GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
BenoitJT-GIRARD
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Model Details
Model Provider
BenoitJT-GIRARD
Model Tree
Qwen/Qwen3-1.7B-Base
Input Modalities
Output Modalities
Supported Functionality
python
from transformers import AutoModelForCausalLM, AutoTokenizer depot = "BenoitJT-GIRARD/qwen3-1.7b-chsa-triage-sft-merged"modele = AutoModelForCausalLM.from_pretrained(depot, device_map="auto")tokenizer = AutoTokenizer.from_pretrained(depot)Le tokenizer publié ici porte le gabarit de dialogue du projet et déclare
<|im_end|> comme jeton de fin de séquence.
La tête de sortie a été découplée de la matrice d'embeddings avant la fusion.
Le modèle de base partage un seul tenseur entre les deux ; comme le fine-tuning
adapte la tête, fusionner sans délier aurait écrit la correction dans l'entrée du
modèle autant que dans sa sortie. Ce dépôt porte donc un lm_head.weight propre,
et tie_word_embeddings à false.
text
Niveau de priorité : URGENCE_VITALE | URGENCE_MODEREE | CONSULTATION_DIFFEREEJustification : <explication clinique courte>Recommandation : <conduite à tenir>Mesuré sur un jeu de cas écrits à la main, jamais vus à l'entraînement, dont près de la moitié sont des présentations atypiques.
| Mesure | Valeur sur 60 cas |
|---|---|
| Exactitude du niveau de triage | 0,683 [0,56 – 0,79] |
| Sous-triage des cas urgents | 30 % |
| Surclassement, tous cas | 11,7 % |
| Réponses exploitables par le système d'information | 100 % |
Comparaison aux références, analyse d'erreurs et détail par langue :
reports/evaluation_results.json dans le dépôt du projet.
Voir la carte du modèle final et le dépôt du projet : https://github.com/BenoitJT-GIRARD/chsa-triage
MIT.