Access ZEO Med 2

ZEO Med 2, including the LoRA adapter weights, is released under the Apache License 2.0. Commercial use, modification and redistribution are permitted under that license. Access is granted automatically once you share your contact information.

By requesting access you confirm that you have read the Apache License 2.0 and the medical-use limitations described in this model card.

English | 한국어

1. Model Introduction

ZEO = Zero · Expert · One. ZEO is ZeroOne AI's model family that brings expert-level intelligence into the journey from zero to one. ZEO Med is the medical-specialized ZEO model, designed to deliver expert-level medical reasoning in secure enterprise and hospital environments.

ZEO Med 2 is a medical language model for Korean healthcare licensing examinations and English medical question answering. On the Korean doctor licensing exam it is state of the art among open-weight models measured under the same evaluation setup, and on the nurse, pharmacist and dentist exams and on MedQA-USMLE it stays in the top tier.

ZEO Med 2 was developed by ZeroOne AI together with Samsung Medical Center, under the Advanced GPU Utilization Support Program of the Ministry of Science and ICT, Republic of Korea. See Acknowledgements.

2. Model Summary


Model	ZEO Med 2
Base model	google/gemma-4-31B-it
Adaptation	LoRA adapter (medical post-training)
Domain	Medical question answering
Languages	Korean, English
Answering	Single chat-completion call; internal reasoning, final answer scored
Decoding	temperature 0.7, top-p 0.95, 5 samples, majority vote
Max Tokens	8,192
Weights	LoRA adapter included (open weights)
License	Apache License 2.0

3. Evaluation Results

Every score below was measured under the same conditions. The model is never shown worked examples with their answers beforehand (0-shot), and each sample uses one prompt and one call in which the model reasons and then gives its final answer in the same response — there is no second call asking for the answer. Each question is sampled five times and the most frequent answer is taken as the answer for that question. Blank cells were not measured under these conditions and are not filled in from other setups.

3.1 Open-weight models measured under the same setup

Doctor, Nurse, Pharmacist and Dentist are the Korean national licensing examinations (KorMedMCQA). Every model in this table was measured by us under the contract final-sc5-medical-private-cot-final-answer-0shot-onecall-max8192-v1.

Model	Doctor	Nurse	Pharmacist	Dentist	4-exam average	MedQA-USMLE
ZEO Med 2	97.70% (425/435)	96.36% (846/878)	94.69% (838/885)	87.05% (706/811)	93.95%	94.82% (1207/1273)
Gemma-4-31B-it	97.01% (422/435)	96.24% (845/878)	95.03% (841/885)	87.42% (709/811)	93.93%	94.74% (1206/1273)
Qwen3.6-27B	93.56% (407/435)	95.22% (836/878)	93.90% (831/885)	83.23% (675/811)	91.48%	94.11% (1198/1273)
Qwen3.6-35B-A3B	93.10% (405/435)	93.28% (819/878)	92.77% (821/885)	82.00% (665/811)	90.29%	94.34% (1201/1273)
Mistral Medium 3.5 ¶	90.80% (395/435)	93.51% (821/878)	92.99% (823/885)	80.39% (652/811)	89.42%	91.99% (1171/1273)
HARI-Q2.5-Thinking *	89.20%	90.99%	90.94%	72.96%	86.02%	88.36%
gpt-oss-120b (native/default thinking) ¶	86.67% (377/435)	89.07% (782/878)	89.15% (789/885)	75.83% (615/811)	85.18%	92.38% (1176/1273)
Nemotron 3 Nano	83.22% (362/435)	86.67% (761/878)	85.76% (759/885)	66.46% (539/811)	80.53%	88.45% (1126/1273)
Nemotron 3 Nano Omni	81.84% (356/435)	83.71% (735/878)	88.02% (779/885)	66.09% (536/811)	79.92%	83.03% (1057/1273)
MedGemma 1.0	72.41% (315/435)	78.70% (691/878)	75.37% (667/885)	60.79% (493/811)	71.82%	86.65% (1103/1273)
MedGemma 1.5	67.59% (294/435)	67.65% (594/878)	67.23% (595/885)	49.08% (398/811)	62.89%	72.43% (922/1273)

Footnotes

No mark: results we evaluated directly on open-weight/adapter models under the 0-shot SC@5 family of contracts. Per-model differences in runtime and parser are published in PROTOCOL.md.
* HARI: values published on its official model card. The four KorMedMCQA exams are 5-shot and MedQA-USMLE is 0-shot, and KorMed4 macro is the simple average of the published Doctor/Nurse/Pharmacist/Dentist scores.
¶ Mistral · gpt-oss: reference values from our own evaluation, run with a different reasoning setting from the rest of the table. Mistral Medium 3.5 ran with explicit high reasoning. gpt-oss-120b ran with its native/default thinking setting, which is why it is not labelled gpt-oss-120b (high).

3.2 KMed.ai

KMed.ai reported an average of 96.4 points on the 2025 Korean national doctor licensing examination, in the official announcement by Seoul National University Hospital and NAVER. That is a score on the actual national examination, not on the KorMedMCQA benchmark used throughout this model card. The two are different examinations with different items, so the figure is not converted to %, no gap against ZEO Med 2 is derived from it, and it is not placed in the table above.

3.3 Frontier API models

GPT-5.2 and Gemini 3.1 Flash-Lite are closed models reachable only through an API, so they are listed separately from the open-weight models in the Section 3.1 table. We measured them ourselves through OpenRouter under the same evaluation conditions as the Section 3.1 table. Cells marked — were not measured.

Model	Doctor	Nurse	Pharmacist	Dentist	4-exam average	MedQA-USMLE
ZEO Med 2	97.70% (425/435)	96.36% (846/878)	94.69% (838/885)	87.05% (706/811)	93.95%	94.82% (1207/1273)
GPT-5.2	97.47% (424/435)	—	—	—	—	95.99% (1222/1273)
Gemini 3.1 Flash-Lite	96.09% (418/435)	96.47%	96.05%	90.26%	94.72%	94.42% (1202/1273)

The ZEO Med 2 row repeats the scores from the Section 3.1 table. ZEO Med 2 leads on the Korean doctor licensing examination. GPT-5.2 leads on MedQA-USMLE, and Gemini 3.1 Flash-Lite leads on the nurse, pharmacist and dentist examinations and on the four-exam average. This is a controlled comparison under matching evaluation conditions.

Gemini 3.1 Flash-Lite's nurse, pharmacist and dentist scores are recorded as percentages only, so no item counts are shown for those three cells.

4. Evaluation Protocol

Each question is answered in one chat-completion call. The model performs its reasoning inside that single call and then emits a final answer line; the scorer reads only that line. There is no separate rationale request and no second call, and hidden reasoning is neither scored nor released.

Prompting is template-driven. A system template fixes the answering format and a user template carries the question, the option list and the option labels through {question}, {choices} and {labels} placeholders. The exact templates used for these scores are published here: KorMedMCQA system · KorMedMCQA user · MedQA system · MedQA user. They hold placeholders only and carry no benchmark question text. Filled-in prompts are not published.

Five samples are taken per question and the answer is the one most of them agree on. If a sample runs out of tokens before it finishes, that is recorded and published together with the score instead of being hidden.

The full setup is written out in PROTOCOL.md.

5. Run the Model

ZEO Med 2 is a LoRA adapter over google/gemma-4-31B-it. Serving loads the base model and applies the adapter — you do not merge weights. The adapter files are in this repository under evaluation-code/artifacts/adapter/ZEO-Med-31B-Adapter-v1/ (adapter_model.safetensors, adapter_config.json); access is gated with automatic approval (see Section 10, License).

Serve with vLLM

The served model id is ZEO-Med-31B-Adapter-v1 (the identifier used throughout the evaluation scripts); on Hugging Face the model is shown as ZEO Med 2.

python -m vllm.entrypoints.openai.api_server \
  --model google/gemma-4-31B-it \
  --enable-lora \
  --lora-modules ZEO-Med-31B-Adapter-v1=evaluation-code/artifacts/adapter/ZEO-Med-31B-Adapter-v1 \
  --max-lora-rank 8 \
  --dtype bfloat16 \
  --language-model-only \
  --reasoning-parser gemma4 \
  --max-model-len 16384

serve_vllm.sh (Section 6, Reproduce the Evaluation) wraps this exact command with the pinned base revision and the adapter hash check.

Chat

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")
resp = client.chat.completions.create(
    model="ZEO-Med-31B-Adapter-v1",
    messages=[
        {"role": "user", "content": "고혈압 1차 약제 선택의 일반적 원칙을 설명해줘."},
    ],
    temperature=0.7,
    top_p=0.95,
    max_tokens=8192,
)
print(resp.choices[0].message.content)

The model reasons internally within the single call and returns the final answer in content. The base model's tokenizer and chat template are used; the adapter does not replace them.

The model is for research and non-clinical use. See Sections 7 and 8.

6. Reproduce the Evaluation

This is separate from Section 5, Run the Model: here you re-run the exact 0-shot SC@5 contract to reproduce the published scores. Benchmark question text is not redistributed — bring your own licensed copy of the datasets. Full step-by-step instructions, including the CPU-only package self-test, are in the evaluation-code guide.

run_full5_reproduction.sh does not start vLLM itself: you first serve the five task endpoints (with serve_vllm.sh zeo), then pass their URLs, PIDs, and the input/manifest directories as environment variables. It requires all of the following to be set:

export PACKAGE_ROOT=/path/to/evaluation-code
export MODEL_PACKAGE_ROOT=/path/to/evaluation-code
export SERVE_PY=/path/to/vllm-0.23.0/bin/python
export SERVED_MODEL=ZEO-Med-31B-Adapter-v1
export SERVING_MODE=dynamic_lora
export FULL5_INPUT_DIR=/path/to/full5-inputs        # your licensed benchmark rows
export FULL5_MANIFEST_DIR=/path/to/full5-manifests
export OUTPUT_ROOT=/path/to/new-full5-output
export NUM_WORKERS=48
export REQUEST_SEED=42
# one URL + PID per task, from the endpoints you started with serve_vllm.sh:
export DOCTOR_URL=... NURSE_URL=... PHARMACIST_URL=... DENTIST_URL=... MEDQA_URL=...
export DOCTOR_SERVE_PID=... NURSE_SERVE_PID=... PHARMACIST_SERVE_PID=... DENTIST_SERVE_PID=... MEDQA_SERVE_PID=...

bash evaluation-code/scripts/run_full5_reproduction.sh

A full-5 macro delta of zero and an all-task match indicate a successful reproduction.

7. Evaluation Datasets

The scores above were measured on the public test sets below. Because of the licenses of those test sets, no question text or dataset file is redistributed here; anyone reproducing the measurement obtains them under their own terms.

KorMedMCQA — doctor, nurse, pharmacist and dentist configurations, test split, revision 79efd6f91edfc8036330d7a4daa88b9f2deb9a82. The dataset card states CC-BY-NC-2.0.
MedQA-USMLE-4-options — test split, revision 0fb93dd23a7339b6dcd27e241cb9b5eca62d4d18. The dataset card states CC-BY-4.0.

Question text is excluded from this repository by publication policy. This is a release-control decision, not legal advice.

8. Intended Use and Limitations

ZEO Med 2 is released for research, education, evaluation, and product development. It is not a medical device and is not approved for autonomous diagnosis, prescription, treatment, or other independent clinical decision-making, and may not be used as the sole basis for a clinical decision. Any healthcare deployment must include qualified professional oversight, institution-specific validation, and compliance with applicable laws.

The published scores measure exam-style multiple-choice answer selection under one fixed setup and do not establish clinical safety or diagnostic accuracy.

9. Base Model and Modifications

ZEO Med 2 is a modified and fine-tuned derivative of:

Base model: google/gemma-4-31B-it (revision 3548789868c5356dbf307c98e6f609007b82b3eb)
Base model license: Apache License 2.0 (Developer: Google)
Modifications by ZeroOne AI: medical-domain LoRA fine-tuning, Korean/English medical instruction tuning, response alignment, and configuration changes

ZEO Med 2 is not affiliated with, endorsed by, or sponsored by Google. The full license text is in LICENSE; attribution and modification notices are in NOTICE.

10. License

ZEO Med 2 is released under the Apache License 2.0, and that includes the LoRA adapter weights. Commercial use, modification, and redistribution are permitted under that license.

The base model google/gemma-4-31B-it is under the same license. Attribution and the list of modifications made by ZeroOne AI are in NOTICE, which you must retain when redistributing the model or a derivative of it, as required by Section 4 of the license.

Access to the repository files is gated with automatic approval: you share your contact information once and access is granted immediately.

11. Contact

Email: zeo@zeroone.ai
Company: zeroone.ai
Product: AInode

12. Acknowledgements

ZEO Med 2 was developed under the Advanced GPU Utilization Support Program of the Ministry of Science and ICT, Republic of Korea, project no. 02-26-01-0282, awarded to Samsung Medical Center.

We thank the research team of the Department of Emergency Medicine, Samsung Medical Center — Prof. Won Chul Cha, principal investigator, and Prof. Meong Hi Son — for the collaboration on this project.

13. Citation

@misc{zeo-med-2-2026,
    title={ZEO Med 2},
    author={ZeroOne AI},
    year={2026},
    url={https://huggingface.co/ZeroOneAI/ZEO-Med-2}
}

한국어

English | 한국어

1. 모델 소개

ZEO = Zero · Expert · One. ZEO는 (주)제로원에이아이(ZeroOne AI)의 자체 AI 모델 패밀리로, Zero에서 One으로 이어지는 문제 해결 과정에 도메인 전문가 수준의 지능을 결합한다는 의미를 담고 있습니다. ZEO Med는 의료 분야에 특화된 ZEO 모델로, 안전한 기업 및 병원 환경에서 전문가 수준의 의학적 추론을 제공하도록 설계되었습니다.

지오메드2(ZEO Med 2)는 한국 의료 국가고시와 영문 의료 문제 풀이를 위한 의료 언어 모델입니다. 의사 국가고시에서는 동일한 평가 환경으로 측정한 open-weight 모델 중 최고 성능이며, 간호사·약사·치과의사 국가고시와 MedQA-USMLE에서도 최상위권 성적을 유지합니다.

ZEO Med 2는 과학기술정보통신부 첨단 GPU 활용 지원 사업의 지원을 받아, (주)제로원에이아이(ZeroOne AI)가 삼성서울병원과 함께 개발했습니다. 자세한 내용은 감사의 글에 있습니다.

2. 모델 개요


모델	지오메드2(ZEO Med 2)
기반 모델	google/gemma-4-31B-it
적응 방식	LoRA 어댑터 (의료 사후학습)
분야	의료 문제 풀이
언어	한국어, 영어
응답 방식	한 번의 호출로 추론과 최종 답을 함께 생성, 최종 답만 채점
디코딩	temperature 0.7, top-p 0.95, 5회 샘플링 후 다수결
최대 토큰	8,192
가중치	LoRA 어댑터 포함 (오픈 웨이트)
라이센스	Apache License 2.0

3. 평가 결과

아래 점수는 모두 같은 조건에서 측정했습니다. 모델에 예시 문항과 정답을 미리 보여주지 않으며(0-shot), 하나의 프롬프트로 한 번 호출해 모델이 추론을 거친 뒤 최종 답을 같은 응답 안에서 이어서 내놓게 합니다. 답을 다시 묻는 두 번째 호출은 없습니다. 문항마다 5회 샘플링해 가장 많이 나온 답을 그 문항의 답으로 채택합니다. 빈칸은 이 조건으로 측정하지 않은 값이며, 다른 조건의 값으로 채우지 않았습니다.

3.1 같은 조건으로 측정한 open-weight 모델

Doctor·Nurse·Pharmacist·Dentist는 한국 의료 국가고시(KorMedMCQA)입니다. 이 표의 모든 모델은 당사가 final-sc5-medical-private-cot-final-answer-0shot-onecall-max8192-v1 계약으로 직접 측정했습니다.

모델	Doctor	Nurse	Pharmacist	Dentist	4개 직군 평균	MedQA-USMLE
ZEO Med 2	97.70% (425/435)	96.36% (846/878)	94.69% (838/885)	87.05% (706/811)	93.95%	94.82% (1207/1273)
Gemma-4-31B-it	97.01% (422/435)	96.24% (845/878)	95.03% (841/885)	87.42% (709/811)	93.93%	94.74% (1206/1273)
Qwen3.6-27B	93.56% (407/435)	95.22% (836/878)	93.90% (831/885)	83.23% (675/811)	91.48%	94.11% (1198/1273)
Qwen3.6-35B-A3B	93.10% (405/435)	93.28% (819/878)	92.77% (821/885)	82.00% (665/811)	90.29%	94.34% (1201/1273)
Mistral Medium 3.5 ¶	90.80% (395/435)	93.51% (821/878)	92.99% (823/885)	80.39% (652/811)	89.42%	91.99% (1171/1273)
HARI-Q2.5-Thinking *	89.20%	90.99%	90.94%	72.96%	86.02%	88.36%
gpt-oss-120b (native/default thinking) ¶	86.67% (377/435)	89.07% (782/878)	89.15% (789/885)	75.83% (615/811)	85.18%	92.38% (1176/1273)
Nemotron 3 Nano	83.22% (362/435)	86.67% (761/878)	85.76% (759/885)	66.46% (539/811)	80.53%	88.45% (1126/1273)
Nemotron 3 Nano Omni	81.84% (356/435)	83.71% (735/878)	88.02% (779/885)	66.09% (536/811)	79.92%	83.03% (1057/1273)
MedGemma 1.0	72.41% (315/435)	78.70% (691/878)	75.37% (667/885)	60.79% (493/811)	71.82%	86.65% (1103/1273)
MedGemma 1.5	67.59% (294/435)	67.65% (594/878)	67.23% (595/885)	49.08% (398/811)	62.89%	72.43% (922/1273)

표식과 각주

표식 없음: 당사가 0-shot SC@5 계열 계약으로 직접 평가한 open-weight/adapter 결과입니다. 모델별 runtime·parser 차이는 PROTOCOL.md에서 공개합니다.
* HARI: 공식 모델카드 공개값입니다. KorMedMCQA 4개 시험은 5-shot, MedQA-USMLE는 0-shot이며, KorMed4 macro는 공개된 Doctor/Nurse/Pharmacist/Dentist 점수의 단순 평균입니다.
¶ Mistral·gpt-oss: 당사 직접 평가 참고값이며, 표의 나머지 모델과 추론 설정이 다릅니다. Mistral Medium 3.5는 explicit high reasoning으로, gpt-oss-120b는 native/default thinking 설정으로 측정했습니다. 그래서 현재 값을 gpt-oss-120b (high)로 표기하지 않습니다.

3.2 KMed.ai

KMed.ai는 서울대병원·네이버 공식 발표에서 2025년도 의사 국가고시 평균 96.4점을 공개했습니다. 이는 실제 국가고시에서 받은 점수이며, 이 모델카드 전반에서 쓰는 KorMedMCQA 벤치마크 점수가 아닙니다. 두 시험은 문항이 다른 별개의 시험이므로 이 값을 %로 바꾸지 않고, ZEO Med 2와의 점수 차이도 계산하지 않으며, 위 표에도 넣지 않습니다.

3.3 프론티어 API 모델

GPT-5.2와 Gemini 3.1 Flash-Lite는 API로만 접근할 수 있는 비공개 모델이라, 3.1절 표의 open-weight 모델과 분리해 싣습니다. 당사가 OpenRouter를 통해 3.1절 표와 같은 평가 조건으로 직접 측정했습니다. —는 측정하지 않은 값입니다.

모델	Doctor	Nurse	Pharmacist	Dentist	4개 직군 평균	MedQA-USMLE
ZEO Med 2	97.70% (425/435)	96.36% (846/878)	94.69% (838/885)	87.05% (706/811)	93.95%	94.82% (1207/1273)
GPT-5.2	97.47% (424/435)	—	—	—	—	95.99% (1222/1273)
Gemini 3.1 Flash-Lite	96.09% (418/435)	96.47%	96.05%	90.26%	94.72%	94.42% (1202/1273)

ZEO Med 2 행은 3.1절 표의 점수를 다시 옮긴 것입니다. 의사 국가고시는 ZEO Med 2가, MedQA-USMLE는 GPT-5.2가, 간호사·약사·치과의사 국가고시와 4개 직군 평균은 Gemini 3.1 Flash-Lite가 가장 높습니다. 평가 조건이 서로 같은 통제된 비교 지표입니다.

Gemini 3.1 Flash-Lite의 간호사·약사·치과의사 점수는 백분율로만 기록되어 있어 그 세 칸에는 문항 수를 표기하지 않았습니다.

4. 평가 방법

문항마다 한 번의 chat-completion 호출로 답합니다. 모델은 그 호출 안에서 추론을 수행한 뒤 최종 답 한 줄을 내놓고, 채점기는 그 줄만 읽습니다. 근거를 따로 요청하는 절차나 두 번째 호출은 없으며, 내부 추론은 채점하지도 공개하지도 않습니다.

프롬프트는 템플릿으로 구성합니다. system 템플릿이 답변 형식을 고정하고, user 템플릿이 {question}, {choices}, {labels} 자리표시자로 문항과 선택지, 선택지 기호를 전달합니다. 이 점수를 낼 때 사용한 실제 템플릿을 공개합니다: KorMedMCQA system · KorMedMCQA user · MedQA system · MedQA user. 자리표시자만 들어 있고 벤치마크 문항 원문은 포함하지 않습니다. 값이 채워진 프롬프트는 공개하지 않습니다.

문항마다 5회를 샘플링해 가장 많이 나온 답을 채택합니다. 어떤 샘플이 토큰을 다 쓰고 끝나면 그 사실도 점수와 함께 공개합니다.

전체 설정은 PROTOCOL.md에 정리돼 있습니다.

5. 모델 사용

ZEO Med 2는 google/gemma-4-31B-it 위에 얹는 LoRA 어댑터입니다. 서빙 시 기반 모델을 로드하고 어댑터를 적용하며, 가중치를 병합하지 않습니다. 어댑터 파일은 이 저장소의 evaluation-code/artifacts/adapter/ZEO-Med-31B-Adapter-v1/ (adapter_model.safetensors, adapter_config.json)에 있고, 접근은 자동 승인 방식의 gated입니다(10절 라이센스 참고).

vLLM 서빙

서빙 모델 id는 ZEO-Med-31B-Adapter-v1입니다(평가 스크립트 전반에서 쓰는 식별자). Hugging Face 페이지에는 ZEO Med 2로 표시됩니다.

python -m vllm.entrypoints.openai.api_server \
  --model google/gemma-4-31B-it \
  --enable-lora \
  --lora-modules ZEO-Med-31B-Adapter-v1=evaluation-code/artifacts/adapter/ZEO-Med-31B-Adapter-v1 \
  --max-lora-rank 8 \
  --dtype bfloat16 \
  --language-model-only \
  --reasoning-parser gemma4 \
  --max-model-len 16384

serve_vllm.sh(6절 평가 재현)가 기반 revision 고정과 어댑터 해시 검증까지 포함해 위 명령을 그대로 감쌉니다.

대화

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")
resp = client.chat.completions.create(
    model="ZEO-Med-31B-Adapter-v1",
    messages=[
        {"role": "user", "content": "고혈압 1차 약제 선택의 일반적 원칙을 설명해줘."},
    ],
    temperature=0.7,
    top_p=0.95,
    max_tokens=8192,
)
print(resp.choices[0].message.content)

모델은 한 번의 호출 안에서 추론을 수행하고 최종 답을 content로 반환합니다. 토크나이저와 chat template은 기반 모델의 것을 사용하며, 어댑터가 이를 바꾸지 않습니다.

이 모델은 연구·비임상 용도입니다. 7절 평가 데이터셋과 8절 사용 목적과 한계를 참고하십시오.

6. 평가 재현

5절 모델 사용과 별개입니다. 여기서는 공개된 점수를 재현하기 위해 0-shot SC@5 계약을 그대로 다시 실행합니다. 벤치마크 문항 원문은 재배포하지 않으니 각자 라이센스에 따라 데이터셋을 직접 받아야 합니다. CPU 전용 패키지 self-test를 포함한 단계별 상세 절차는 평가 코드 안내에 있습니다.

run_full5_reproduction.sh는 vLLM을 직접 띄우지 않습니다. 먼저 5개 시험 엔드포인트를 서빙(serve_vllm.sh zeo)한 뒤, 그 URL·PID와 입력/매니페스트 디렉터리를 환경변수로 넘겨야 합니다. 다음을 모두 설정해야 합니다.

export PACKAGE_ROOT=/path/to/evaluation-code
export MODEL_PACKAGE_ROOT=/path/to/evaluation-code
export SERVE_PY=/path/to/vllm-0.23.0/bin/python
export SERVED_MODEL=ZEO-Med-31B-Adapter-v1
export SERVING_MODE=dynamic_lora
export FULL5_INPUT_DIR=/path/to/full5-inputs        # 각자 라이센스로 받은 벤치마크 문항
export FULL5_MANIFEST_DIR=/path/to/full5-manifests
export OUTPUT_ROOT=/path/to/new-full5-output
export NUM_WORKERS=48
export REQUEST_SEED=42
# serve_vllm.sh로 띄운 엔드포인트의 시험별 URL + PID:
export DOCTOR_URL=... NURSE_URL=... PHARMACIST_URL=... DENTIST_URL=... MEDQA_URL=...
export DOCTOR_SERVE_PID=... NURSE_SERVE_PID=... PHARMACIST_SERVE_PID=... DENTIST_SERVE_PID=... MEDQA_SERVE_PID=...

bash evaluation-code/scripts/run_full5_reproduction.sh

5개 시험 macro delta가 0이고 모든 시험이 일치하면 재현에 성공한 것입니다.

7. 평가 데이터셋

위 점수는 아래 공개 테스트셋으로 측정했습니다. 각 테스트셋의 라이센스 때문에 문항 원문이나 데이터셋 파일은 이 저장소에 재배포하지 않으며, 재현하려는 쪽에서 각자의 이용 조건에 따라 직접 받아야 합니다.

KorMedMCQA — doctor, nurse, pharmacist, dentist 구성, test split, revision 79efd6f91edfc8036330d7a4daa88b9f2deb9a82. 데이터셋 카드 표기는 CC-BY-NC-2.0입니다.
MedQA-USMLE-4-options — test split, revision 0fb93dd23a7339b6dcd27e241cb9b5eca62d4d18. 데이터셋 카드 표기는 CC-BY-4.0입니다.

문항 원문은 공개 정책상 이 저장소에서 제외했습니다. 이는 배포 통제 결정이며 법률 자문이 아닙니다.

8. 사용 목적과 한계

ZEO Med 2는 연구·교육·평가·제품 개발을 위해 공개한 모델입니다. 의료기기가 아니며 자율적 진단·처방·치료 등 독립적 임상 의사결정용으로 승인되지 않았고, 임상 판단의 유일한 근거로 사용할 수 없습니다. 의료 현장 도입 시에는 자격 있는 전문가의 감독, 기관별 검증, 관련 법규 준수가 필요합니다.

공개된 점수는 고정된 조건에서의 시험형 객관식 정답 선택을 측정한 것으로, 임상적 안전성이나 진단 정확도를 입증하지 않습니다.

9. 기반 모델과 수정 사항

ZEO Med 2는 다음을 수정·파인튜닝한 파생 모델입니다.

기반 모델: google/gemma-4-31B-it (revision 3548789868c5356dbf307c98e6f609007b82b3eb)
기반 모델 라이센스: Apache License 2.0 (개발: Google)
(주)제로원에이아이(ZeroOne AI)의 수정: 의료 도메인 LoRA 파인튜닝, 한국어·영어 의료 instruction 튜닝, 응답 정렬, 구성 변경

ZEO Med 2는 Google과 제휴·보증·후원 관계가 없습니다. 라이센스 전문은 LICENSE에, 귀속·수정 고지는 NOTICE에 있습니다.

10. 라이센스

ZEO Med 2는 LoRA 어댑터 가중치를 포함해 Apache License 2.0으로 공개합니다. 이 라이센스에 따라 상업적 이용, 수정, 재배포가 모두 허용됩니다.

기반 모델 google/gemma-4-31B-it도 같은 라이센스입니다. 귀속 표기와 (주)제로원에이아이(ZeroOne AI)가 가한 수정 목록은 NOTICE에 있으며, 라이센스 제4조에 따라 이 모델이나 파생 모델을 재배포할 때 함께 유지해야 합니다.

저장소 파일 접근은 자동 승인 방식의 gated입니다. 연락처를 한 번 제출하면 즉시 접근 권한이 부여됩니다.

11. 문의

이메일: zeo@zeroone.ai
회사 소개: zeroone.ai
제품: AInode

12. 감사의 글

ZEO Med 2는 과학기술정보통신부 첨단 GPU 활용 지원 사업(과제번호 02-26-01-0282, 주관 삼성서울병원)의 지원을 받아 개발했습니다.

함께 연구를 진행해 주신 삼성서울병원 응급의학과 차원철 교수(연구책임자)와 손명희 교수 연구팀에 감사드립니다.

13. Citation

@misc{zeo-med-2-2026,
    title={ZEO Med 2},
    author={ZeroOne AI},
    year={2026},
    url={https://huggingface.co/ZeroOneAI/ZEO-Med-2}
}

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

Model tree for ZeroOneAI/ZEO-Med-2

Base model

google/gemma-4-31B

Finetuned

google/gemma-4-31B-it

Adapter

(255)

this model