9B · Qwen3.5-9B
ALLM.H-URO
Urology Specialist Model
비뇨의학과 특화 9B 경량 모델. KMLE 비뇨기과 94.7%, LUTS 감별진단에서 GPT-5.1 능가.
Model Card
Base Model
Qwen3.5-9B
Parameters
9B
License
Qwen License + Acryl Research License
Languages
Korean, English
Modalities
Text
Hardware
Multi-GPU cluster
Training Pipeline
Base Model
Qwen3.5-9B
Stage 1: General Medical Fine-tuning
General medical reasoning foundation
Stage 2: Urology Specialist Fine-tuning
Urology-specific knowledge internalization
What Makes This Different
| 기존 연구 | 우리 차별점 |
|---|---|
| GPT-4o (90.5%) | KMLE 비뇨기과 94.7% (9B 경량 모델로 달성) |
| GPT-5.1 (LUTS BOO 47.4%) | BOO 50.5%, DUA 59.7% — 하부요로증상 감별 우수 |
| 대형 모델 의존 (70B+) | 9B 경량 모델로 임상 환경 실배포 가능 |
Paper Contributions
- 9B 경량 모델로 GPT-4o급 비뇨기과 성능 달성
- 하부요로증상 감별진단에서 GPT-5.1 능가 (BOO, DUA 카테고리)
Benchmarks
| Benchmark | Score | Baseline / SOTA | Metric |
|---|---|---|---|
| KMLE 비뇨기과 (190문항, Thinking) | 94.7% | GPT-4o 90.5% | Accuracy |
| LUTS BOO 감별진단 | 50.5% | GPT-5.1 47.4% | Accuracy |
| LUTS DUA 감별진단 | 59.7% | GPT-5.1 46.9% | Accuracy |
Training Data
- METHODMulti-stage fine-tuning pipeline
Quick Start
# pip install transformers torch from transformers import AutoModelForCausalLM, AutoTokenizer model = AutoModelForCausalLM.from_pretrained("Acryl-aLLM/ALLM.H-URO") tokenizer = AutoTokenizer.from_pretrained("Acryl-aLLM/ALLM.H-URO") messages = [ {"role": "user", "content": "65세 남성, 갑작스런 흉통과 호흡곤란. 감별 진단은?"} ] text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True) inputs = tokenizer(text, return_tensors="pt").to(model.device) output = model.generate(**inputs, max_new_tokens=1024) print(tokenizer.decode(output[0], skip_special_tokens=True))