骨科学问答被拆成五个共用同一底座的标签页：检索、带行内引用的问答、自纠推理、影像识别和图像力学预测。 通用大模型从参数记忆作答，无法指认具体同行评议证据，专家指出错误后也没有持久改正的机制。 在30题、覆盖七个骨科学领域的检索基准上，前10条结果的平均倒数排名为0.928，未排第一的题目其相关段落在第2或第3位。
推理环节由起草、确定性物理检查、证据评审三步组成，用户的纠错被编译成可编辑规则并在之后每次请求中生效。 让模型凭自身置信度评判输出，容易奖励流畅而自信的文字，而不是正确的内容。 八条内置规则把皮质骨弹性模量、骨小梁体积分数、骨质疏松T值等既有关系写成代码检查，评审只接收一跳知识图谱边和检索到的文献。
影像标签页用冻结的BiomedCLIP特征训练轻量分类头，为视觉语言模型提供骨部位提示，并在输入超出训练范围时扣住预测。 强医学视觉语言模型通常依赖大规模 curated 指令集和大量GPU训练。 在按患者划分的MURA留出集上，部位分类达到92.6%准确率，七类随机水平为14%；分布外护栏把脊柱micro-CT这类输入挡在0.827的最近邻余弦阈值之外。
已展示的范围是骨科学文献检索、带引用问答、带用户规则的自纠推理、上肢体位X线部位识别，以及从单张未变形micro-CT切片预测位移与轴向应变场。系统以公开测试版在bonegraph.org运行，全部推理在单台NVIDIA Jetson AGX Orin上本地完成，不调用第三方API。作者将其定位为研究与教育工具，而非临床诊断设备。
全文语料只覆盖经OpenAlex与解析流程可获取的开放获取PDF，付费文献有元数据但不在正文索引中。知识图谱为机器抽取、未逐边核验且存在碎片化，因此只作一跳证据使用。检索基准仅30题且只执行一次；推理基准50题，提示词措辞可使各条件移动6至12个百分点。视觉分类器只在上肢X线训练，异常检测头召回0.61，作者称其为初步结果。力学模型在特定椎体micro-CT数据上训练，对相近切片泛化最可靠。
