RVLM：具有自适应深度的递归视觉语言模型

医疗人工智能系统面临两个基本限制。首先，传统的视觉语言模型（VLM）执行单遍推理，产生无法用临床术语审核或解释的黑盒预测。其次，公开中间步骤的迭代推理系统依赖于固定的迭代预算，在简单情况下浪费计算，同时为复杂情况提供不足的深度。我们通过统一的框架解决这两个限制。 RVLM 用迭代生成-执行循环取代单遍推理：在每一步，模型都会编写 Python 代码、调用视觉子代理、操作图像并积累证据。每个诊断声明都基于可执行代码，满足临床人工智能治理框架的可审核性要求。 RRouter 使迭代深度自适应：轻量级控制器根据任务复杂性特征预测最佳预算，然后监视进度并在推理停止时提前终止。我们使用 Gemini 2.5 Flash（不带 微调）对 BraTS 2023 脑膜瘤（脑部 MRI）和 MIMIC-CXR（胸部 X 射线）进行评估。在重复运行中，RVLM 在显着发现（例如质量存在和增强）上表现出高度一致性，并且可以检测流体衰减反转恢复 (FLAIR) 信号特征和分割边界之间的跨模式差异。在 MIMIC-CXR 上，它生成结构化报告并正确识别特定于视图的伪影。代码：https://github.com/nican2018/rvlm。