icdevelop (I C Develop co.,ltd)

Organization Card

We build open-weight Thai language models for regulated professional work — models that a pharmacist, a nurse or a field engineer can actually put in front of a task, not general chatbots with a Thai accent. Every release ships with the benchmark it was gated on, the limits we measured, and an acknowledgement form the user has to read first.

6open-weight models released

2curated Thai knowledge bases

90.0%knowledge + RAG · TMA-1 27B FP8

98.3%safety / referral · TMA-1 27B

Thai Medical Assistant → Thai Pharmacy Assistant → i-c-develop.com Facebook

Model lines

TMA-1 · Thai Medical Assistant

Thai consumer-health assistant: takes a short history, rules out options that are unsafe for that person with reasons, refers on red flags, and refuses to diagnose. Multimodal — medicine boxes, labels and home-device readouts, not radiology. Built to run with RAG over a curated Thai medical knowledge base.

27B FP8 · 27B · 4B · thai-medical-kb

PAI-1 · Thai Pharmacy Assistant

In production at the pharmacy counter. Handles over-the-counter requests in Thai: history, contraindication and interaction checks, one safe recommendation with dose and cautions, referral to a physician on red flags. Reasons like a clinician internally, presents as a pharmacy assistant externally — never as a doctor.

27B FP8 · 27B · 4B · thai-pharma-kb

Released models

All builds are fine-tuned from Google MedGemma (Health AI Developer Foundations terms) and are multimodal (image + text). Weights are public behind an acknowledgement gate.

Repo	Base	Serving footprint	Intended tier
`tma1-medgemma-27b-fp8`	medgemma-27b-it	28 GB · single 48 GB GPU	recommended serving build
`tma1-medgemma-27b`	medgemma-27b-it	52 GB BF16	reference / evaluation
`tma1-medgemma-4b`	medgemma-4b-it	8 GB BF16	standard tier, RAG required
`pai1-medgemma-27b-fp8`	medgemma-27b-it	28 GB	premium, quantized
`pai1-medgemma-27b`	medgemma-27b-it	52 GB BF16	premium tier
`pai1-medgemma-4b`	medgemma-4b-it	8 GB BF16	standard tier, RAG required

FP8 is selective by design: language-model Linear layers are quantized, while the vision tower and projector stay BF16, so image understanding is untouched.

How we evaluate

We do not ship a model on vibes. Each release is scored on four axes with a fixed harness (vLLM, seed 0, enforce-eager; pass = LLM judge plus deterministic hard checks), and every training set is decontaminated against the benchmarks (token overlap ≥ 0.55).

Axis	Cases	TMA-1 4B	TMA-1 27B	TMA-1 27B FP8
Knowledge (no retrieval)	200	45.0%	61.5%	58.5%
Knowledge + RAG (production setting)	200	83.5%	89.5%	90.0%
Deliberation (safe choice for this user's profile)	120	39.2%	45.0%	48.3%
Safety / referral (red flags · no diagnosis · Rx boundary · crisis)	120	96.7%	98.3%	98.3%

Two axes are deliberately hard: deliberation asks the model to reject the plausible-but-unsafe option for a specific person, and the safety axis mixes red-flag triage, prescription boundaries and crisis handling. We publish the gaps as openly as the wins — drug–drug interaction accuracy is still weak across all tiers, and the 4B tier saturates on deliberation. Both are named on the model cards.

How we build

01 · Knowledge base first

Domain data is curated and verified before a single training step — Thai drug and clinical references, device fact sheets, professional practice — then published as its own dataset so the model and the retrieval layer share one source of truth.

02 · Behaviour, not recitation

Training dialogues teach a working procedure: take history → rule out unsafe options with reasons → recommend → refer. This deliberation methodology is the single largest quality lever we have measured (+26 points on the PAI line).

03 · Gated by benchmark

Every generated set passes a behaviour verifier and benchmark decontamination; every checkpoint passes a generation smoke test and the four-axis benchmark before it is allowed anywhere near a release.

04 · Released with its limits

Public weights, an acknowledgement gate, and a card that states scope, out-of-scope behaviour, measured weaknesses and knowledge cutoff — so nobody deploys the model on a task we know it fails.

Responsible use

These models assist qualified people; they do not replace them. Every output must be verified against an authoritative source or a licensed professional before it is acted on or passed to a patient or customer. They are not diagnostic or treatment tools, and they must not be presented as a physician — under Thai law that is a hard boundary, and it is trained into the models. In an emergency, do not wait for a model reply: call 1669 (Thai EMS); mental-health crisis: 1323. Knowledge-base cutoff is July 2026; drug registrations and products change.

Access is gated with an acknowledgement form for exactly this reason — you accept the verification requirement before you download. Base-model terms (Google HAI-DEF) apply on top of ours.

ภาษาไทย

icdevelop พัฒนา LLM ภาษาไทยแบบ เฉพาะทางวิชาชีพ และเปิดน้ำหนักโมเดลให้ใช้งานจริง — ไม่ใช่แชตบอตทั่วไปที่พูดไทยได้ แต่เป็นผู้ช่วยที่เภสัชกร พยาบาล หรือช่างหน้างาน หยิบไปวางไว้ในงานจริงได้ ทุกรุ่นที่ปล่อยออกมา มาพร้อมผลเบนช์มาร์กที่ใช้ตัดสินใจ ข้อจำกัดที่วัดได้จริง และแบบฟอร์มรับทราบเงื่อนไข ที่ผู้ใช้ต้องอ่านก่อนดาวน์โหลด

TMA-1 — ผู้ช่วยด้านสุขภาพภาษาไทย

ซักประวัติสั้น ๆ คัดตัวเลือกที่ไม่ปลอดภัยกับผู้ใช้คนนั้นออกพร้อมเหตุผล ส่งต่อแพทย์เมื่อเจอสัญญาณอันตราย และไม่วินิจฉัยโรค รองรับภาพกล่องยา ฉลาก และหน้าจอเครื่องมือแพทย์ที่บ้าน ออกแบบมาให้ใช้คู่กับ RAG บนคลังความรู้ทางการแพทย์ภาษาไทยของเราเอง

PAI-1 — ผู้ช่วยเภสัชกร (ใช้งานจริงแล้ว)

รับเคสหน้าร้านยา: ซักประวัติ ตรวจข้อห้ามใช้และปฏิกิริยาระหว่างยา แนะนำยา OTC ที่เหมาะสมพร้อมขนาดยา และข้อควรระวัง และส่งต่อแพทย์เมื่อพบ red flag — คิดอย่างบุคลากรทางคลินิก แต่แสดงตัวเป็นผู้ช่วยเภสัชกรเสมอ ไม่แสดงตัวเป็นแพทย์

ข้อควรระวัง: โมเดลเหล่านี้ช่วยผู้เชี่ยวชาญ ไม่ได้แทนผู้เชี่ยวชาญ ทุกคำตอบต้องตรวจสอบกับแหล่งอ้างอิง ที่เชื่อถือได้หรือผู้ประกอบวิชาชีพก่อนนำไปใช้หรือส่งต่อผู้ป่วย/ลูกค้าเสมอ ไม่ใช่เครื่องมือวินิจฉัยหรือสั่งการรักษา กรณีฉุกเฉินอย่ารอคำตอบจากโมเดล โทร 1669 (การแพทย์ฉุกเฉิน) · วิกฤตสุขภาพจิต โทร 1323 ข้อมูลในคลังความรู้ตัดยอด ณ กรกฎาคม 2026 ทะเบียนยาและผลิตภัณฑ์มีการเปลี่ยนแปลงได้

About I C Develop

I C Develop Co., Ltd. is a Thai software house with more than a decade of delivering enterprise systems — IT outsourcing, turnkey projects and startup engineering — now applying the same discipline to domain-specific AI. Our models are trained on our own GPU infrastructure in Thailand, and can be deployed fully on-premise, which for medical and regulated workloads is usually the requirement, not the preference.

Next domains in research: field engineering assistants (starting with solar PV installation) — same recipe: curate the professional knowledge first, train the working procedure, gate on a benchmark that reflects the real task.

i-c-develop.com Facebook Contact · +662-162-0801

Questions about a specific model? Open a discussion on that model's repo — that is where we answer.