CoolFace
Modelpublic

Weikaijie/HealthPulse-Qwen2.5-7B

sourceHugging Faceapache-2.0updated 1mo agoView on Hugging Face
1likes141downloads
Model Card

本草医疗 Qwen2.5-7B（HealthPulse-Qwen2.5-7B）

基于 Qwen2.5-7B-Instruct 在 Huatuo（华佗）中文医患数据集上 SFT + LoRA 微调的医疗问答大模型。 聚焦医学准确性与安全性，适用于症状咨询、健康科普、导诊建议、用药常识问答等场景。

模型信息

项目说明
基座模型Qwen2.5-7B-Instruct
微调方法SFT + LoRA（rank=8, alpha=16, lr=5e-5）
训练框架LLaMA-Factory
训练数据Huatuo（华佗）医患数据集 9,000+ 条（Alpaca 格式）
训练平台华为云 A800（80GB）GPU
上下文长度8K（可扩展）
语言中文

快速使用

Transformers

python
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "Weikaijie/HealthPulse-Qwen2.5-7B",
    torch_dtype="auto",
    device_map="auto",
)
tokenizer = AutoTokenizer.from_pretrained("Weikaijie/HealthPulse-Qwen2.5-7B")

messages = [{"role": "user", "content": "高血压患者日常饮食需要注意什么？"}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=512)
print(tokenizer.decode(out[0][inputs.input_ids.shape[1]:], skip_special_tokens=True))

vLLM（推荐，OpenAI 兼容）

bash
pip install vllm
vllm serve Weikaijie/HealthPulse-Qwen2.5-7B --port 8000
python
from openai import OpenAI
client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")
resp = client.chat.completions.create(
    model="HealthPulse-Qwen2.5-7B",
    messages=[{"role": "user", "content": "最近失眠多梦，怎么调理？"}],
)
print(resp.choices[0].message.content)

下载权重

bash
# 海外直连
hf download Weikaijie/HealthPulse-Qwen2.5-7B --local-dir ./merged_model

# 国内镜像加速
export HF_ENDPOINT=https://hf-mirror.com
hf download Weikaijie/HealthPulse-Qwen2.5-7B --local-dir ./merged_model
python
from huggingface_hub import snapshot_download
snapshot_download("Weikaijie/HealthPulse-Qwen2.5-7B", local_dir="./merged_model")

评测（5 维 NLU）

维度说明相对通用模型
医学准确性是否符合医学共识提升约 10%
安全性是否不乱开药/给危险建议同步提升
专业性是否体现医生角色持平/略优
完整性是否覆盖关键信息略低于最新国产大模型
清晰度表达是否流畅略低于最新国产大模型
评测方式：LLM 初审 + 医学论坛评分 + 争议样本医学人士复核；如实记录短板，完整性与清晰度较最新国产大模型低 10%-20%（基座模型代差所致）。

训练详情

  • —数据管线：华佗原始医患数据 → Hive 暂存 + PySpark 清洗 → Alpaca JSON 格式；Dify 工作流 + GPT-4o-mini 多维打分（≥6.0 分，保留 90%-95%）
  • —数据划分：7,000 train / 1,000 val / 1,000 test
  • —训练参数：LoRA rank=8, alpha=16, dropout=0.1, lr=5e-5, batch=8, epochs 3-5

免责声明

本模型仅供学习与研究及健康科普参考，不构成医疗诊断或治疗建议。医疗问题请咨询专业医生。模型输出可能包含错误或过时信息，使用者需自行判断。

数据集（配套训练数据）

关联项目

  • —项目主页（VitalCortex 健康平台，含训练集/参数/微调步骤/评测脚本）：github.com/Aurirlk/HealthPulse
  • —微调全流程实操记录：项目仓库 ai_model/微调步骤.md
  • —云上部署指南（vLLM + 阿里云）：项目仓库 ai_model/部署指南-vLLM-阿里云.md