医疗视觉语言模型的评估长期以准确率为中心，置信度是否可信缺少系统对照。MVC-Bench把校准拆成鲁棒性、校准与提示微调方法有效性、提示模板与随机种子稳定性三条轴，覆盖眼底、组织病理和胸片三种模态、八个骨干与六种提示微调方法，共1638次受控实验。结果显示域内校准排名在域偏移下几乎不保持，30次排名迁移检验的平均Kendall相关系数为−0.0598，且没有一次显著为正；据此提出的多类间隔正则化在12个域内设置中的10个取得最低ECE，域偏移下则只在4个设置中最低。
PromptGate 提出一种面向开放集联邦主动学习（OS-FAL）的客户端自适应视觉-语言门控模块：在冻结的 BiomedCLIP 上以类特定上下文（CSC）方式学习全局提示（经 FedAvg 聚合）与客户端本地提示，用 VLM 伪标签在查询前把未标注池过滤成高纯度 ID 候选池，再交给任意下游主动学习策略；在 FedISIC 与 FedEMBED 两个联邦医学影像基准上，静态 VLM 提示的 ID 纯度会退化到约 50%，而 PromptGate 保持 95% 以上纯度并达到 98% 的 OOD 召回。
这篇由清华大学知识工程组撰写的综述系统梳理了面向基础模型（FM）的参数高效微调（PEFT）技术，将方法归纳为选择性、加性、提示、重参数化和混合五大类，并按大语言模型、视觉基础模型、视觉语言模型、视觉内容生成模型和多模态基础模型五类模型结构分别综述其应用，同时基于Semantic Scholar引用量给出三条趋势判断（PEFT整体快速增长；LLM与VFM主导；MFM相对欠探索），并指出可靠性、可解释性和统一基准等未来方向。
已读完全部报道