# CERTA می‌سنجد چه زمانی می‌توان از مدل‌های کوچک‌تر بالینی استفاده کرد

> پژوهشگران روشی را ارزیابی کردند که به مدل‌های کوانتیزه‌شده اجازه می‌دهد در تصمیم‌های راستی‌آزمایی بالینی به کار روند، به شرط آنکه به‌اندازه کافی به مدل مرجع BF16 نزدیک باشند؛ تصمیم‌های دیگر به مدل مرجع ارجاع می‌شوند.

Oossa · 2026-10-22 · https://oossa.com/fa/certa-tests-when-smaller-clinical-ai-models-can-be-used

پژوهشگران CERTA را معرفی کردند؛ روشی برای تشخیص اینکه چه زمانی یک مدل زبانی بالینیِ فشرده می‌تواند به‌جای مدل بزرگ‌تر BF16 تصمیمی درباره راستی‌آزمایی بگیرد. تصمیم‌هایی که بررسی آماری CERTA را پشت سر نمی‌گذارند، به مدل مرجع فرستاده می‌شوند.

در آزمایش‌هایی روی 11 مدل و 2,500 تصمیم، نسخه‌های 8 بیتی در تحلیل عملیاتی مطالعه، 99.8% تا 100% تصمیم‌های مجموعه آزمون را پردازش کردند. برای دو مدل 72 میلیاردپارامتری، پیکربندی‌های منتخب 4 بیتی هزینه استقرار برآوردشده‌ای در حدود 26% تا 27% هزینه مدل مرجع BF16 داشتند و اوج مصرف حافظه‌شان کمتر از 48 GB بود. پژوهشگران استقرار روی آن سخت‌افزار مشخص را آزمایش نکردند و نتایج به یک وظیفه راستی‌آزمایی بالینی مربوط است، نه مراقبت بالینی به‌طور کلی.

## حقایق

- ارزیابی از 2,500 تصمیم در بافت‌های مرتبط با 2,484 بیمار استفاده کرد و بیمارانِ مجموعه‌های کالیبراسیون و آزمون از هم جدا بودند.
- پیکربندی‌های منتخب 4 بیتی برای Qwen2.5-72B و HuatuoGPT-o1-72B به‌ترتیب 43.0 GB و 42.7 GB اوج مصرف حافظه داشتند؛ استقرار روی شتاب‌دهنده 48 GB مستقیماً آزمایش نشد.

## چرا مهم است

برای تیم‌هایی که در حال بررسی سامانه‌های محلی راستی‌آزمایی بالینی هستند، CERTA روشی را پیشنهاد می‌کند تا بخشی از تصمیم‌ها به مدل‌های فشرده و کم‌هزینه‌تر سپرده شوند؛ اما این مطالعه ایمنی یا عملکرد چنین مدل‌هایی را برای کاربردهای بالینی دیگر یا استقرار در دنیای واقعی اثبات نمی‌کند.

## منابع و ارجاع‌ها

1. [Do We Need the Largest LLMs for Every Clinical Decision?](https://arxiv.org/abs/2610.26937) – arXiv, 2026-10-21

آخرین به‌روزرسانی: 2026-10-22