全球首个医疗视频理解大模型开源！6k+组精标测试集/英雄榜上线

田晏林 发自 凹非寺
量子位 | 公众号 QbitAI

手术视频的“黑盒”，被一脚踢爆了！

就在这两天，GitHub和Hugging Face社区上线了一枚医疗大模型领域的“核弹”。

全球规模最大、性能最强的医疗视频理解大模型——uAI Nexus MedVLM（中文名：元智医疗视频理解大模型）开源！

最惊人的是，这玩意儿是真的能看懂手术。

论文已经被CVPR 2026收录，团队还同步甩出了一套由6245个视频-指令对构成的标准测试集。

啥概念？医疗视频理解，终于有了一把“公共标尺”。

而如此兼具规模与精度的医疗视频数据开源，在业内尚属首次。

小编第一时间冲到Hugging Face，把模型拉下来实测了一波。

到底有多能打？

先交代一下uAI Nexus MedVLM的硬指标：

• 汇聚超53万条视频-指令数据；
• 支持4B/7B参数规模，单卡就能部署（对，一张卡就能跑）；
• 整合8个专业医学数据集，覆盖内镜、腹腔镜、开放手术、机器人手术、护理操作……几乎你能想到的手术场景，它全包了。

实测效果咋样？

Demo的体验设计非常友好：界面核心模块清晰；支持上传手术视频文件。

你可以上传自己的医疗视频，也可以用预置示例直接测试。

我尝试用示例的腹腔镜胆囊切除术视频，测试了三个临床核心维度，并对比了通用大模型（GPT-5.4、Gemini-3.1、某国产大模型）和uAI Nexus MedVLM的输出差异。

定量实测的数据太残暴了！手术安全评估：准确率89.7%。

啥概念？GPT-5.4只有16.4%，Gemini-3.1是24.2%，某国产大模型是30.9%。

也就是说，uAI Nexus MedVLM的准确率是GPT-5.4的近5.5倍，是Gemini-3.1的3.7倍，是国产大模型的近3倍。

时空动作定位：uAI Nexus MedVLM的mIoU是Gemini-3.1的3.2倍，是国产大模型的3.7倍，是GPT-5.4的47倍，

视频报告生成（5分制）：uAI Nexus MedVLM 拿到4.24分，GPT-5.4只有3.98分，某国产大模型只有3.5分，Gemini-3.1只有3.7分。

而通过MedGRPO强化学习优化后，相比基座模型，uAI Nexus MedVLM的器械定位能力提升14%；手术步骤识别能力暴涨52%；手术描述质量提升16%～25%。

uAI Nexus MedVLM覆盖内镜腔镜手术、开放式手术、机器人手术、护理操作等多类临床场景，涵盖了8个手术数据集中的8个任务：

视频摘要（VS）、关键安全视野评估（CVS）、下一步操作预测（NAP）、技能评估（SA）、时间动作定位（TAG）、密集视频描述（DVC）、区域级描述（RC）和时空基础化（STG）。

每项任务的表现都超越了GPT和Gemini。

再看定性实测的结果，把一段被标记了绿色框的手术视频发给大模型，让它描述。

输入问题：你是一名专攻微创手术的外科分析专家。这段视频展示了腹腔镜胆囊切除术的内镜画面。请描述0.0秒时，边界框内物体的状态，以及在0.0～29.0秒时间段内的操作。

标准答案是：钳持续夹持并将胆囊向手术视野的左上方牵拉，提供反向牵引和暴露。

GPT-5.4这边呢，它只能给出笼统的描述，未能识别出具体器械。

Gemini-3.1则将工具错误识别为“电凝钩”，描述成了不正确的操作。

某国产大模型：则无法识别出正确的手术操作步骤。

只有uAI Nexus MedVLM，给出了接近标准答案的描述：

位于左上方的抓钳持续向上并朝中央牵引胆囊，保持张力并为钩子暴露分离平面。

随后，我看了下示例给出的8个任务表现，一个比一个令人震撼。

为避免真实手术场景带来的观感不适，我们选取了一段温和的示例视频，内容是护士给患者监测身体指标。

视频涵盖了护士查看血压计、查看体温计、护理记录、洗手、测量血压、测量体温、脉搏测量、呼吸测量等工作。

现在，我们随机考察8个任务中的一个，比如「时间动作定位」。

输入问题：脉搏测量动作发生在什么时间？

标准答案是：46.0-61.8seconds。

模型给出的预测是：43.0-65.0seconds。前后误差不超过4秒，且正确答案就在预测范围内。

为什么手术视频是AI最难啃的骨头？

在AI医疗领域，将AI用于影像辅助诊断、病历书写、质控管理等场景早已不是新鲜事，在不少医院已经落地。

但有一个方向，至今仍是公认的“无人区”，那就是手术视频理解。

之前没人敢碰，为啥？三重地狱级难度，和静态影像完全不是一个量级：

第一关：数据极难获取。临床手术视频涉及患者隐私与医学伦理，获取本身就困难重重。

即便拿到了原始视频，你让专业医生逐帧标注？成本高到可以劝退99%的团队。

第二关：没有统一评测标准。这是行业里一个很尴尬的现实：各家用自己的数据集、自己的指标，模型效果根本没法横向比较。

你说你强，他说他强，谁说了都不算，严重阻碍整个赛道的发展。

第三关：任务本身极端复杂。手术视频的难就难在对空间、时序、语义的理解要高度专业。

比如，它需要精准识别毫米级的器械位置和解剖结构。稍微偏一点，可能就认错了。

而且胆囊得先分离再切除，不能反过来。AI如果看不懂时序，就根本无法理解手术进程。

各种约束叠加，再顶级的模型也只能歇菜。

但现在，这个无人区被uAI Nexus MedVLM一脚踩穿。

它不只是“炫技”，是真的能救命。

好了，说点实际的。这模型具体能干嘛？

术前：分析主刀老师上万台手术视频，挖掘临床规律、辅助优化方案。

想象你是一位刚站上手术台的临床医生，即将做一台胆结石微创手术。

以前你只能靠记忆和经验；现在AI把成千上万台顶级专家的手术经验沉淀下来，相当于有了最强的大脑，来辅助你完成这台手术。

术中：在分离胆囊管、显露安全视野等关键步骤，实时给出指引；对违规操作、动作偏差进行毫秒级预警，成为你的“第三只眼”。

术后：自动完成总结与结构化记录，这通常会占用医生大量时间，但现在，一键生成标准化报告。这台手术的经验，也能成为下一位医生的“决策依据”。

手术质控、术中安全、报告自动化、医学教学……uAI Nexus MedVLM的价值，远不止于技术突破。

在中国，优质医疗资源集中在三甲医院，基层医院医生成长周期长、手术经验积累慢。

而uAI Nexus MedVLM可以把顶级专家的手术经验“沉淀”下来，基层医院的医生也能获得“专家级”的术中辅助。

这或许才是AI真正理解手术视频的意义所在。

全球开发者，新机遇来了

这次发布，最值得关注的不仅是uAI Nexus MedVLM本身。

开发这一模型的背后玩家联影智能（联影集团旗下一家专注于AI医疗的创新公司），首次向全球开源大规模高质量医疗视频标注数据和模型，并提供了一个更具可比性的评测基准。

这意味着什么？终于有了一个手术视频理解垂直领域的“全球公共测评体系”了。

以前，各家模型各说各话，效果没法比。

现在，拉出来在同一个数据集上跑一跑，谁强谁弱，一目了然。

而这，还只是开始。

这支研发团队不想唱独角戏，上线了医疗视频理解大模型榜单，面向全世界开发者发出挑战。

这是一个综合基准测试，用于评估视频语言模型在医疗和外科视频理解方面的表现。

开发者可提交自有模型结果，由系统基于标准自动评分，形成动态更新的统一排行榜。

当全球开发者都能下载模型、使用数据集、上传自己的成果时，看谁能把对医疗视频理解的能力边界，再往前推一步了。

这个过程中，医生上传的罕见病例、复杂手术视频，尤其是现有模型表现不足的案例，都会成为极为珍贵的真实数据，持续驱动技术迭代。

医疗视频AI正在迎来面向全球开发者的黄金时代。

未来，uAI Nexus MedVLM将与具身智能融合，完善感知-推理-执行的能力闭环。从手术室拓展到更多临床场景，推动医疗全流程智能化。

数据开放、模型共享、全球协同……这条路，才刚刚开始。

开发者们，是时候上车了～

彩蛋：链接在此，请自取

1.在线Demo:
https://huggingface.co/spaces/UII-AI/MedGRPO-Demo

2.推理代码:
https://github.com/UII-AI/MedGRPO-Code

3.MedVidBench数据集：
https://huggingface.co/datasets/UII-AI/MedVidBench

4.公开榜单:
https://huggingface.co/spaces/UII-AI/MedVidBench-Leaderboard

5.论文:
https://arxiv.org/abs/2512.06581

6. 项目介绍：
https://uii-ai.github.io/MedGRPO/