Pars-Medical-o1-Llama-FFT

<div align="center">

🩺 Pars-Medical-o1-Llama-FFT

⚠️This is a beta version and does not have the ability to correctly respond to or handle local runs on its own.⚠️

⚠️The full version will be released in the Pars-Medical application.⚠️

اولین مدل پزشکی دوزبانه فارسی-انگلیسی با استدلال زنجیره‌ای

First Bilingual Persian-English Medical Model with Chain-of-Thought Reasoning

</div>

---

🌟 Overview | معرفی

<table> <tr> <td width="50%" align="right" dir="rtl">

پارس-مدیکال یک مدل هوش مصنوعی پزشکی است که با روش Full Fine-Tune روی مجموعه داده‌های پزشکی فارسی و انگلیسی آموزش دیده است.

این مدل از تکنیک Chain-of-Thought (استدلال زنجیره‌ای) مشابه مدل‌های o1 استفاده می‌کند تا پاسخ‌های دقیق‌تر و منطقی‌تر ارائه دهد.

</td> <td width="50%">

Pars-Medical is a medical AI model trained with Full Fine-Tuning on Persian and English medical datasets.

It uses Chain-of-Thought reasoning (similar to o1-style models) to provide more accurate and logical responses.

</td> </tr> </table>

---

✨ Features | ویژگی‌ها

---

🚀 Quick Start | شروع سریع

Using Transformers

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "HexQuant/Pars-Medical-o1-Llama-FFT"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

messages = [
    {"role": "user", "content": "علائم دیابت نوع ۲ چیست؟"}
]

inputs = tokenizer.apply_chat_template(messages, return_tensors="pt").to(model.device)
outputs = model.generate(inputs, max_new_tokens=512, temperature=0.7)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Using Ollama (GGUF)

# Use quantized version for local inference
ollama run hf.co/HexQuant/Pars-Medical-o1-Llama-FFT-GGUF

📦 Looking for GGUF? See Pars-Medical-o1-Llama-FFT-GGUF for quantized versions.

---

💬 Example | نمونه

<details> <summary><b>🇮🇷 مثال فارسی - تشخیص پزشکی</b></summary>

User:

یک مرد ۵۵ ساله با درد قفسه سینه، تنگی نفس و تعریق مراجعه کرده است. علائم از ۲ ساعت پیش شروع شده. تشخیص احتمالی چیست؟

Model:

<think> بیایید این مورد را گام به گام بررسی کنیم:

۱. مشخصات بیمار: مرد ۵۵ ساله - در گروه سنی پرخطر برای بیماری‌های قلبی

۲. علائم کلیدی:

• درد قفسه سینه (علامت کلاسیک)
• تنگی نفس (نشانه اختلال عملکرد قلب)
• تعریق (فعال شدن سیستم سمپاتیک)

۳. شروع حاد: ۲ ساعت پیش - نشان‌دهنده وضعیت اورژانسی

۴. تشخیص افتراقی:

• سندرم حاد کرونری (ACS) ⚠️ محتمل‌ترین
• آمبولی ریه
• دیسکسیون آئورت </think>

تشخیص احتمالی: سندرم حاد کرونری (Acute Coronary Syndrome)

اقدامات فوری توصیه شده:

1. ECG فوری (در ۱۰ دقیقه اول)
2. تروپونین و آنزیم‌های قلبی
3. آسپرین ۳۲۵ میلی‌گرم
4. مشاوره قلب اورژانسی

</details> <details> <summary><b>🇺🇸 English Example - Clinical Reasoning</b></summary>

User:

A 45-year-old woman presents with fatigue, weight gain, cold intolerance, and constipation for 3 months. What is the likely diagnosis?

Model:

<think> Let me analyze this systematically:

1. Patient Profile: 45-year-old female - higher risk for thyroid disorders

2. Symptom Analysis:

   • Fatigue → decreased metabolic rate
   • Weight gain → slowed metabolism
   • Cold intolerance → reduced thermogenesis
   • Constipation → decreased GI motility

3. Pattern Recognition: All symptoms point to hypometabolic state

4. Most Likely Cause: These are classic signs of decreased thyroid hormone </think>

Likely Diagnosis: Hypothyroidism

Recommended workup:

1. TSH (primary screening test)
2. Free T4
3. Anti-TPO antibodies (if Hashimoto's suspected)
4. Lipid panel (dyslipidemia common in hypothyroidism)

</details>

---

📊 Training Details | جزئیات آموزش

Datasets | دیتاست‌ها

---

📦 Available Formats | فرمت‌های موجود

---

⚠️ Disclaimer | سلب مسئولیت

<table> <tr> <td width="50%" align="right" dir="rtl">

⚠️ این مدل صرفاً برای اهداف آموزشی و تحقیقاتی طراحی شده است.

❌ جایگزین مشاوره پزشکی حرفه‌ای نیست.

✅ همیشه با پزشک متخصص مشورت کنید.

</td> <td width="50%">

⚠️ This model is for educational and research purposes only.

❌ Not a substitute for professional medical advice.

✅ Always consult with a qualified healthcare provider.

</td> </tr> </table>

---

🔗 Connect | ارتباط

<div align="center">

---

Made with ❤️ TheRealPourya

If you find this model useful, please ⭐ star the repo and share it!

</div>