MedXIAOHE：构建医学多模态大语言模型的综合方案

本文提出MedXIAOHE，一种面向实际临床应用的医学视觉-语言基础模型，旨在提升通用医学理解和推理能力。该模型在多个医学基准测试中取得最先进的性能，并超越了多个领先的封闭源多模态系统。为实现这一目标，作者提出了一种基于实体感知的持续预训练框架，用于组织异构医学语料库以扩大知识覆盖范围并减少长尾差距（如罕见疾病）。为实现医学专家级别的推理与交互，MedXIAOHE通过强化学习和工具增强的智能体训练，整合了多样化的医学推理模式，支持多步骤诊断推理并提供可验证的决策轨迹。为提高实际应用中的可靠性，MedXIAOHE集成了用户偏好准则、基于证据的推理以及低幻觉的长篇报告生成，并提升了对医学指令的遵循度。本文发布此报告以记录实际设计选择、扩展见解及评估框架，希望激发进一步的研究。