CT影像在医学中不仅展示疾病的当前状态，更关键的是通过比较同一患者不同时间的序列扫描，评估疾病的发展，支持响应评估、复发检测及病人管理。然而，现有医学基础模型多仅聚焦单次扫描，缺乏对时间序列对比的支持。本文引入CT-ΔBench基准，专注于纵向影像差异报告，即利用两次时间间隔的扫描生成临床上有意义的变化描述报告，同时开发了捕捉临床纵向变化的指标并通过医生验证，提出DeltaMed模型为差异报告提供基线，推动具备时间敏感能力的医学基础模型的发展。
这条 研究论文 信号说明，来自 arXiv cs.CL 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.CL 发布了这条关于 研究论文 的更新：CT影像在医学中不仅展示疾病的当前状态，更关键的是通过比较同一患者不同时间的序列扫描，评估疾病的发展，支持响应评估、复发检测及病人管理。然而，现有医学基础模型多仅聚焦单次扫描，缺乏对时间序列对比的支持。本文引入CT-ΔBench基准，专注于纵向影像差异报告，即利用两次时间间隔的扫描生成临床上有意义的变化描述报告，同时开发了捕捉临床纵向变化的指标并通过医生验证，提出DeltaMed模型为差异报告提供基线，推动具备时间敏感能力的医学基础模型的发展。
该研究首次系统地构建了纵向医学影像差异报告的标准数据集和评价指标，解决了当前模型对时间序列信息理解不足的问题，推动了医学AI在动态疾病监测和管理领域的实际应用发展。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers、models 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
跨模态地点识别旨在跨异构感知模态（如视觉与LiDAR）识别同一地点。GeoUniPR通过将LiDAR点云投影至相机视角构建几何一致的深度图像视图，实现RGB与LiDAR的直接对应，融合强度及表面法线等原生LiDAR特征，提升结构一致性。利用两个结构相同的ViT编码器，在无辅助对齐模块、多阶段训练及完全微调的情况下，通过参数高效适配学习统一嵌入空间。引入空间一致性InfoNCE对比损失抑制空间连续性导致的假负例。KITTI及KITTI-360测试表明，GeoUniPR在同模态及跨模态地点识别中达到最新性能，并具备良好跨数据集泛化能力。
多模态模型在解决视觉任务时越来越多地使用工具（裁剪、缩放、旋转、调亮），这被称为图像思考。核心挑战在于感知：工具揭示视觉证据，推理则依赖语言，大多数目标是人类可以直观判断的。然而，有些视觉问题需要执行多步视觉算法，单靠语言描述算法无法运行。Code-with-Image方法让模型通过Python解释器实现真实的视觉算法，程序本身即为推理。模型通过无训练的反思循环自我学习，修正失败程序，保留有效技能。在Code-with-Image基准测试中，即便是GPT-5.6-luna无工具思考准确率低于30%，使用裸解释器达43%，通过自我进化技能达到67%。开放的27B模型同样表现出显著提升。代码承载推理，使得调试代码即调试推理过程。
本文提出了SAPO，一种分段自动提示优化方法。它将提示分解为角色、上下文、任务和输出格式四个模块，通过针对性地优化这些模块，改善提示性能。对GPT-3.5-Turbo和GPT-4o-mini在多个数据集上的评测显示，SAPO优于多种零样本和强基线方法。