医疗视频理解大模型开源测评：6K测试集与英雄榜深度解析
手术视频的“黑盒”，终于被一脚踢开了。
最近，GitHub和Hugging Face社区悄然上线了一个堪称医疗AI领域的“重磅冲击波”——全球规模最大、性能最强的医疗视频理解大模型uAI Nexus MedVLM（元智医疗视频理解大模型），宣布开源。
最令人惊讶的是，这个模型是真的能“看懂”手术。其相关论文已被CVPR 2026收录，研发团队还同步开源了一套包含6245个视频-指令对的标准测试集。这意味着，长期以来缺乏统一评测标准的医疗视频理解领域，终于有了一把“公共标尺”。如此大规模、高质量医疗视频数据的开源，在业内尚属首次。
实测表现：专业领域的“降维打击”
先来看看uAI Nexus MedVLM的基本面：它汇聚了超过53万条视频-指令数据，提供4B和7B两种参数规模，单张显卡即可部署。更重要的是，它整合了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、护理操作等几乎所有主流手术场景。
那么，它的实际表现究竟如何？
其演示界面设计得非常友好，核心模块清晰，支持直接上传手术视频文件进行测试。
我们可以使用预置的腹腔镜胆囊切除术视频，从三个核心临床维度进行测试，并与GPT-5.4、Gemini-3.1等通用大模型进行对比。结果堪称“碾压”。
在手术安全评估任务上，uAI Nexus MedVLM的准确率达到89.7%。相比之下，GPT-5.4仅为16.4%，Gemini-3.1为24.2%，某国产大模型为30.9%。也就是说，其准确率是GPT-5.4的近5.5倍。
在时空动作定位任务上，其mIoU指标是Gemini-3.1的3.2倍，是GPT-5.4的47倍。在视频报告生成任务上（5分制），它拿到了4.24分，而其他模型均在4分以下。
经过MedGRPO强化学习优化后，相比基座模型，其器械定位能力提升了14%，手术步骤识别能力暴涨52%，手术描述质量提升16%到25%。
该模型覆盖了视频摘要、关键安全视野评估、下一步操作预测、技能评估等8个核心任务，在每一项上的表现均超越了通用大模型。
定性测试的结果同样震撼。例如，给出一段标记了绿色边界框的手术视频，并提问：“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只能给出笼统描述，未能识别具体器械；Gemini-3.1则错误识别为“电凝钩”；某国产大模型无法识别正确步骤。只有uAI Nexus MedVLM给出了接近标准答案的专业描述：“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。”
再看一个温和的示例：一段护士为患者监测生命体征的视频。模型需要完成“时间动作定位”任务，即回答“脉搏测量动作发生在什么时间？”标准答案是46.0-61.8秒。模型给出的预测是43.0-65.0秒，误差在数秒之内，且正确答案完全落在预测区间内。
为何手术视频是AI的“无人区”？
在AI医疗领域，影像辅助诊断、病历书写等应用已不新鲜。但手术视频理解，却长期被视为“无人区”。原因在于三重地狱级难度：
首先，数据获取极难。临床手术视频涉及患者隐私与医学伦理，获取门槛极高。即便获得原始视频，由专业医生进行逐帧标注的成本也令人望而却步。
其次，缺乏统一评测标准。过去，各家模型使用自己的私有数据集和评价指标，导致效果无法横向比较，严重阻碍了技术迭代与产业落地。
最后，任务本身极端复杂。手术视频理解要求AI在空间上精准识别毫米级的器械与解剖结构，在时间上理解不可逆的操作流程，在语义上掌握高度专业的医学知识。任何一环的缺失，都会导致模型失效。
从技术突破到临床价值
uAI Nexus MedVLM的突破，远不止于技术指标的领先。它的核心价值在于切实的临床落地场景。
在术前阶段，它可以分析海量历史手术视频，挖掘临床规律，为外科医生优化手术方案提供数据支持。想象一下，一位年轻医生在开展复杂手术前，能获得由AI总结的、来自上万台顶级专家手术的“经验大脑”辅助。
在术中，它可以实时分析视频流，在分离关键结构、显露安全视野等步骤提供指引，并对可能的违规操作或动作偏差进行毫秒级预警，成为主刀医生的“第三只眼”。
在术后，它能自动生成结构化的手术报告与总结，将医生从繁重的文书工作中解放出来，同时将本次手术的经验沉淀下来，成为后续手术的决策参考。
这对于医疗资源分布不均的现状尤其有意义。优质医疗资源往往集中于大型医院，基层医生成长缓慢。此类模型有望将顶级专家的手术经验“标准化”和“可复制化”，让基层医生也能获得高质量的术中智能辅助。
开源生态：开启全球协同新范式
此次发布最深远的影响，或许不在于模型本身，而在于其开创的开放模式。模型背后的联影智能，首次向全球开源了大规模高质量医疗视频标注数据、模型及一个统一的评测基准。
这相当于为手术视频理解这个垂直领域，建立了一个“全球公共测评体系”。从此，不同模型的优劣可以在同一把尺子下衡量，技术发展有了清晰的参照坐标。
不仅如此，团队还同步上线了医疗视频理解大模型公开榜单，向全球开发者发出挑战。
开发者可以提交自有模型的测试结果，系统将基于标准自动评分并生成动态排行榜。这种开放竞赛的模式，能极大加速技术边界的拓展。尤其是医生在实际应用中提交的、模型表现不佳的复杂罕见病例视频，将成为驱动技术持续迭代的宝贵燃料。
从数据开放、模型共享到全球协同，医疗视频AI正迎来一个黄金时代。未来，这类技术将与具身智能结合，完善从感知、推理到执行的闭环能力，并从手术室拓展至更广泛的临床场景，推动医疗全流程的智能化变革。这条路，才刚刚开始。