
Czat z medyczną AI od Dr7.ai
Poznaj możliwości BioGPT, najnowocześniejszego biomedycznego modelu językowego firmy Microsoft, zaprojektowanego do przetwarzania tekstów medycznych, analizy literatury i kompleksowych zadań przetwarzania języka naturalnego (NLP) w biomedycynie.
Poznaj zaawansowany biomedyczny model językowy firmy Microsoft do przetwarzania i analizy tekstów medycznych
Poznaj biomedyczną AI
Masz wyniki badań, zdjęcie RTG lub zdjęcie skóry? Uzyskaj pełną analizę AI.
Prześlij obrazUzyskaj nieograniczony dostęp do zaawansowanego biomedycznego modelu językowego firmy Microsoft z rozszerzonymi funkcjami, priorytetowym wsparciem i kompleksowymi możliwościami przetwarzania tekstów biomedycznych.
BioGPT to generatywny, wstępnie wytrenowany transformer do tekstów biomedycznych, opracowany przez Microsoft Research (Luo i in., Briefings in Bioinformatics, 2022). Wykorzystuje architekturę GPT-2 medium (24 warstwy, wymiar ukryty 1024, 16 głowic uwagi), ma 347 milionów parametrów i własne słownictwo wyuczone na tekstach biomedycznych. Można spotkać też zapisy Bio GPT, BioGPT AI lub Microsoft BioGPT; jego większa odmiana to BioGPT-Large.
BioGPT osiąga lepsze wyniki w zadaniach generowania tekstów biomedycznych, odpowiadania na pytania i analizy literatury. Został wytrenowany na milionach publikacji biomedycznych i tekstów klinicznych, aby rozumieć terminologię i pojęcia medyczne.
Powiększony BioGPT-Large (1,5 mld parametrów, architektura GPT-2 XL) po dostrojeniu osiąga 81,0% trafności w PubMedQA. Kod i wagi są dostępne na licencji MIT; oficjalne repozytorium na GitHubie ma około 4,5 tys. gwiazdek (październik 2026), a modele opublikowano na Hugging Face jako microsoft/biogpt, microsoft/BioGPT-Large i microsoft/BioGPT-Large-PubMedQA.
Udostępniony przez Microsoft Research w październiku 2022 (arXiv 2210.10341)
Wagi na Hugging Face zaktualizowano ostatnio w lutym 2023 roku; od tego czasu w oficjalnym repozytorium nie pojawiła się nowsza wersja BioGPT.
Do czego model zaprojektowano i na czym go oceniono
Wyniki po dostrojeniu podane przez Microsoft w publikacji o BioGPT (Luo i in., 2022) – niemierzone przez Dr7.ai
Generuj opisy pojęć biomedycznych w stylu literatury naukowej i wydobywaj ze streszczeń PubMed encje oraz zależności między nimi.
Dostrajaj model do odpowiadania na pytania dotyczące streszczeń prac naukowych (PubMedQA). To model badawczy, a nie narzędzie wspomagania decyzji klinicznych.
Wyodrębniaj z opublikowanej literatury interakcje lek–cel molekularny i lek–lek, wspierając kurację danych i stawianie hipotez.
Uruchom BioGPT Microsoftu przez Hugging Face lub lokalnie albo wypróbuj własny biomedyczny czat AI Dr7.
Demo w Hugging Face Spaces, do których odsyła oficjalne README Microsoftu (generowanie tekstu z BioGPT-Large i odpowiadanie na pytania PubMedQA), podczas naszej weryfikacji 20 października 2026 r. zwracały błąd uruchomienia – obecnie nie ma więc działającego oficjalnego demo online. Możesz wypróbować czat biomedyczny na tej stronie (własny asystent Dr7.ai, a nie oryginalny checkpoint) albo uruchomić model samodzielnie, jak pokazano poniżej.
BioGPT jest wbudowany w bibliotekę transformers od Hugging Face. Zainstaluj transformers, torch i sacremoses (wymagany przez BioGptTokenizer), a następnie wczytaj model:
# 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 – model bazowy, 347 mln parametrów
•microsoft/BioGPT-Large – 1,5 mld parametrów (~6,3 GB wag w fp32)
•microsoft/BioGPT-Large-PubMedQA – dostrojony do PubMedQA
•Aby użyć większych checkpointów, zmień identyfikator modelu w przykładzie
Repozytorium Microsoftu na GitHubie (microsoft/BioGPT) zawiera oryginalną implementację w fairseq i checkpointy do pobrania, w tym modele dostrojone do każdego zadania z publikacji.
•Dostrojone checkpointy dla BC5CDR, KD-DTI, DDI, HoC i PubMedQA
•Oryginalna konfiguracja wymaga PyTorch 1.12, Pythona 3.10 i fairseq 0.12
•Do tokenizacji potrzebne są Moses i fastBPE
•Zalecany jest GPU, zwłaszcza dla BioGPT-Large
BioGPT to model do generowania i eksploracji tekstów biomedycznych: kontynuuje tekst w stylu literatury naukowej i dobrze sprawdza się po dostrojeniu do konkretnego zadania, ale nie został wytrenowany do prowadzenia rozmowy ani interpretowania objawów, wyników badań laboratoryjnych czy obrazów. Jeśli potrzebujesz uporządkowanego raportu AI dotyczącego objawów, wyników badań lub obrazu medycznego, skorzystaj z narzędzia diagnostyki AI Dr7.ai.
Otwórz diagnostykę AIWyniki BioGPT powinny być weryfikowane przez ekspertów dziedzinowych, zwłaszcza w zastosowaniach klinicznych i badawczych.
Aby uzyskać najlepsze wyniki, warto dostroić BioGPT do własnej dziedziny biomedycznej lub konkretnego zadania.
BioGPT, BioGPT-Large, BioMedLM, PubMedBERT i PMC-LLaMA w skrócie
| Model | Parametry | Korpus treningowy | Licencja | PubMedQA (trafność) |
|---|---|---|---|---|
| BioGPT | 347M | 15 mln tytułów i streszczeń z PubMed | MIT | 78.2% |
| BioGPT-Large | 1.5B | PubMed | MIT | 81.0% |
| BioMedLM | 2.7B | Streszczenia i pełne teksty artykułów z PubMed (z The Pile) | BigScience BLOOM RAIL 1.0 | 74.4% |
| PubMedBERT | ~110M (BERT-base) | Streszczenia z PubMed (jeden wariant dodatkowo z pełnymi tekstami z PubMed Central) | MIT | 55.8% |
| PMC-LLaMA 13B | 13B | LLaMA-13B + 4,8 mln artykułów biomedycznych + 30 tys. podręczników medycznych | OpenRAIL (karta modelu na Hugging Face); oparty na LLaMA | 77.9% |
Wyniki pochodzą z publikacji poszczególnych modeli (PubMedBERT – z porównania w publikacji o BioGPT) i uzyskano je w różnych warunkach – po dostrojeniu lub instruction tuningu – dlatego traktuj je orientacyjnie, a nie jako bezpośrednie porównanie.
Częste pytania o BioGPT
Tak. Microsoft udostępnił kod i wagi BioGPT na licencji MIT, która obejmuje również wstępnie wytrenowane modele, więc BioGPT i BioGPT-Large można bezpłatnie pobrać i uruchomić, także w celach komercyjnych. Przy samodzielnym uruchomieniu płacisz jedynie za własną moc obliczeniową.
Nie w ramach oficjalnej usługi. Microsoft nie udostępnia hostowanej aplikacji BioGPT, a demo w Hugging Face Spaces, do których odsyła README, zwracały błąd uruchomienia podczas weryfikacji 20 października 2026 r. Możesz uruchomić model samodzielnie z Hugging Face albo wypróbować czat biomedyczny na tej stronie – to własny asystent Dr7.ai, a nie oryginalny checkpoint BioGPT.
To narzędzia do innych zadań. BioGPT to mały model (347 mln parametrów; 1,5 mld w BioGPT-Large) wytrenowany wyłącznie na streszczeniach z PubMed i przeznaczony do dostrajania pod konkretne zadania, takie jak ekstrakcja relacji, PubMedQA czy klasyfikacja dokumentów; można go uruchomić na własnym sprzęcie. Nie przeszedł instruction tuningu pod kątem rozmowy. ChatGPT to uniwersalny asystent konwersacyjny, który znacznie lepiej wykonuje polecenia i objaśnia zagadnienia, ale nie da się go w ten sam sposób wyspecjalizować ani dostroić lokalnie.
Zainstaluj transformers, torch i sacremoses, a następnie wczytaj BioGptTokenizer i BioGptForCausalLM z "microsoft/biogpt" (lub "microsoft/BioGPT-Large") i generuj tekst, np. za pomocą pipeline'u text-generation z biblioteki transformers. Minimalną wersję pokazuje przykład kodu w sekcji „Jak korzystać z BioGPT” powyżej.
BioGPT-Large to powiększona wersja BioGPT oparta na architekturze GPT-2 XL, licząca 1,5 miliarda parametrów. Po dostrojeniu osiąga 81,0% trafności w PubMedQA (wobec 78,2% dla BioGPT z 347 mln parametrów); ten dostrojony model opublikowano jako microsoft/BioGPT-Large-PubMedQA. Oba modele są dostępne na Hugging Face na licencji MIT.
W publikacji o BioGPT dostrojony model uzyskał w kompleksowej ekstrakcji relacji F1 na poziomie 44,98% dla BC5CDR, 38,42% dla KD-DTI i 40,76% dla DDI, a także 78,2% trafności w PubMedQA i 85,12% F1 w klasyfikacji dokumentów HoC. To wyniki po dostrojeniu do konkretnych zadań; odpowiedzi modelu i tak powinni weryfikować eksperci dziedzinowi.
BioGPT to model badawczy wytrenowany na opublikowanej literaturze, a nie na dokumentacji klinicznej, i nie został zwalidowany do opieki nad pacjentami. Może wspierać prace badawcze, takie jak eksploracja literatury, ale nie powinien zastępować oceny klinicznej ani samodzielnie podejmować decyzji klinicznych.