track

Inference Providers NEW

This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for JuneYao/medical-jev-4b

Base model

Qwen/Qwen3.5-4B-Base

Finetuned

Qwen/Qwen3.5-4B

Adapter

(1015)

this model