Tether har lanceret en medicinsk AI-model kaldet QVAC MedPsy, der kører fuldstændigt på en smartphone og overgår Googles større MedGemma-27B i reelle anvendelsesscenarier. Ifølge selskabet bruger modellen tre gange færre beregningsressourcer og er 16 gange mindre end den Google-version, den slår.
Ydelse vs. Størrelse
Benchmarks viser, at QVAC MedPsy opnår højere score end MedGemma-27B på opgaver, der efterligner faktisk klinisk brug. Mens Googles model kræver betydelig serverbaseret behandling, kan Tethers model køre på en mobil enhed. Effektivitetsgevinsten skyldes modellens kompakte arkitektur — 16 gange mindre i antal parametre — men den leverer alligevel bedre resultater.
Denne størrelsesforskel oversættes direkte til beregningsbehov. QVAC MedPsy bruger cirka en tredjedel af den proceskraft, som MedGemma-27B kræver, hvilket gør den velegnet til afvikling på enheden uden internetadgang.
Hvorfor effektivitet er vigtig for medicinsk AI
At køre AI på smartphones åbner for anvendelsesmuligheder i fjerntliggende klinikker og områder med begrænsede ressourcer, hvor en stabil serverforbindelse ikke er garanteret. En model, der kører på enheden, kan analysere patientdata lokalt, hvilket reducerer forsinkelse og privatlivsrisici. Tether har ikke afsløret konkrete implementeringsplaner, men modellens ydelse antyder, at den kan håndtere psykiatrisk eller psykologisk skærmning — bogstaverne 'Psy' i QVAC MedPsy henviser sandsynligvis til psykologi eller psykiatri.
Den medicinske sektor har været forsigtig over for kun cloud-baseret AI på grund af dataets følsomhed. En model, der kører på enheden og samtidig overgår store konkurrenter, kan fremskynde adoptionen i hospitaler og mobile sundhedsapps.
Teknologien bag det
Tether, bedst kendt for sin stablecoin USDT, har stille og roligt udviklet AI-kapacitet. QVAC MedPsy er en af deres første medicinske modeller. Selskabet har ikke offentliggjort detaljer om netværksarkitekturen, men modellens evne til at køre på en smartphone, mens den slår en langt større model, tyder på aggressiv optimering i træningen eller kvantisering.
Googles MedGemma-27B er derimod designet til cloud eller højpræstationshardware. Tethers tilgang vender denne antagelse på hovedet og viser, at mindre kan være stærkere i opgaver med specifik fagdomæne.
Der er endnu ikke annonceret nogen lanceringsdato eller samarbejder. For nuværende står benchmarkeresultaterne som bevis på, at medicinsk AI ikke altid behøver kraftige systemer for at levere store resultater.
