Tether 新医疗 AI 计算量仅为对手的三分之一

USDT 稳定币背后的公司 Tether 发布了一套新的医疗人工智能模型，挑战了行业对规模的盲目追求。其最高效的系统在关键基准测试中击败了尺寸接近其七倍的 Google 模型。QVAC MedPsy 模型旨在智能手机等设备上本地运行，此举可能会规避日益增长的医疗 AI 行业面临的主要隐私风险。

“对于 QVAC MedPsy，我们的重点是在模型层面提高效率，而不是扩大规模，”Tether 首席执行官 Paolo Ardoino 在一份声明中表示。“你可以在数据已经存在的地方——医院系统内或设备上运行医疗推理，而无需通过云端传输敏感信息或等待外部处理。”

该公司发布了两个模型，其中 40 亿参数版本在八项医疗基准测试中得分为 70.54，超过了尺寸几乎是其七倍的 Google MedGemma-27B 模型。一个较小的 17 亿参数模型也比同类 Google 模型高出 11 分以上。Tether 将这种性能归功于一种结合了监督、精心策划的临床推理数据和强化学习的专业培训过程。4B 模型的效率也高出三倍，产生响应大约需要 909 个 token，而同类系统约为 2,953 个。

此次发布针对医疗 AI 的一个关键漏洞：患者隐私。医疗 AI 市场预计将从目前的约 360 亿美元增长到 2033 年的 5000 亿美元以上，但大多数系统都依赖云端。这需要将敏感的患者记录传输到外部服务器，从而产生 HIPAA 等法规下的合规性和隐私风险。通过完全在设备上运行，QVAC MedPsy 可将所有数据保留在本地。

设备端 AI 作为隐私解决方案

Tether 模型的架构为临床环境推广 AI 时伴随的隐私担忧提供了直接解决方案。虽然医生已开始使用 AI 来总结患者就诊情况并减少记录时间，但这一过程通常涉及将对话上传到云端，正如奥兰多健康中心（Orlando Health）的一些医生所做的那样。即使有 HIPAA 合规承诺，这仍导致患者对数据安全感到担忧。

Tether 的方法消除了这一步骤。模型以压缩的 GGUF 格式发布，较小版本仅占用 1.2 GB，可直接安装在标准医院硬件或医生的智能手机上。这意味着农村诊所或个体从业者可以在不需要高速互联网或云订阅的情况下使用 AI，且患者数据永远不会离开办公场所。

是秘书而非医生

尽管性能有所提高且具有隐私优势，但大型语言模型在医学中的作用仍是激烈辩论的话题。牛津大学 2 月发表的一项研究发现，AI 模型在处理细微症状时经常提供错误答案、混乱指导和危险的医疗建议。研究人员得出结论，目前的 AI 角色是“秘书而非医生”。

此次发布是 Tether 向人工智能领域进行更广泛战略推进的一部分。该公司最近推出了 QVAC SDK（用于构建本地离线 AI 应用程序的开源工具包）和 QVAC Health（一款将生物识别数据保留在设备上的消费者健康应用）。QVAC MedPsy 模型现已在开源 AI 平台 Hugging Face 上提供，是该公司首批专门针对临床推理进行训练的模型。

本文仅供参考，不构成投资建议。