Анализ и совершенствование методов оптимизации преференций в медицинских НОЖМ

arXiv:2606.12590v2 Annualce Type: заменить резюме: Оптимизация привязки все чаще используется для послеобучения моделей с большим медицинским зрением (LLVMs), однако она работает в гораздо более жесткой гранулации, чем та, которая определяет клиническую точность. Если один ответ клинически лучше другого, то обычно он сводится к нескольким решающим фразам, таким как анатомическая латеральность или атрибут повреждения, и к вопросу о том, поддерживается ли каждый из них регионом изображения. Прямая оптимизация преференций (ОДП) и ее варианты, напротив, сокращают сравнение с одним скаляром уровня реагирования - объективным структурным образом неспособным представить те символы, которые имеют клиническое значение. Мы показываем, что это несоответствие сопряжено со значительными расходами: из числа целей, которые мы сравниваем, уровень реагирования на уровне DPO дает наименьшее вознаграждение за выражение, которое определяет клиническую правильность, и замена подконтрольных ссылок предпочтительным ответом создает стилистический пробел, который модель использует в качестве сокращения вознаграждения, повышая p