medgemma-1.5-4b-it-GGUF

קוד פתוח

unslothother2026-01-14

transformers
gguf
medical
unsloth
radiology

גרסה מכווצת של מודל רפואי מולטימודלי של גוגל, שמנתח צילומי רנטגן, MRI ודוחות קליניים ישירות מחומרה מקומית בלי לשלוח מידע רפואי רגיש לענן.

66.2 GBמשקל הקבצים
13,011הורדות בחודש
55לייקים

מה זה

הפיתוח הזה לוקח את ארכיטקטורת Gemma 3 ומחבר אותה לראייה ממוחשבת שעברה אימון ייעודי על נתונים רפואיים. הדגם הנוכחי מתמחה במשימות קליניות מגוונות, כולל פענוח הדמיות דו ממדיות כמו רנטגן חזה, זיהוי אנומליות בחתכי תלת ממד של CT ו־MRI, וקריאת שקופיות פתולוגיות שלמות.

במדדים קליניים הוא מציג שיפור ברור על פני מודלים כלליים באותו סדר גודל. בבדיקות חילוץ נתונים מטופסי מעבדה בפורמט PDF למבנה JSON הוא הגיע לציון F1 של 91.0 לעומת 84.0 במודל הבסיס. עם זאת, בדיוק מענה על שאלות מורכבות של מומחים כמו MedXpertQA הוא עומד על 20.9 בלבד, מה שממחיש את הגבולות של גודל ארבעה מיליארד פרמטרים בניתוח מעמיק.

מתאים ל

חילוץ נתונים מבדיקות מעבדה
המרה של טופסי מעבדה לא מובנים מקובצי PDF או תמונות ישירות למבנה נתונים מסודר של JSON.
איתור ממצאים בצילומי רנטגן
זיהוי תיבות גבול לאנומליות ואיברים בצילומי חזה, עם ציון התאמה של 38.0 במדד IoU.
מיון ראשוני של הדמיות CT
סיווג מהיר של סריקות נפחיות ואיתור חריגות בסיסיות ישירות על שרת בית החולים ללא תלות ברשת.

איפה זה נופל

היוצרים מבהירים שהמערכת לא נבדקה ולא מותאמת לניהול שיחות מרובות שלבים, כך שניסיון להשתמש בה כצ'אטבוט רפואי רציף עלול להיכשל. בנוסף, המודל מפגין רגישות גבוהה לניסוח הפרומפט בהשוואה למודלי Gemma רגילים, והערכות הבטיחות שלו נבדקו כמעט אך ורק באנגלית.

שאלות
נפוצות

האם המודל תומך בפענוח מסמכים רפואיים בעברית?

בדיקות הבטיחות והאימון נשענו בעיקר על חומרים באנגלית. הוא עשוי להבין מונחים בסיסיים, אבל אסור להסתמך עליו בעיבוד טקסטים קליניים בעברית ללא בדיקה יסודית והתאמה ממוקדת.

האם אפשר להשתמש בו ישירות לאבחון קליני של חולים?

ממש לא. כרטיס המודל מגדיר את הביצועים כקו בסיס למפתחים ומחייב כוונון עדין למשימה ספציפית, כך שהוא מתאים לסיוע וסינון נתונים ולא לקבלת החלטות טיפוליות עצמאיות.

איך מריצים

המאגר כולל קובצי GGUF מכווצים בשיטות שונות של Unsloth בנפח כולל של 66.2 ג'יגה בייט על פני 32 קבצים שונים. כדי להריץ קובץ קוונטיזציה בודד תצטרכו מחשב מקומי עם לפחות 8 עד 16 ג'יגה בייט של זיכרון עבודה או זיכרון כרטיס מסך, בהתאם לרמת הדחיסה שבחרתם.

אם אתם מתכננים לעבד סריקות CT או MRI מלאות בנפח גבוה, המודל דורש עיבוד מקדים של הנתונים לקוביות מותאמות. במקרים של עומסי עבודה כבדים או חוסר בחומרה ייעודית, עדיף להשתמש בנקודת הקצה המנוהלת ב־Google Cloud Model Garden במקום להיאבק עם זיכרון מקומי מוגבל.

ollama run hf.co/unsloth/medgemma-1.5-4b-it-GGUF:Q4_K_M

איזו גרסה

אותו מודל בכמה רמות דחיסה. ככל שהמספר נמוך יותר הקובץ קטן יותר ורץ על פחות זיכרון, והתשובות נהיות פחות מדויקות. רוב האנשים רוצים את הגדולה ביותר שנכנסת להם בזיכרון.

הקבצים

32 קבצים במאגר, 66.2 GB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.

הרישיון

הרישיון מוגדר כ־other וכפוף לתנאי השימוש של Health AI Developer Foundations מבית גוגל. מדובר בהסכם ייעודי לתחום הבריאות ולא ברישיון קוד פתוח חופשי, מה שמחייב קריאה מדוקדקת של תנאי הפצה ומסחור לפני שילוב שלו במערכות מול משתמשים.

הרישיון המלא בעמוד המודל ↗