MedVE-4B
медицинская VLM с поиском визуальных улик на снимках
3 мин чтенияобновлено
MedVE-4B — модель на 4,44 млрд параметров от разработчика erow, созданная на базе Qwen3-VL-4B-Instruct для ответа на медицинские вопросы по изображениям (Visual Question Answering). На выходе она выдаёт не только ответ и рассуждения, но и до шести конкретных областей на снимке в виде пар «концепт — координаты рамки (bounding box)». В отличие от обычных моделей, которые могут угадывать ответ из текста вопроса или рисовать рамки наугад, MedVE-4B дообучена методом RL (обучение с подкреплением) так, чтобы выделенные области реально позволяли отдельной замороженной нейросети ответить на вопрос — с контрольной проверкой на чёрном фоне. Модель пригодится исследователям в области медицинского ИИ и визуального граундинга (привязки текста к областям картинки).
Ключевые особенности
- Обучение с проверкой на пустом экране: во время RL награда за рамку даётся только в том случае, если замороженная модель-ответчик правильно отвечает по вырезанным областям, но ошибается при подаче полностью чёрного изображения.
- Структурированный вывод: по системному промпту модель сначала формирует блок
с координатами (нормализованными к шкале от 0 до 1000) и описанием находок, затем рассуждение ви итог в. - Устойчивость в режиме с рамками: на панели бенчмарков MedixEval при запросе визуальных доказательств (режим
pv) модель показывает 53,11% средней точности против 31,60% у базовойQwen3-VL-4B-Instructи 37,97% уMediX-R1-4B. - Полные веса в BF16: это не LoRA-адаптер, а полноценный чекпоинт, готовый к запуску через стандартную библиотеку
transformersбез вспомогательных моделей оценки.
Что можно сделать
- Исследовать интерпретируемость в медицинском VQA: запускать модель на датасетах вроде SLAKE, VQA-RAD или PathVQA, чтобы анализировать, какие зоны снимка модель считает ключевыми для ответа.
- Сравнивать режимы рассуждений: тестировать разницу между прямым ответом (режим
no) и пошаговым выводом с обязательным выделением областей интереса (режимpv). - Использовать как базовый чекпоинт для экспериментов: дообучать модель на собственных размеченных или неразмеченных наборах медицинских изображений с помощью GRPO/FIPO-подходов.
Пример
from PIL import Image
from transformers import AutoProcessor, Qwen3VLForConditionalGeneration
model = Qwen3VLForConditionalGeneration.from_pretrained("erow/MedVE-4B", dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained("erow/MedVE-4B")
messages = [{"role": "user", "content": [{"type": "image", "image": Image.open("medical_image.png").convert("RGB")}, {"type": "text", "text": "What abnormality is visible?"}]}]
inputs = processor.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_dict=True, return_tensors="pt").to(model.device)
print(processor.batch_decode(model.generate(**inputs, max_new_tokens=2048, do_sample=False), skip_special_tokens=True)[0])
Подробнее
Бенчмарки (MedixEval, 11 630 вопросов, судья Qwen3-14B): средняя точность в режимеno — 53,70% (у базы 49,54%), в режиме pv с выводом рамок — 53,11% (SLAKE: 73,14%, VQA-RAD: 62,08%, PathVQA: 48,67%).Обучение: SFT-этап (V4-SFT) и 200 шагов RL на 51 335 парах изображение–вопрос из MediX-R1 без разметки рамок (алгоритм FIPO, lr 1e-6, контекст до 16 384 токенов, до 4,19 Мп на изображение).
Ограничения: исследовательская модель без клинической валидации, не предназначена для постановки диагнозов или принятия врачебных решений; требует свежую версию
transformers (экспортирована в 5.10.1) и лицензирована по Apache 2.0 как производная от Qwen3-VL-4B-Instruct.









Комментарии