
Medizinischer KI-Chat von Dr7.ai
Entdecken Sie die Leistungsfähigkeit von BioGPT, dem hochmodernen biomedizinischen Sprachmodell von Microsoft für die Verarbeitung medizinischer Texte, die Literaturanalyse und umfassende Aufgaben der biomedizinischen Verarbeitung natürlicher Sprache (NLP).
Erleben Sie das fortschrittliche biomedizinische Sprachmodell von Microsoft für die Verarbeitung und Analyse medizinischer Texte
Biomedizinische KI erleben
Laborbefund, Röntgenbild oder Hautfoto? Lassen Sie es vollständig per KI analysieren.
Bild hochladenErhalten Sie unbegrenzten Zugriff auf das fortschrittliche biomedizinische Sprachmodell von Microsoft mit erweiterten Funktionen, bevorzugtem Support und umfassenden Möglichkeiten zur Verarbeitung biomedizinischer Texte.
BioGPT ist ein generativer vortrainierter Transformer für biomedizinische Texte, entwickelt von Microsoft Research (Luo et al., Briefings in Bioinformatics, 2022). Er basiert auf der Architektur von GPT-2 medium (24 Schichten, Hidden Size 1024, 16 Attention-Heads) mit 347 Millionen Parametern und einem eigenen, aus biomedizinischen Texten gelernten Vokabular. Man findet ihn auch unter den Schreibweisen Bio GPT, BioGPT AI oder Microsoft BioGPT; die größere Variante heißt BioGPT-Large.
BioGPT bietet überlegene Leistung bei der Generierung biomedizinischer Texte, der Fragebeantwortung und der Literaturanalyse. Es wurde mit Millionen biomedizinischer Fachartikel und klinischer Texte trainiert, um medizinische Fachbegriffe und Konzepte zu verstehen.
Die hochskalierte Variante BioGPT-Large (1,5 Mrd. Parameter, GPT-2-XL-Architektur) erreicht nach dem Feintuning eine Genauigkeit von 81,0 % auf PubMedQA. Code und Gewichte stehen unter der MIT-Lizenz; das offizielle GitHub-Repository hat rund 4.500 Sterne (Oktober 2026), und die Modelle sind auf Hugging Face als microsoft/biogpt, microsoft/BioGPT-Large und microsoft/BioGPT-Large-PubMedQA veröffentlicht.
Veröffentlicht von Microsoft Research im Oktober 2022 (arXiv 2210.10341)
Die Gewichte auf Hugging Face wurden zuletzt im Februar 2023 aktualisiert; seitdem ist im offiziellen Repository keine neuere BioGPT-Version erschienen.
Wofür das Modell entwickelt und evaluiert wurde
Von Microsoft im BioGPT-Paper berichtete Ergebnisse nach Feintuning (Luo et al., 2022) – nicht von Dr7.ai gemessen
Fachliterarische Beschreibungen biomedizinischer Begriffe erzeugen und PubMed-Abstracts nach Entitäten und Beziehungen durchsuchen.
Feintuning für die Beantwortung von Fragen zu Forschungs-Abstracts (PubMedQA). Es ist ein Forschungsmodell, kein Werkzeug zur klinischen Entscheidungsunterstützung.
Arzneimittel–Zielstruktur- und Arzneimittel–Arzneimittel-Interaktionen aus der Fachliteratur extrahieren, um Datenkuratierung und Hypothesenbildung zu unterstützen.
Führen Sie Microsofts BioGPT mit Hugging Face oder lokal aus oder testen Sie den eigenen biomedizinischen KI-Chat von Dr7.
Die Hugging-Face-Demo-Spaces, auf die das offizielle README von Microsoft verweist (Textgenerierung mit BioGPT-Large und Fragebeantwortung mit PubMedQA), zeigten bei unserer Prüfung am 20. Oktober 2026 einen Laufzeitfehler – eine funktionierende offizielle Online-Demo gibt es derzeit also nicht. Sie können den biomedizinischen Chat auf dieser Seite ausprobieren (den eigenen Assistenten von Dr7.ai, nicht den Original-Checkpoint) oder das Modell wie unten gezeigt selbst ausführen.
BioGPT ist in die Hugging-Face-Bibliothek transformers integriert. Installieren Sie transformers, torch und sacremoses (wird von BioGptTokenizer benötigt) und laden Sie dann das Modell:
# pip install transformers torch sacremoses
from transformers import BioGptTokenizer, BioGptForCausalLM, pipeline
tokenizer = BioGptTokenizer.from_pretrained("microsoft/biogpt")
model = BioGptForCausalLM.from_pretrained("microsoft/biogpt")
generator = pipeline("text-generation", model=model, tokenizer=tokenizer)
print(generator("COVID-19 is", max_new_tokens=40)[0]["generated_text"])•microsoft/biogpt – Basismodell, 347 Mio. Parameter
•microsoft/BioGPT-Large – 1,5 Mrd. Parameter (~6,3 GB Gewichte in fp32)
•microsoft/BioGPT-Large-PubMedQA – feinabgestimmt auf PubMedQA
•Für die größeren Checkpoints einfach die Modell-ID im Code-Beispiel austauschen
Das GitHub-Repository von Microsoft (microsoft/BioGPT) enthält die ursprüngliche fairseq-Implementierung und herunterladbare Checkpoints, darunter Modelle, die für jede Aufgabe aus dem Paper feinabgestimmt wurden.
•Feinabgestimmte Checkpoints für BC5CDR, KD-DTI, DDI, HoC und PubMedQA
•Das Original-Setup setzt PyTorch 1.12, Python 3.10 und fairseq 0.12 voraus
•Für die Tokenisierung werden Moses und fastBPE benötigt
•Eine GPU wird empfohlen, insbesondere für BioGPT-Large
BioGPT ist ein Modell zur Generierung und Auswertung biomedizinischer Texte: Es setzt Texte im Stil der Fachliteratur fort und liefert nach aufgabenspezifischem Feintuning gute Ergebnisse, wurde aber nicht dafür trainiert, Gespräche zu führen oder Ihre Symptome, Laborwerte oder Bilder zu interpretieren. Für einen strukturierten KI-Bericht zu Symptomen, einem Laborbefund oder einem medizinischen Bild nutzen Sie das KI-Diagnosetool von Dr7.ai.
KI-Diagnose öffnenAusgaben von BioGPT sollten von Fachleuten geprüft werden, insbesondere bei klinischen oder wissenschaftlichen Anwendungen.
Für optimale Ergebnisse empfiehlt sich ein Feintuning von BioGPT auf Ihre konkrete biomedizinische Domäne oder Aufgabe.
BioGPT, BioGPT-Large, BioMedLM, PubMedBERT und PMC-LLaMA auf einen Blick
| Modell | Parameter | Trainingskorpus | Lizenz | PubMedQA (Genauigkeit) |
|---|---|---|---|---|
| BioGPT | 347M | 15 Mio. PubMed-Titel + Abstracts | MIT | 78.2% |
| BioGPT-Large | 1.5B | PubMed | MIT | 81.0% |
| BioMedLM | 2.7B | PubMed-Abstracts + Volltextartikel (aus The Pile) | BigScience BLOOM RAIL 1.0 | 74.4% |
| PubMedBERT | ~110M (BERT-base) | PubMed-Abstracts (eine Variante zusätzlich mit Volltexten aus PubMed Central) | MIT | 55.8% |
| PMC-LLaMA 13B | 13B | LLaMA-13B + 4,8 Mio. biomedizinische Fachartikel + 30.000 medizinische Lehrbücher | OpenRAIL (Hugging-Face-Modellkarte); basiert auf LLaMA | 77.9% |
Die Werte stammen aus dem jeweiligen Paper des Modells (PubMedBERT aus dem Vergleich im BioGPT-Paper) und wurden unter unterschiedlichen Bedingungen ermittelt – Feintuning vs. Instruction-Tuning. Sie sind daher als Orientierung zu verstehen, nicht als direkter Benchmark-Vergleich.
Häufige Fragen zu BioGPT
Ja. Microsoft hat Code und Modellgewichte von BioGPT unter der MIT-Lizenz veröffentlicht, die ausdrücklich auch die vortrainierten Modelle umfasst. Sie können BioGPT und BioGPT-Large also kostenlos herunterladen und ausführen, auch für kommerzielle Zwecke. Beim Selbstbetrieb fallen nur Ihre eigenen Rechenkosten an.
Nicht über einen offiziellen gehosteten Dienst. Microsoft bietet keine gehostete BioGPT-Anwendung an, und die Hugging-Face-Demo-Spaces, auf die das README verweist, zeigten bei einer Prüfung am 20. Oktober 2026 einen Laufzeitfehler. Sie können das Modell selbst über Hugging Face ausführen oder den biomedizinischen Chat auf dieser Seite testen – dabei handelt es sich um den eigenen Assistenten von Dr7.ai, nicht um den Original-Checkpoint von BioGPT.
Die beiden erfüllen unterschiedliche Aufgaben. BioGPT ist ein kleines Modell (347 Mio. Parameter; 1,5 Mrd. bei BioGPT-Large), das ausschließlich mit PubMed-Abstracts vortrainiert wurde und für konkrete Aufgaben wie Relationsextraktion, PubMedQA oder Dokumentklassifikation feinabgestimmt werden soll; es läuft auch auf eigener Hardware. Für Chats ist es nicht per Instruction-Tuning optimiert. ChatGPT ist ein universeller Konversationsassistent, der Anweisungen deutlich besser befolgt und Sachverhalte besser erklärt, sich aber nicht in gleicher Weise spezialisieren oder lokal feinabstimmen lässt.
Installieren Sie transformers, torch und sacremoses, laden Sie anschließend BioGptTokenizer und BioGptForCausalLM aus "microsoft/biogpt" (oder "microsoft/BioGPT-Large") und generieren Sie Text, zum Beispiel mit der text-generation-Pipeline von transformers. Das Code-Beispiel im Abschnitt „BioGPT nutzen“ oben zeigt die Minimalversion.
BioGPT-Large ist die hochskalierte Version von BioGPT auf Basis der GPT-2-XL-Architektur mit 1,5 Milliarden Parametern. Nach dem Feintuning erreicht es 81,0 % Genauigkeit auf PubMedQA (gegenüber 78,2 % beim BioGPT mit 347 Mio. Parametern); dieses feinabgestimmte Modell ist als microsoft/BioGPT-Large-PubMedQA veröffentlicht. Beide stehen auf Hugging Face unter der MIT-Lizenz.
Im BioGPT-Paper erreichte das feinabgestimmte BioGPT bei der End-to-End-Relationsextraktion einen F1-Wert von 44,98 % auf BC5CDR, 38,42 % auf KD-DTI und 40,76 % auf DDI, außerdem 78,2 % Genauigkeit auf PubMedQA und einen F1-Wert von 85,12 % bei der Dokumentklassifikation auf HoC. Es handelt sich um aufgabenspezifisch feinabgestimmte Ergebnisse; die Ausgaben sollten dennoch von Fachleuten geprüft werden.
BioGPT ist ein Forschungsmodell, das mit veröffentlichter Fachliteratur und nicht mit klinischen Patientendaten trainiert wurde, und es ist nicht für die Patientenversorgung validiert. Es kann Forschungsabläufe wie Literatur-Mining unterstützen, sollte aber weder das ärztliche Urteil ersetzen noch eigenständig klinische Entscheidungen treffen.