- Дата публикации
Meissa: офлайн‑медассистент на 4B параметров, который конкурирует с GPT‑агентами
Что появилось / что изменилось
Исследователи представили Meissa — медицинскую мультимодальную модель на 4 млрд параметров. Она понимает текст и изображения и работает как агент без подключения к внешним API.
Ключевые факты:
- Параметры: 4B — более чем в 25 раз меньше, чем у типичных фронтир‑моделей вроде Gemini‑3.
- Режим работы: полностью офлайн, без обращения к внешним API.
- Мультимодальность: текст + медицинские изображения (радиология, патология и клинические данные).
- Агентный режим: умеет сама решать, когда подключать инструменты и других агентов, а когда отвечать напрямую.
- Обучение: 40 000 тщательно отобранных «траекторий» — пошаговых сценариев взаимодействия с инструментами и другими агентами.
- Скорость: в офлайн‑режиме Meissa даёт ответы в среднем в 22 раза быстрее, чем те же сценарии через API‑модели вроде Gemini‑3.
- Качество: на 13 медицинских бенчмарках (16 сценариев) Meissa сравнивают с проприетарными медицинскими агентами на базе крупных моделей. В 10 из 16 случаев Meissa показывает равные или лучшие результаты.
- Открытость: код, данные и среды доступны на GitHub: https://github.com/Schuture/Meissa.
Главное изменение: агентный медицинский ассистент с мультимодальностью теперь можно запускать локально, без отправки данных в облако.
Как это работает
Meissa — это мультимодальная LLM с агентной надстройкой. Её обучили не только выдавать ответы, но и планировать сложные цепочки действий.
Три ключевые идеи под капотом:
-
Единая модель траекторий
Вместо отдельных форматов для «рассуждений» и «действий» Meissa использует одну схему: состояние → действие → наблюдение.
В эту схему укладываются и размышления модели, и вызовы инструментов, и ответы от других агентов. За счёт этого одна и та же модель умеет работать в разных медицинских средах: от анализа снимков до клинических задач. -
Трёхуровневая стратифицированная супервизия
Meissa учится на своих ошибках и поднимает «уровень» стратегии, когда не справляется:- сначала пробует решить задачу прямым рассуждением;
- если ошибается, подключает инструменты (например, специализированные модули анализа изображений или базы знаний);
- если и этого мало, переходит к многоагентному взаимодействию — условно «совещается» с другими агентами.
Такая схема учит модель выбирать стратегию с учётом сложности задачи, а не всегда тянуться к тяжёлой артиллерии.
-
Проспективно‑ретроспективное обучение
Исследователи собирают два типа траекторий от больших фронтир‑моделей:- «вперёд» — как агент исследует задачу в реальном времени;
- «задним числом» — как выглядел бы идеальный, аккуратный план решения той же задачи.
Meissa учится на паре этих сценариев. Это стабилизирует обучение и помогает ей вырабатывать эффективную политику взаимодействия с инструментами и агентами, не копируя слепо шумные попытки больших моделей.
Что это значит для вас
Если вы работаете с медицинскими данными и вас волнует конфиденциальность, Meissa закрывает сразу несколько болевых точек:
-
Для кого полезна:
- R&D‑команды в медтехе, которые строят свои ассистенты для врачей и не хотят зависеть от внешних API.
- Больницы и диагностические центры, где запрещён вынос данных в облако и нужны офлайн‑решения.
- Исследователи медицинского ИИ, которым важны открытые датасеты, код и воспроизводимые среды.
-
Что можно делать:
- Строить локальные ассистенты для анализа радиологических и патологических изображений.
- Экспериментировать с клиническим reasoning‑агентом, который умеет поэтапно планировать и вызывать инструменты.
- Тестировать свои пайплайны на 13 стандартных медицинских бенчмарках и сравнивать их с результатами Meissa.
-
Где не стоит применять:
- Как единственный источник истины для постановки диагнозов. Это исследовательская система, а не сертифицированный медицинский продукт.
- В сценариях, где критична максимальная точность любой ценой и уже согласованы контракты на использование крупных облачных моделей.
Meissa доступна через GitHub‑репозиторий. Для запуска понадобится собственная инфраструктура: сервер или мощная рабочая станция с GPU. В России проект можно скачать напрямую с GitHub; VPN понадобится только если у вас есть ограничения доступа к GitHub на уровне сети.
Место на рынке
Meissa конкурирует не с GPT‑4o как чат‑ботом, а с медицинскими агентами, которые строят поверх больших моделей вроде Gemini‑3.
Ключевые цифры по сравнению с типичным фронтир‑агентом на базе Gemini‑3:
- Размер: Meissa меньше более чем в 25 раз по числу параметров.
- Задержка: офлайн‑запуск даёт в среднем в 22 раза меньшую end‑to‑end‑задержку по сравнению с API‑сценарием.
- Качество: на 13 медицинских бенчмарках (16 сценариев) Meissa показывает сравнимый или лучший результат в 10 случаях из 16.
Сильные стороны Meissa:
- Офлайн‑режим и контроль над данными — критично для медицины.
- Мультимодальность: текст + медицинские изображения.
- Агентный функционал, обученный на реальных траекториях от крупных моделей.
Слабые стороны:
- 4B параметров — это не класс гигантских моделей вроде Gemini‑3 или GPT‑4o, поэтому в самых сложных задачах качество может проседать.
- Система ориентирована на исследовательский и инженерный контур, а не на сертифицированное клиническое внедрение «из коробки».
Если вы сейчас завязаны на облачные API и упираетесь в стоимость, задержки и регуляторные ограничения по данным, Meissa — реальный кандидат для пилотов и прототипов офлайн‑медассистентов.