近日，联影智能宣布，正式开源“元智”医疗视频理解大模型——uAI Nexus MedVLM。

据介绍，该模型依托超 53 万“逐帧级”精细标注数据训练而成，在仅 4B/7B 参数规模下，手术安全评估任务准确率达 89.7%，远高于 GPT-5.4（准确率 16.4%）和Gemini-3.1 （准确率 24.2%）；在时空动作定位任务中，预测区域与真实区域的交并比（mIoU）是 Gemini-3.1 的 3.2 倍、GPT-5.4 的 47 倍；在手术视频报告生成方面，满分5分的情况下，视频报告生成评分达到 4.24 分，高于 GPT-5.4（3.98 分）与 Gemini-3.1（3.74 分）。

团队通过构建覆盖531850组视频-指令配对的海量标注数据集，对手术器械轨迹、空间定位、关键动作及风险指标进行了逐帧精细标注，最终赋予了模型“感知－推理－生成”的全栈临床智能能力。模型覆盖内镜、腹腔镜、机器人手术、护理操作等多种临床场景，在视频摘要（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）等核心任务中表现卓越。通过开源模型，开发者仅需上传真实医疗视频，即可体验多种视频理解场景，大幅降低应用门槛。相关成果已被 IEEE 国际计算机视觉与模式识别会议（CVPR 2026）收录。

该模型在临床决策中，可为复杂病例提供客观的数据支撑与决策参考，降低医疗差错风险；在质控管理中，可构建术前规划、术中监管、术后总结的全流程闭环，推动科室质控实现全量数字化审查；在教学培训领域，可将专家经验转化为可量化、可复用的标准体系，自动拆解手术流程、精准定位操作差异，让年轻医师的学习精确到“秒级”和“特定器械交互”，缩短医疗人才培养周期，缓解基层医疗机构手术经验不足、医疗资源分布不均的问题。

除开源模型外，联影智能还同步开放了一套由 6245 个视频-指令对构成的标准测试集，为医疗视频理解提供更具可比性的评测基准，同时还发布了“医疗视频理解大模型榜单”，并邀请全球全球开发者参与打榜。

联影智能方面表示，未来“元智”大模型有潜力融合具身智能，共同形成“视觉感知-逻辑推理-物理执行”的完整能力闭环，推动复杂医疗操作迈向全面数字化、结构化与智能化。