近日，聯(lián)影智能在GitHub、Hugging face等國際知名開發(fā)者平臺正式發(fā)布全球規(guī)模最大、性能最強(qiáng)的醫(yī)療視頻理解大模型——元智醫(yī)療視頻理解大模型（uAI-NEXUS-MedVLM ），同步首批開源由6245個視頻-指令對構(gòu)成的標(biāo)準(zhǔn)測試集和模型，并設(shè)立“醫(yī)療視頻理解大模型榜單”，向全世界開發(fā)者發(fā)出打榜邀請，以期推動構(gòu)建統(tǒng)一、可驗證的技術(shù)評測體系。

當(dāng)前，人工智能已在影像輔助診斷、智能問診等場景實(shí)現(xiàn)落地應(yīng)用，但在手術(shù)等復(fù)雜動態(tài)臨床場景中仍面臨顯著技術(shù)瓶頸。相較于靜態(tài)影像，醫(yī)療視頻理解對空間精度、時序邏輯和臨床語義提出了更高要求：既要精準(zhǔn)識別毫米級器械位置與解剖結(jié)構(gòu)，又要完整還原手術(shù)過程中的關(guān)鍵步驟與先后關(guān)系，還需以專業(yè)語言準(zhǔn)確表述具體操作及其臨床意義。在多重挑戰(zhàn)疊加下，即便全球領(lǐng)先的通用大模型，也難以有效完成手術(shù)視頻理解任務(wù)，長期以來都是醫(yī)療大模型研發(fā)的“技術(shù)深水區(qū)”。

元智醫(yī)療視頻理解大模型匯聚53萬余條視頻-指令數(shù)據(jù)、整合8個專業(yè)醫(yī)學(xué)數(shù)據(jù)集，覆蓋內(nèi)鏡、腹腔鏡、開放手術(shù)、機(jī)器人手術(shù)及護(hù)理操作等核心臨床場景，模型參數(shù)達(dá)70億規(guī)模。在視頻摘要、關(guān)鍵安全視野評估、下一步操作預(yù)測等8項醫(yī)療視覺任務(wù)測試中，模型整體性能顯著優(yōu)于 GPT-5.4、Gemini-3.1 等通用大模型，多項指標(biāo)實(shí)現(xiàn)數(shù)倍領(lǐng)先。同時，模型支持4B/7B參數(shù)規(guī)模靈活切換，可實(shí)現(xiàn)單卡部署，具備良好的臨床應(yīng)用潛力。相關(guān)研究成果已被人工智能領(lǐng)域最具影響力的頂級會議IEEE國際計算機(jī)視覺與模式識別會議（CVPR 2026）收錄。

在具體任務(wù)表現(xiàn)上，元智醫(yī)療視頻理解大模型在手術(shù)安全評估任務(wù)中準(zhǔn)確率達(dá)到89.4%，顯著高于 GPT-5.4（1.8%）和 Gemini-3.1（10.1%）；在滿分5分的視頻報告生成任務(wù)中，評分達(dá)到4.2分，同樣大幅領(lǐng)先于通用模型。此外，該模型不僅能夠正確識別醫(yī)療器械與手術(shù)操作，還可進(jìn)一步理解其空間位置及臨床操作意圖，可應(yīng)用于手術(shù)引導(dǎo)、術(shù)中安全保障、手術(shù)記錄、醫(yī)學(xué)教學(xué)及具身智能手術(shù)設(shè)備研發(fā)等場景。

在開源方面，模型研發(fā)負(fù)責(zé)人吳子彥表示：“相較于‘閉門造車’式的單點(diǎn)創(chuàng)新，我們選擇開源高質(zhì)量數(shù)據(jù)集，就是希望能為手術(shù)視頻分析、特定病種診斷等細(xì)分賽道提供一把 ‘公共標(biāo)尺’，讓全球研究者和開發(fā)者能在可復(fù)現(xiàn)、可驗證的環(huán)境下開展協(xié)同創(chuàng)新。這不僅能持續(xù)驅(qū)動技術(shù)迭代與場景落地，也有望促進(jìn)醫(yī)療視頻理解領(lǐng)域從分散探索邁向體系化發(fā)展，推動形成一個開放、共享的全球創(chuàng)新生態(tài)，與全球開發(fā)者共同推動創(chuàng)造一個更智能化的醫(yī)療未來。

審核編輯 黃宇