为应对这一问题
，上海创智学院LeapQuest团队结合浙江大学、上海交通大学、复旦大学
，一口气拿出了两篇ICML 2026接管论文
，初次把Think with Images/Think with Videos范式利用在医学AI领域： 模型不再只是看完图像或视频后天生诠释
，而是在推理链中自动挪用视觉工具
，沉新观察关键区域或关键时刻
，并用新证据建改判断
。 问题在于
，诠释看起来齐全
，并不代表模型真的看到了关键证据
。尤其在医学场景里
，一个微幼病灶、一个天堑变动、一段几秒钟的手术作为
，往往就决定了答案是否成立
。 Ophiuchus和MedScope共同把这个问题向前推动了一步：多模态模型不再只是“被动接管视觉高低文”
，而是在推理过程中自动决定是否必要更多证据应该看哪里应该回看哪一段
，并把工具返回的观察了局纳入后续推理
。 Ophiuchus的切入点极度直接：现有医学多模态大模型固然能写出逐步推理
，但遇到必要细粒度视觉证据的工作时
，依然容易“看错区域、漏看病灶、误把正常结构当异常”
。 这使MedScope的推理过程天然具备可审查性：模型为什么回覆这个了局
，不只看它“说了什么”
，还能够看它“回看了哪一段视频、找到了哪些帧、这些证据是否支持结论”
。 放射科医生会放大病灶边缘
，病理医生会寻找细胞状态
，表科医生会回看关键操作
，内镜医生会追踪病灶在功夫中的出现与隐没
。 它不是一个更花哨的工具挪用框架
，而是在医学AI里沉新界说了“推理”的天堑：推理不只是说话天生
，而是萦绕证据进行的动态视觉索求 LeapQuest［起跃界问］是上海创智学院面向下一代医学AI Agent、视觉推理与多模态大模型的青年交叉钻研团队
，聚焦Visual Reasoning、Agentic RL、Clinical Tools
，推动模型从“天生答案”走向基于证据的观察、验证与行动
。