arXiv 2026年9月25日该工作提出 AbSteering 框架，通过异常中心思维链训练与基于直接偏好优化的细粒度异常判别两阶段方法，将通用视频语言模型适配到高分辨率 CT 报告生成，并构建 CT-RATE-AB 数据集；结果显示通用视频语言模型在有限数据下可有效迁移到三维医学影像，在细粒度临床效能指标上达到当前最优，检出敏感度优于用大规模 CT 预训练的领域专用 CT 基础模型，同时减少幻觉。该工作提出 AbSteering 框架，通过异常中心思维链训练与基于直接偏好优化的细粒度异常判别两阶段方法，将通用视频语言模型适配到高分辨率 CT 报告生成，并构建 CT-RATE-AB 数据集；结果显示通用视频语言模型在有限数据下可有效迁移到三维医学影像，在细粒度临床效能指标上达到当前最优，检出敏感度优于用大规模 CT 预训练的领域专用 CT 基础模型，同时减少幻觉。AbSteering 用异常中心思维链与 DPO 引导通用视频语言模型生成 HRCT 报告，在细粒度临床指标上超越大规模 CT 专用基础模型并提升检出敏感度、减少幻觉。该工作提出 AbSteering 框架，通过异常中心思维链训练与基于直接偏好优化的细粒度异常判别两阶段方法，将通用视频语言模型适配到高分辨率 CT 报告生成，并构建 CT-RATE-AB 数据集；结果显示通用视频语言模型在有限数据下可有效迁移到三维医学影像，在细粒度临床效能指标上达到当前最优，检出敏感度优于用大规模 CT 预训练的领域专用 CT 基础模型，同时减少幻觉。该工作提出 AbSteering 框架，通过异常中心思维链训练与基于直接偏好优化的细粒度异常判别两阶段方法，将通用视频语言模型适配到高分辨率 CT 报告生成，并构建 CT-RATE-AB 数据集；结果显示通用视频语言模型在有限数据下可有效迁移到三维医学影像，在细粒度临床效能指标上达到当前最优，检出敏感度优于用大规模 CT 预训练的领域专用 CT 基础模型，同时减少幻觉。