PathAgentBench：评估全切片病理图像中证据寻求型视觉语言模型的基准
评分
74首次系统评估WSI证据获取能力，揭示了现有模型在定位和探索上的严重短板，信息增量高。
基准设计严谨，包含大规模专家标注和详细评估协议，但仅公开部分数据，整体质量较高。
对病理AI研发有明确指导意义，但当前模型性能过低，直接临床应用尚远。
随着多模态大模型在医学领域应用增多，该基准恰好满足当前对自主诊断能力评估的需求。
论文来自arXiv预印本，作者为国际团队，标注由十位认证病理学家完成，数据源为权威TCGA。
基础分 82.5 × T2 信源权重 ×0.9 = 74
精选线 70已入选精选
精选理由
本研究提出了一个具有严谨医学标注和大规模数据的新基准，评估任务设计完整，揭示了重要差距，但模型表现普遍较低，实用转化仍需长期努力。
AI 点评
「这篇论文最值得看的地方在于它没有重复“模型在裁剪好的图块上表现多好”的老故事，而是直面病理AI最核心的痛点：模型到底能不能像医生一样在整张切片中找到病变？答案让人清醒——定位和探索能力几乎为零。这对所有从事医学影像AI的研究者都是一个重要提醒：别光盯着已经切好的数据沾沾自喜，真正的挑战在真实的“寻找”过程中。对开发病理辅助诊断产品的团队来说，这个基准是评估自家模型能力的必备工具。」
速览
PathAgentBench 是一个专门评估视觉语言模型在全切片病理图像（WSI）中证据获取能力的基准。它覆盖四项互补能力：跨模态匹配、诊断区域定位、多尺度推理和自主探索。基准包含 1,822 张 TCGA 切片和 17,135 条诊断路径，由十名病理学家标注。评估 20 个模型后发现，模型在多尺度推理上表现良好（>93% 准确率），但在诊断区域定位和自主探索中极差（定位交并比 <0.09，高倍探索命中率仅 0.020），揭示了推理与证据获取间的显著差距。
- PathAgentBench 构建了诊断树结构，将嵌套区域与不同倍率的病理发现关联，形成统一的评估框架。
- 现有最强模型在诊断区域定位任务上仍远逊于简单基线，交并比不足 0.09。
- 自主探索时高倍放大下的无条件命中率仅 0.020，模型难以从千兆像素图像中直接获取证据。
- 该基准公开了大规模标注数据和标准化评估协议，推动病理 AI 从“证据推理”走向“证据获取”。
正文
本文为 AI 生成的中文精读,原文请点「查看原文」
相关条目
精选DeepSeek V4 在 OpenRouter 上的代币份额翻倍，智能体工作负载成主要驱动力
DeepSeek V4 的快速采用表明市场对高性能、低成本推理模型的强烈偏好，尤其是智能体场景将重塑 AI 部署格局。
91
精选启用两项设置使ARC-AGI-3基准测试分数提升三倍
这项发现太关键了！它表明模型的性能不仅取决于训练，还取决于推理时的配置。对于AI工程师和研究者来说，这是一个必须注意的优化方向。特别是那些在资源受限设备上部署模型的团队，可能会因此找到低成本提升能力的方法。
91
精选GPT-5.6：前沿智能与前沿效率的融合
这条消息值得关注，因为它标志着大模型竞争从单纯拼参数转向拼效率。对于AI开发者和企业决策者来说，GPT-5.6意味着可以用更少预算获得更高性能，尤其适合那些被推理成本挡在门外的长上下文或Agent场景。OpenAI这一步，可能重新定义‘前沿’的标准。
91
精选LFM2.5-Encoder：面向CPU快速长上下文推理的新模型
这篇博文让我眼前一亮，因为它直接解决了大模型在CPU上跑长上下文的痛点。对于没有高端GPU的团队或个人开发者，LFM2.5-Encoder系列提供了可立即使用的开源方案。尤其推荐给做RAG、文档搜索或代码分析的朋友——现在用普通服务器就能处理百万级token的文档了。
91
精选GPT-Red：OpenAI通过自我对弈实现AI红队自动化，提升模型鲁棒性
GPT-Red 是红队测试从人工到自动化的里程碑，特别适合安全工程师和对齐研究者关注。它直接降低了测试成本，但也引发了对“自动攻击”本身的伦理讨论——值得所有关注AI治理的人深入思考。
91
精选OpenAI推出GPT-5.5生物漏洞赏金计划
这个计划值得关注，因为它首次将AI漏洞赏金制度拓展到生物安全领域，不仅为安全社区提供了新的研究方向，也为AI风险治理提供了实际演练场。对模型安全研究者、生物安全专家以及关心AI双重用途的从业者尤其重要。
91
精选vLLM推出原生速度Transformers建模后端，大幅提升推理性能
这项更新对于AI工程团队非常关键：无需格式转换意味着能更快地迭代模型，而2-5倍的速度提升直接降低GPU成本。如果你正在做LLM在线服务或者批量推理，这几乎是必读的技术更新。
90
精选Google DeepMind 发布手语转文本模型 SL2T，助力聋人用户
这则消息的意义不仅在于技术突破，更在于AI开始真正关注边缘群体的需求。对开发者而言，SL2T的架构思路和技术路径值得深入研究；对无障碍倡导者来说，这是推动行业标准的重要案例。