GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
ClementRbl
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Run this model inference with full control and performance in your environment.
Model Details
Model Provider
ClementRbl
Model Tree
Qwen/Qwen3-1.7B-Base
Input Modalities
Output Modalities
Supported Functionality
Preuve de concept, non certifiée dispositif médical. Ce modèle ne pose pas de diagnostic, ne prescrit pas, et ne remplace aucune décision soignante. Le barème employé est une transposition simplifiée de l'échelle FRENCH à trois niveaux, non validée par un clinicien. Le périmètre est l'adulte : la pédiatrie et l'obstétrique en sont exclues.
Le modèle ne doit pas être servi seul. Le service de référence le double d'un barème explicite qui relève la priorité lorsque le modèle annonce moins grave que les constantes ne le justifient.
Hallucinations. Le texte d'explication est produit librement et n'est pas vérifié. Le modèle cite parfois un critère qui ne s'applique pas au tableau clinique fourni. Le niveau et la liste des critères exposés par le service, eux, sont calculés par le barème et restent justes : c'est le texte libre, et lui seul, qui ne doit pas être présenté à un soignant comme une justification auditée.
Sous-triage résiduel. Sur des motifs jamais vus, le modèle annonce une part non nulle des urgences vitales à un niveau moindre (voir le tableau ci-dessous). C'est la raison pour laquelle il ne doit jamais être servi seul.
Biais d'apprentissage. Trois sont identifiés et assumés :
Démographie. Âge et sexe sont tirés dans des bornes plausibles par motif ; aucun autre attribut n'est représenté, et aucune analyse d'équité par sous-groupe n'a été conduite. Elle serait un préalable à tout pilote.
Le modèle attend le format exact vu à l'entraînement. Toute autre mise en forme dégrade les performances sans signal visible.
markdown
Patient de 68 ans, sexe masculin.Motif de recours : douleur thoracique.Symptômes rapportés : irradiation au bras gauche, pâleur.Antécédents : hypertension artérielle, tabagisme.Constantes à l'admission : FC 118/min, PA 88/55 mmHg, FR 32/min, SpO2 88 %, T 37,4 °C, Glasgow 14, EVA 8/10.Évaluez le niveau de priorité de triage et justifiez votre évaluation.
Le gabarit de conversation est appliqué avec enable_thinking=False.
| Modèle | Exactitude | Sous-triage critique |
|---|---|---|
sft_generalisation | 89.5 % [86.8 à 91.7] | 8.5 % [5.4 à 13.2] |
dpo_ablation_generalisation | 90.2 % [87.5 à 92.3] | 8.5 % [5.4 à 13.2] |
Le sous-triage critique — une urgence maximale annoncée à un niveau moindre — est la métrique de sécurité du projet. Un sur-triage encombre le service ; un sous-triage laisse un patient grave en salle d'attente. Les deux ne se compensent pas et ne sont jamais agrégés.
Mesures obtenues sur 600 cas construits à partir de motifs de recours jamais vus à l'entraînement, intervalles de Wilson à 95 %.
python
from peft import PeftModelfrom transformers import AutoModelForCausalLM, AutoTokenizerbase = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-1.7B-Base")modele = PeftModel.from_pretrained(base, "ClementRbl/triage-chsa-qwen3-1.7b")tokenizer = AutoTokenizer.from_pretrained("ClementRbl/triage-chsa-qwen3-1.7b")
Avec vLLM :
bash
vllm serve Qwen/Qwen3-1.7B-Base \--enable-lora --max-lora-rank 16 \--lora-modules triage=ClementRbl/triage-chsa-qwen3-1.7b