Tether hat ein medizinisches KI-Modell namens QVAC MedPsy veröffentlicht, das vollständig auf einem Smartphone läuft und in realen Szenarien das größere MedGemma-27B von Google übertrifft. Dem Unternehmen zufolge verbraucht das Modell drei Mal weniger Rechenressourcen und ist 16 Mal kleiner als die von ihm übertroffene Google-Version.
Leistung im Vergleich zur Größe
Benchmark-Tests zeigen, dass QVAC MedPsy bei Aufgaben, die den tatsächlichen klinischen Einsatz nachahmen, höhere Werte erreicht als MedGemma-27B. Während Googles Modell erhebliche serverbasierte Rechenleistung benötigt, passt Tethers Modell auf ein mobiles Gerät. Der Effizienzgewinn resultiert aus der kompakten Architektur – mit 16 Mal weniger Parametern – und liefert dennoch bessere Ergebnisse.
Diese Größendifferenz spiegelt sich direkt in den Rechenanforderungen wider: QVAC MedPsy verbraucht etwa ein Drittel der Rechenleistung von MedGemma-27B, was die Inferenz auf dem Gerät ohne Internetverbindung ermöglicht.
Warum Effizienz für medizinische KI wichtig ist
Der Einsatz von KI auf Smartphones erschließt Anwendungsfälle in entlegenen Kliniken und Umgebungen mit begrenzten Ressourcen, wo eine stabile Serververbindung nicht immer gewährleistet ist. Ein auf dem Gerät laufendes Modell kann Patientendaten lokal analysieren, was Verzögerungen und Datenschutzrisiken reduziert. Tether hat zwar keine konkreten Einsatzpläne bekannt gegeben, doch die Leistung des Modells deutet darauf hin, dass es psychiatrische oder psychologische Screeningverfahren bewältigen könnte – das „Psy“ in QVAC MedPsy bezieht sich wahrscheinlich auf Psychologie oder Psychiatrie.
Der medizinische Bereich war bisher aufgrund der Datenempfindlichkeit zurückhaltend bei cloudbasierten KI-Lösungen. Ein lokal laufendes Modell, das gleichzeitig Wettbewerber übertrifft, könnte die Akzeptanz in Krankenhäusern und mobilen Gesundheits-Apps beschleunigen.
Die Technologie dahinter
Tether, vor allem bekannt für seinen Stablecoin USDT, baut seit einiger Zeit diskret im KI-Bereich. QVAC MedPsy ist eines seiner ersten medizinischen Modelle. Das Unternehmen hat zwar keine detaillierten Informationen zur Netzwerkarchitektur veröffentlicht, doch die Fähigkeit des Modells, auf Smartphones zu laufen und gleichzeitig ein deutlich größeres Modell zu übertreffen, weist auf aggressive Optimierung während des Trainings oder der Quantisierung hin.
Googles MedGemma-27B hingegen ist für Cloud- oder High-End-Hardware konzipiert. Tethers Ansatz kippt diese Annahme um und zeigt, dass kleinere Modelle bei fachspezifischen Aufgaben leistungsfähiger sein können.
Ein Starttermin oder Partnerschaft wurde nicht angekündigt. Bislang dienen die Benchmark-Ergebnisse als Beleg dafür, dass medizinische KI nicht immer auf leistungsstarke Hardware angewiesen ist, um überzeugende Ergebnisse zu liefern.
