# 反事实推理

该工作提出 ΔRepresentation，一个面向医学视觉语言模型的视觉表型表征学习框架：BaseAnatomy 用理想空间分布对正常解剖表征施加几何监督，Phenotype 通过反事实推理估计病灶块对应的正常解剖参考并学习表型特异的表征增量，使同一表型的增量在表征空间中聚集。在 ReXGroundingCT 与 LIDC-IDRI 上，该方法在六个预训练医学 VLM 上一致提升病灶定位与表型识别准确率。

该工作提出 ΔRepresentation，一个面向医学视觉语言模型的视觉表型表征学习框架：BaseAnatomy 用理想空间分布对正常解剖表征施加几何监督，Phenotype 通过反事实推理估计病灶块对应的正常解剖参考并学习表型特异的表征增量，使同一表型的增量在表征空间中聚集。在 ReXGroundingCT 与 LIDC-IDRI 上，该方法在六个预训练医学 VLM 上一致提升病灶定位与表型识别准确率。

该工作提出 MEA 多智能体框架：Proposer 智能体按问题与模态选择并配置解释工具，Actor 智能体以忠实度为奖励端到端优化，将输出转为自然语言解释；作者同时引入覆盖特征归因、反事实推理与虚假特征检测的问题类型及基于扰动的忠实度指标，发现前沿大模型会系统性地给出不忠实解释，而 MEA 在六个数据集上优于事后解释器、智能体与闭源基线，相对未训练主干在表格、文本、视觉上分别取得 +28%、+21%、+34% 的忠实度增益。

该工作提出 MEA 多智能体框架：Proposer 智能体按问题与模态选择并配置解释工具，Actor 智能体以忠实度为奖励端到端优化，将输出转为自然语言解释；作者同时引入覆盖特征归因、反事实推理与虚假特征检测的问题类型及基于扰动的忠实度指标，发现前沿大模型会系统性地给出不忠实解释，而 MEA 在六个数据集上优于事后解释器、智能体与闭源基线，相对未训练主干在表格、文本、视觉上分别取得 +28%、+21%、+34% 的忠实度增益。