arXiv · cs.AI· Qiaoru Li, Shaotian Liang, Jintao Chen, Haoran Sun, Yuxiang Cai, Jianwei Yin, Yankai Jiang·· 5 小时前
VITAL通过视觉—语义双重监督增强医学多模态模型的潜在推理与可解释性
VITAL: Visual-Semantic Dual Supervision for Enhanced and Interpretable Latent Reasoning in Medical MLLMs
arXiv:2605.28422v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Qiaoru Li, Shaotian Liang, Jintao Chen, Haoran Sun, Yuxiang Cai, Jianwei Yin, Yankai Jiang
研究任务与主要进展
Qiaoru Li等人提出VITAL，一种面向医学多模态大模型的潜在空间推理框架，利用辅助文本解码器重构推理链，并用视觉投影器从冻结的独立医学视觉编码器回归ROI特征。作者构建了覆盖9种成像模态的6.1万规模数据集，并在7个基准上报告VITAL优于骨干模型、其他潜在推理基线以及使用更大数据训练的医学多模态模型；两个辅助模块推理时可移除，事后可重新接入以提供文本和视觉解释。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org