MMedPO：临床感知的多模态偏好优化

0. 链接验证表

以下链接均在本次报告生成时实际访问；“未找到”意味着没有在论文、官方项目或可核验检索结果中确认，而非断言资源绝不存在。

1. 检索、去重与随机选择记录

本日用 date +%u 得到 2，故轮转到“视觉与多模态”。检索前已读取 ml-report-index.md；最近 14 天记录覆盖 EPG、EARL-BO、DuoAttention、稀疏自编码器理论、DPLM2.1、HEX 等主题，没有医疗视觉语言偏好优化或下列具体论文，因此不存在去重冲突。候选优先取近 12 个月的 ICML 2025、NeurIPS 2025 与 ICLR 2026 正式工作；少量候选以官方 OpenReview 接受页为依据。

随机命令为 shuf -i 1-26 -n 1，结果为 12。MMedPO 的正式论文、HTML 全文、代码、主结果、消融和工程配置均可访问，因此重抽次数为 0。候选池的作用是给随机过程可复核边界，并不意味着每一篇都具有相同资料成熟度。

2. 核心论文深度解析

2.1 Motivation：问题不是“会不会说医学”，而是“是否真的依据影像”

LLaVA-Med 一类 Med-LVLM 把视觉编码器接入语言模型后，可以生成流畅的医疗回答，但流畅不等于图像忠实。MMedPO 指出的具体失效是 modality misalignment：训练和解码更容易依赖语言模型中已有的医学共现知识，而不是当前 X 光或病例图像中的病灶证据。于是模型可能给出医学上“像真的”描述，却不是这张图的事实。普通文本 DPO 只比较同一图像下的两个答案；如果拒绝答案过于荒谬，模型仅需学会语言常识区分，不必提高看图能力。

论文用四个测试集把痛点量化。基础 LLaVA-Med-1.5-7B 在 SLAKE 开放题 / 闭合题分别为 44.26 / 61.30，VQA-RAD 为 29.24 / 63.97；在 IU-Xray 报告生成上，平均 BLEU / ROUGE-L / METEOR 只有 14.56 / 10.31 / 10.95，MIMIC-CXR 对应 10.25 / 9.38 / 7.71（核心论文表 1，LLaVA-Med 行）。这不是直接的“幻觉率”，但说明基础模型在问答与报告生成两类接口上都留下大幅空间。

新颖性在于：POVID 已把人工注入文本幻觉与全图扰动并入视觉 DPO，SIMA 已用视觉指标改进自批判，STLLaVA-Med 已把 GPT-4o 监督的自训练带入医学；MMedPO 没有简单叠加三者，而是提出一个医疗特化判断——不是所有错误、所有像素都同等临床相关。它只扰动病灶区域，并让医学模型群或视觉工具给偏好样本赋权，因此优化信号试图落在“影响临床判断的错”上。

为什么值得解决？医学图像回答的错误成本不对称：把背景纹理描述得不够漂亮与凭空生成病灶并非同类风险。另一方面，人工标注每个偏好对既昂贵又涉及专家时间。若能用工具构造困难负例，同时保持低成本 LoRA 微调，就可能把领域对齐从一次昂贵标注工程变成可复用的数据—优化流程。不过，本文并未验证真实临床决策安全性；这里的价值是研究框架价值，不是部署许可。

2.2 故事线：从“难负例”到“临床加权”的三次转折

第一转折是把答案幻觉当作偏好数据资源。作者从目标模型采样回答，再由 GPT-4o 挑出幻觉最强的样本；若现有采样不足以形成困难负例，就让 GPT-4o生成医学上看似合理但事实错误的回答。这样，chosen 与 rejected 的差距不再是语法质量，而是临床事实。

第二转折是承认文本负例仍可能让模型绕开图像。于是作者调用 MedKLIP，以提示词 “disease” 产生病灶热图，只在病灶区域注入扩散噪声。对于相同回答，图像从原图变为局部被破坏的图，DPO 必须利用视觉证据差异。这一设计牺牲了对未知病灶、工具漏检的覆盖，换取扰动的语义集中度。

第三转折是对偏好对加权。文本负例由三个 Med-LLM 评分并多轮辩论，视觉负例由 MedKLIP 置信度评分；标准化、截断后作为损失权重。隐含假设是“工具共识 / 置信度”与临床重要性单调相关。该假设直观但没有由医师评分做外部标定，这会成为后文的核心局限。

整体流程如下：

                    ┌─ 目标 Med-LVLM 多次采样 ─ GPT-4o 选/造困难幻觉 ─ Med-LLM 群评分 ┐
原始 (影像, 问题, 正答) ┤                                                        ├─ 加权偏好对
                    └─ MedKLIP 病灶热图 ─ 仅病灶区域扩散加噪 ─ 工具置信度评分 ─────┘
                                               ↓
                                      Clinical-aware M-DPO
                                               ↓
                                    LoRA 更新 LLaVA-Med-1.5-7B

2.3 方法论与机制解剖

记原图为 (x_v)，病灶热图 / 掩码为 (h)，扩散步 (k) 的累计噪声系数为 (\bar\xi_k)，高斯噪声为 (\epsilon)。视觉拒绝样本为：

[ x_v^*=\sqrt{\bar\xi_k}(x_v\odot h)+\sqrt{1-\bar\xi_k}(\epsilon\odot h)+x_v\odot(1-h). ]

式子的关键不是标准扩散加噪，而是最后一项完整保留非病灶区域：它把“全图质量下降”控制成“临床证据局部失真”。文本负例则在原图下产生 (y_l)，正答为 (y_w)。工具给出原始相关性分数 (s)，作者按 (\mu=1,\sigma^2=0.1) 标准化并截断：

[ s' = \operatorname{clip}\left(\frac{s-\mu}{\sigma},0.75,1.25\right). ]

最终损失沿 DPO 的隐式奖励差展开，并把 rejected 条件允许为文本或扰动视觉条件：

[ \mathcal L_{\text{MMedPO}}=-\mathbb E\left[s'\log\sigma\left(\beta\log\frac{\pi_\theta(y_w|x)}{\pi_0(y_w|x)}-\beta\log\frac{\pi_\theta(y_l|x^)}{\pi_0(y_l|x^)}\right)\right]. ]

这里用 (\beta) 表示 DPO 温度，以避免与论文中截断下界也记为 (\alpha) 的符号冲突。直觉上，当一个偏好对被工具判断为更具临床相关性时，(s') 增大，其梯度被放大；截断把最大 / 最小权重限制为 1.25 / 0.75，最大比值为 1.667，避免工具噪声完全支配训练。

伪代码可概括为：

for each clinical example (image, prompt, preferred_answer):
    candidates = target_med_vlm.sample(image, prompt)
    text_negative = GPT4o.select_or_generate_hard_hallucination(candidates)
    text_score = debate([Med42-7B, Med42-70B, BioMistral-7B], max_rounds=5)

    lesion_map, visual_score = MedKLIP(image, prompt="disease")
    corrupted_image = diffuse_only_inside(image, lesion_map)

    add weighted pair (image, preferred_answer, text_negative, normalize(text_score))
    add weighted pair (corrupted_image, preferred_answer, rejected_condition, normalize(visual_score))

optimize weighted_DPO_with_LoRA(epochs=3, lr=1e-7, batch_size=4)

偏好训练对数量为：IU-Xray 视觉 2,069 + 文本 2,069 = 4,138；MIMIC-CXR 800 + 800 = 1,600；SLAKE 4,919 + 4,919 = 9,838；VQA-RAD 1,797 + 1,797 = 3,594（核心论文实验设置 / 数据统计表）。合计 19,170 对，且视觉 / 文本严格各半。这个平衡是工程上的清晰选择，却没有证明 1:1 是最优比例。

2.4 基准、数据集与指标

2.5 主结果：完整 10 指标矩阵

下表全部抄录自核心论文 表 1（非 SFT 分组）。粗体为逐列最优。最后一列是本报告把 10 个不同语义的百分制指标做的简单均值，仅用于总体检查，不是论文官方指标。

最严谨的 head-to-head 不是拿 MMedPO 与原始 DPO 比，而是逐列选择表 1 最强非 MMedPO 竞品：

全文最有说服力的定量证据不是某一个夸张百分比，而是 MMedPO 在 10/10 列都超过了真正的逐列最强竞品；其绝对优势为 1.30–3.80 pp。其中 IU-Xray ROUGE-L 的 +3.80 pp 是最大绝对提升，MIMIC-CXR METEOR 的 +27.93% 是最大相对提升。另一方面，最小优势只有 1.30 pp，且没有误差条，不能自动等同为统计显著。

SFT 分组也不是全面无敌：SFT+MMedPO 在表 1 的 SLAKE 两列、VQA-RAD Closed、IU BLEU、IU ROUGE-L、IU METEOR、MIMIC 三列领先，但 VQA-RAD Open 为 34.03，低于 SFT+STLLaVA-Med 的 33.72 吗？不是，仍高 0.31；它同样逐列领先。不过相对优势有些仅是小数点级别，仍需要重复运行。

2.6 消融：哪个部件真的贡献了多少

核心论文表 2 把文本阶段（Stage 1）、视觉阶段（Stage 2）与临床相关性评分 CRS 配对比较；值是每个数据集的聚合分数。

CRS 对 IU-Xray 的作用很强，但对 MIMIC-CXR 几乎为零。这意味着“临床加权普遍有效”的结论过宽；更符合数据的说法是：它在部分报告生成分布上有效，跨机构稳定性未证实。

多智能体评分（表 3）相对单智能体：SLAKE 56.09→57.53（+1.44），VQA-RAD 48.67→51.14（+2.47），IU-Xray 15.67→15.86（+0.19），MIMIC-CXR 6.58→6.86（+0.28）。局部病灶扰动相对全局扰动（表 4）：58.88→59.88、46.91→46.98、24.88→25.00、6.80→7.24，即 +1.00、+0.07、+0.12、+0.44 pp。最小两项非常小，且没有方差，不能判断是否超过随机波动。

更细的报告生成消融（表 8）出现非单调：IU-Xray 的 Stage 2-only METEOR 是 34.26，完整 Stage 1+2 多智能体为 34.16，反而低 0.10；MIMIC-CXR 则从 Stage 2-only 的 8.81 提升到完整配置约 10.05。这个差异提示文本负例与视觉负例并非总是互补，至少在一个指标上存在轻微干扰。

2.7 超参数敏感性、相变与统计显著性

论文报告固定训练配置（LoRA、1e-7、batch 4、3 epochs、4×A6000、2–3 小时），但没有给学习率、LoRA rank、扩散步、病灶阈值、文本/视觉负例比例、CRS 截断区间或 DPO 温度的系统敏感性曲线。因此不能声称存在经实验证实的相变。

可以指出一个“设计上的硬阈值”：CRS 权重被截断在 [0.75,1.25]，权重动态范围最多 1.667 倍；这会防止极端裁判分数支配梯度，但是否在 1.25 附近出现性能平台化，论文没有扫描数据。局部相对全局扰动在四数据集仅增 0.07–1.00 pp，也不足以推出病灶精度超过某阈值后发生跃迁。

论文未报告多随机种子均值、标准差、置信区间或显著性检验。尤其 MIMIC-CXR 测试仅 200 个样本，SLAKE / VQA-RAD 的部分领先只有 1–2 pp；没有逐样本 bootstrap 或至少 3 次训练，无法区分稳定增益和采样 / 解码波动。本报告保留所有小数，但不把小数位当作统计精度。

2.8 真正贡献、可复用设计与迁移潜力

真正贡献有三层。第一，问题重构：多模态对齐不能只对回答文本做偏好，因为模型可能通过语言先验“答对”；负例应同时覆盖回答与证据模态。第二，领域结构：扰动应该由任务相关区域而非任意像素定义，医学里是病灶图，遥感可换成目标区域，工业质检可换成缺陷掩码。第三，偏好对不是等价值样本；用有界权重吸收工具可信度，是一种低成本、可稳定训练的软课程。

可脱离本文复用的模块包括：困难文本负例生成器、ROI 内扩散扰动、工具共识到 [0.75,1.25] 的有界映射、双通道偏好数据的统一 DPO 接口，以及“局部 vs 全局扰动”的消融模板。迁移到普通 VLM 时，MedKLIP 可改用分割器 / grounding 模型，Med-LLM 裁判可改用任务专家模型；但权重必须在目标领域重新标定，不能把“工具置信度=临床重要性”直接搬走。

后续最值得借鉴的是让反事实只破坏决策相关证据。这比简单加噪更接近因果干预：若回答在证据破坏后仍不变，模型可能未使用该证据。真正的下一步应把这种直觉升级为可检验的反事实一致性指标，而不只是训练技巧。

2.9 局限性：论文自述与独立批判

论文自述限制

论文没有独立的 Limitations / Discussion 章节，也没有明确列出 2–3 条“作者承认的限制”。这是需要如实记录的缺失。能从实验设置直接确认的范围边界包括：只基于 LLaVA-Med-1.5-7B、只覆盖四个数据集、依赖 GPT-4o / 三个 Med-LLM / MedKLIP；但这些是本报告从设置中归纳的约束，不冒充作者自述。

独立批判（8 点）

1. 论证缺口｜“最佳基线”口径不严。 因为表 1 中 POVID / FiSAO 在多数列明显高于原始 DPO，而正文醒目相对提升主要按 DPO 计算，所以宣传百分比并非对真正最强竞品的 head-to-head。逐列复算后仍全胜，但绝对差为 1.30–3.80 pp；应以这组数字作为主要结论。

2. 统计显著性缺失。 因为论文没有标准差、置信区间或多种子结果，而局部扰动对 VQA-RAD / IU-Xray 的优势仅 0.07 / 0.12 pp（表 4），所以不能推出这两个增益稳定存在。

3. 指标有效性问题。 因为报告生成只报 BLEU、ROUGE-L、METEOR，没有 CheXbert / RadGraph / 医师事实核验，而这些词面指标允许“用相似词生成错误临床事实”，所以实验尚未直接证明减少临床幻觉。

4. 实验设计问题｜外部泛化窄。 因为训练和测试集中于 IU-Xray、MIMIC-CXR、SLAKE、VQA-RAD，且测试最小仅 200 个样本，所以无法推断到 CT、MRI、病理切片、眼底或跨医院设备分布。

5. 裁判闭环风险。 因为 GPT-4o 负责选 / 造文本负例，Med-LLM 群负责相关性评分，没有医师盲评校准，所以优化可能学习“机器裁判一致偏好”而非临床偏好；最多 5 轮辩论也可能放大共享语料偏差。

6. 工具依赖与病灶漏检。 因为视觉负例完全依赖 MedKLIP 以单一提示 “disease” 产生热图，如果工具漏掉罕见病灶，训练根本不会扰动真正证据；而表 4 的局部化优势在四数据集仅 0.07–1.00 pp，尚不足以证明精准定位是主要因果来源。

7. 模块并非严格互补。 因为表 8 中 IU-Xray Stage 2-only METEOR 34.26，高于完整多智能体配置 34.16，所以文本与视觉负例至少在这一指标上有 -0.10 的干扰；论文缺少混合比例扫描解释冲突。

8. 可复现性 / 成本报告不完整。 因为只给总训练 2–3 小时和 4×A6000，却未报告 GPT-4o 调用次数、token 成本、采样温度、扩散步与 LoRA rank，所以“低成本”只能对模型微调成立，不能对端到端数据构造成本成立。论文符号还把不同角色的量记为相似的 α，增加实现歧义。

3. 相关工作回溯：问题与技术来源链

3.1 LLaVA-Med — 2023，NeurIPS Datasets & Benchmarks

解决了什么。 LLaVA-Med 用 PubMed Central 图文对和 GPT-4 生成的视觉指令，通过先学医学词汇对齐、再学开放对话的课程，把通用 LLaVA 迁移到生物医学。论文报告可在 8×A100 上少于 15 小时训练（LLaVA-Med arXiv 摘要）。它解决的是“通用 VLM 不懂医学图文语义”的基础适配。

遗留缺口。 指令微调优化“输出像参考答案”，没有直接约束模型必须读取当前影像；强语言模型可能依靠疾病共现作答。开放问答中，流畅性会掩盖证据错配。

MMedPO 如何回应。 MMedPO 直接以 LLaVA-Med-1.5-7B 为策略模型，把问题从领域知识灌输推进到证据忠实对齐。它不重建视觉语言骨干，而在后训练阶段构造反事实负例。

设计传递。 视觉编码器—投影器—LLM 的医疗基础结构、四个常用数据集和 LoRA 训练生态被继承；创新发生在偏好数据与损失层。

3.2 DPO — 2023，NeurIPS

解决了什么。 DPO 通过 RLHF 最优策略的闭式参数化，把“训练奖励模型 + PPO”化为偏好对上的二分类式目标，避免在线采样与复杂 RL 调参。

遗留缺口。 原始 DPO 把条件视为固定文本 prompt，默认 chosen / rejected 已正确表达人的偏好。放到 VLM，它并不保证偏好差异来自图像，也没有区分临床上重要与不重要的偏好对。

MMedPO 如何回应。 MMedPO 保留 DPO 的参考策略对数比结构，但把 rejected 条件扩展到病灶被扰动的图像，并以临床相关性分数乘损失。

设计传递。 关键传递是隐式奖励差与参考模型 KL 约束；进化点是从“每对等权、条件固定”到“条件可干预、每对有界加权”。

3.3 POVID — 2024，arXiv

解决了什么。 POVID 首先明确把 VLM 幻觉视为模态对齐问题：一条支路让 GPT-4V 向正确答案注入合理幻觉，另一条支路扭曲图像触发模型固有幻觉，再用 DPO 联合训练。

遗留缺口。 全局或通用视觉扭曲可能破坏与任务无关的像素，文本负例也没有医疗风险排序；在医学图像中，病灶可能只占极小区域，通用扰动会把“低画质”与“临床证据消失”混在一起。

MMedPO 如何回应。 它把 POVID 的两支路结构医学化：GPT-4o 负责困难临床幻觉，MedKLIP 只扰动病灶，并为两类样本加入相关性权重。

设计传递。 “外部注入幻觉 + 触发模型固有幻觉”的双负例骨架被完整继承；视觉扰动从全局退化进化为 ROI 内扩散，样本从等权进化为工具加权。

3.4 SIMA — 2025，NAACL Findings

解决了什么。 SIMA 用模型自生成候选、自批判和视觉指标进行自改进，直接针对 VLM 的语言偏置；论文在 14 个幻觉及综合基准上评估（arXiv 摘要）。

遗留缺口。 通用视觉指标不一定对应医学重要性，自批判仍可能由同源语言偏见主导；“看起来更符合图”不等于“病灶层面正确”。

MMedPO 如何回应。 它用医学专用裁判群和 MedKLIP 替代通用视觉批评，把自评信号绑定到临床病灶与医学知识。

设计传递。 自生成—自评价—偏好优化闭环被继承；评价器从通用 / 单一自批判变为异构医学工具与多模型辩论。

3.5 STLLaVA-Med — 2024，EMNLP 主会

解决了什么。 STLLaVA-Med 让策略模型自动产生医疗视觉指令数据，并由 GPT-4o 监督 DPO；其摘要称仅使用 9% 医疗数据便在三个 VQA 基准取得竞争性零样本结果。

遗留缺口。 它重点解决数据稀缺，偏好监督仍以答案 / 指令质量为中心；没有显式构造“图像证据被破坏”的对照，也没有临床相关性连续权重。

MMedPO 如何回应。 MMedPO 将 GPT-4o 监督保留在文本负例端，同时新增病灶局部视觉负例和 CRS。换言之，它从“更省数据地学医学回答”转向“更明确地学图像依赖”。

设计传递。 GPT-4o 作为昂贵专家、较小策略模型自采样、DPO LoRA 微调三点被传递；MMedPO 进一步引入多裁判和视觉工具，使监督从单专家变成复合系统。

4. 技术演进脉络

2023 LLaVA-Med [医学视觉指令微调；解决“领域知识/接口”]
      │
      ├──────────── 2023 DPO [无显式奖励模型的偏好优化]
      │                         │
      ↓                         ↓
2024 STLLaVA-Med [GPT-4o 监督、自训练、数据效率] ─────┐
      │                                              │
2024 POVID [文本幻觉 + 图像扰动；双模态负例] ────────┤
      │                                              ├─ 2025 MMedPO
2025 SIMA [自生成、自批判、视觉指标] ────────────────┤  [病灶局部反事实
                                                     │   + 医学裁判群
                                                     └─  + 有界临床加权]

内在推动力是从 领域指令驱动 → 偏好驱动 → 双模态反事实驱动 → 领域工具加权。第一阶段关注“模型能否用医学语言回答”；第二阶段发现答案质量不等于证据忠实；第三阶段开始构造图像负例；第四阶段进一步问“哪种错误值得更大梯度”。社区关注点也从平均准确率转向幻觉、数据效率与证据定位，但 MMedPO 仍未跨过最后一关：用临床事实指标和专家评价验证安全收益。

5. 开放挑战与可操作研究机会

5.1 理论层面

1. 工具加权是否一致。 在固定偏好对、相同训练预算下比较等权 DPO、未截断置信度、[0.5,1.5]、[0.75,1.25] 与基于医师风险等级的权重；检验工具置信度与医师临床重要性之间的 Spearman 相关，并估计何时加权带来偏差。
2. 反事实充分性。 对同一病灶分别做遮挡、扩散噪声、语义修复和边界外噪声，测量回答变化与病灶事实变化的因果效应。若边界外噪声同样改变答案，则当前“局部干预=证据利用”的解释不成立。
3. 双负例冲突。 固定总 19,170 对预算，扫描文本:视觉比例 0:1、1:3、1:1、3:1、1:0，并记录逐指标 Pareto 前沿，解释表 8 中 -0.10 METEOR 的非单调现象。

5.2 工程与应用层

1. 真正公平的竞品对比。 在同一 LLaVA-Med-1.5-7B、相同 LoRA rank、19,170 偏好对和 4×A6000 小时预算下重训 DPO、POVID、SIMA、FiSAO、MMedPO；至少 5 个种子，做配对 bootstrap。当前表 1 没有证明数据 / 算力完全等预算。
2. 临床事实评测。 在 IU-Xray、MIMIC-CXR 同时报告 BLEU、RadGraph F1、CheXbert label F1、病灶否定错误率，并让至少两名放射科医师盲评 200 对；直接测试词面提升是否转化为事实提升。
3. 跨工具鲁棒性。 将 MedKLIP 改用两个独立定位器，并加入人工病灶框上界；比较定位 IoU 与最终事实准确率。这样能区分“MMedPO 机制有效”还是“恰好 MedKLIP 有效”。
4. 端到端成本表。 报告 GPT-4o 调用数、token、失败重试、三个 Med-LLM 推理 GPU 时和训练 GPU 时；与专家标注 19,170 对的抽样成本比较，才能验证经济性。

5.3 新兴方向

1. 多模态医疗证据链。 把单张影像扩展为影像序列 + 检验 + 病史；比较统一偏好权重与按模态分解权重，评测模型能否在病史与影像冲突时指出冲突而非盲从任一模态。
2. 不确定性与拒答。 给 CRS 同时预测重要性和不确定性，在低共识样本上训练可校准拒答；以相同覆盖率比较 selective risk，而不只比较全量准确率。
3. 隐私与偏差。 按医院、设备、性别、年龄分层报告局部扰动收益；对罕见病灶做 equalized error 分析。若 MedKLIP 对某亚组定位差，偏好优化可能系统性忽略该亚组。

6. 其他值得关注的近期工作

1. VistaDPO（2025.07，ICML 2025）把视频偏好分成实例、时间和感知三层，并构造 7.2K 空间—时间标注 QA；它是把“证据局部化”从医学图像推到视频的直接参照。PMLR
2. Can We Predict Performance of Large Models across Vision-Language Tasks?（2025.07，ICML 2025）用概率矩阵分解与 MCMC 预测未测 VLM×任务性能，并给不确定性；适合缓解多基准评测成本，但不能替代关键安全基准实测。PMLR｜Code
3. LEMUR（ICLR 2026 OpenReview）把 VLM 用于细粒度、区域级多模态检索；值得关注它是否能把区域表征能力迁移为 MMedPO 所需的更可靠 ROI 选择。OpenReview
4. Robustness of Vision-Language-Action Models against Multimodal Perturbations（ICLR 2026 OpenReview）把扰动扩展到 VLA 的多模态输入与动作，提供检验“局部扰动训练是否迁移到交互系统”的邻近问题。OpenReview
5. mDPO: Conditional and Anchored Preference Optimization（2024–2025 项目）同样针对语言偏好压过图像的问题，以条件偏好和 reward anchor 约束 chosen 概率下滑；与 MMedPO 做同骨干等预算对比，是最缺失的竞品实验之一。项目页
6. POVID（2024.02，预印本）虽已作为技术前驱详述，但其公开数据与两阶段权重使它仍是最可操作的复现实验基线；研究者可先复现全局扰动，再替换成病灶 ROI。arXiv｜Code / Data / Weights

7. 结论

MMedPO 的价值不在于再造一种 DPO 公式，而在于把“偏好是否依赖正确视觉证据”变成可构造的数据问题。表 1 经过更严格的逐列最强竞品复算后，仍在 10/10 指标领先，这是稳健的方向性证据；但缺少多种子、临床事实指标、医师评价和工具校准，使它目前更适合作为医疗多模态后训练设计蓝图，而不是临床可靠性的终局证明。

可复核性脚注。 所有性能数字均来自实际读取的核心论文表 1–4、表 8 及实验设置；本报告未补造未报告的超参扫描、标准差或显著性。索引已在文件交付阶段尝试更新；若持久化更新失败，交付消息将明确说明。