手术基础模型 SURGE 自曝极限:标签再多也啃不动安全核查任务
maier_ak · x · 2026-10-14
Andreas Maier 解读斯特拉斯堡大学 CAMMA 团队(Nicolas Padoy 组,联合 TU München、IRCAD 等)的新预印本《A Surgical Foundation Model Reveals Task-Dependent Label Efficiency》,亮点不在模型本身,而在作者测出了它在哪些任务上不再起作用。
模型与数据
- SURGE 有 8567 万与 8.4 亿参数两个规格,从 DINOv3 检查点出发,以图像级和 patch 级自监督目标适配手术场景
- 预训练语料 SurgSpectrum-30M+ 含超 3000 万帧(每秒采样一帧),覆盖 132 台手术、47 个解剖目标;已排除下游评测数据,检查点开源
评测发现
- 覆盖 5 类任务、15 个基准,全程用线性探针(骨干冻结)并从单个训练视频逐步加标注
- 简单任务少量标签即可解决;但推理类任务不随预训练改善:instrument-action-target 三元组从 20.30 爬到约 38 mAP(14 段视频),提升有限
- 临床上关键的 Critical View of Safety 安全核查对预训练最抵抗;即使微调更多骨干层,数字抬升但形状不变——「容易的事已解决,临床重要的安全核查没有」
结论:基础模型带来的标注效率红利是任务依赖的,手术安全核查这类任务仍缺可行路径。
所属事件:手术基础模型SURGE揭示标注收益边界：感知任务1条视频即饱和(3 条相关)→
「研究」频道最新
- 上下文完整性评测入选前沿模型官方评估，模糊性成模型软肋 — tianshi_li · 2026-10-14
- Modal 工程师长文梳理 RL 基建一年进展:后验纠错正胜过精确匹配 — charles_irl · 2026-10-14
- 马里兰大学课内AI研究：成绩降4个百分点，仅14.6%学生用过 — Afinetheorem · 2026-10-14
- 四种 RAG 重排序器实测对比：Cohere 把答案从第 15 拉到第 1 — Affectionate_Slip654 · 2026-10-14
- Late Interaction 晒 2020 年旧作:自训练 LLM 用搜索工具早有先例 — lateinteraction · 2026-10-14
- 多家机器人团队趋同：训练多个 RL 专家再蒸馏成通用控制器 — KyleMorgenstein · 2026-10-14