近日，海豚智声（Dolphin AI）自主研发的全球首个超声大模型测评基准 U2-BENCH 正式获人工智能顶级学术会议 ICLR 2026 录用。
此次入选不仅代表了国际 AI 学术界对海豚智声在医疗大模型领域科研实力的权威认可，更标志着由中国企业制定的超声 AI 评测标准走向世界舞台，填补了该领域系统性评测体系的空白。作为超声 AI 赛道的引领者，海豚智声始终致力于通过技术创新定义行业高度。今天，我们将深度解读这一开启医疗大模型新赛道的重磅成果。
01
医疗AI的深水区：从通用视觉到超声专业理解
超声成像（Ultrasound）作为全球医疗中应用最广泛的影像手段之一，在妇产科、急诊及心脏病学等场景中具有不可替代的地位。然而，与 CT / MRI 等模态相比，超声影像的自动理解长期面临更高门槛：
操作依赖性强：超声影像受操作者手法影响，质量波动大、伪影多。
空间关系复杂：不同于 CT/MRI 的静态切片，超声呈现的是动态的、具有强空间上下文关系的结构。
评测体系缺失：虽然通用视觉大模型（LVLMs）如 GPT-4V、Gemini表现惊人，其在超声这一高专业度场景下的能力，长期缺乏系统、可复现的评估体系。
在此背景下，U2-BENCH被提出，作为首个系统性评估LVLMs在超声领域能力的深度基准，涵盖了分类、检测、回归及文本生成四大任务维度。
02
核心设计：全谱系解剖覆盖与临床启发式任务
U2-BENCH的核心价值在于其高度的临床相关性和严密的构建流程：
2.1 超大规模、多来源的真实临床数据
广度覆盖：汇集了来自 40 个授权数据集的 7,241 个案例，跨越 15 个解剖区域（如胎儿、心脏、乳腺、甲状腺等）。
深度场景：涵盖 50 个临床应用场景，确保了评估结果能真实反映模型在医疗一线的能力。
2.2 四级能力分解，八项临床任务
U2-BENCH 将“超声理解”拆解为四个能力层级、八项具体任务：
分类任务：疾病诊断（DD）、标准切面识别与质量评估（VRA）。
检测任务：病灶定位（LL）、器官检测（OD）、关键点检测（KD）。
回归任务：临床数值估计（CVE，如射血分数、脂肪肝百分比）。
生成任务：结构化报告生成（RG）、解剖描述生成（CG）。
03
实验验证：SOTA 模型的能力边界
U2-BENCH上系统评测了23个领先视觉语言模型（包括 GPT-5, Gemini 2.5, Dolphin-V1 等）进行了大规模评测：
3.1 闭源模型依然领先，但仍有巨大空间
榜首表现：Dolphin-V1 以 0.5835 的总分（U2-Score）位列第一，大幅领先于 GPT-5（0.3250）和 Gemini-2.5-Pro（0.2968）。
开源对比：开源模型中 DeepSeek-VL2 表现最强，但在复杂推理上与闭源顶尖模型仍有代差。
3.2 任务难度的代差：识别容易，推理极难
分类 vs. 空间推理：模型在疾病诊断（DD）等图像级分类上表现尚可，但在空间位置相关的检测（KD/OD）和回归（CVE）任务上表现堪忧。
报告生成的挑战：模型生成的语言质量虽然不错，但在医疗准确性和结构化合规性（RG）上仍存在严重缺陷。
3.3 关键结论：规模不是唯一解
缩放定律的平台期：在Qwen家族的对比中发现，模型参数量从 3B 到 72B 带来了稳步提升，但在某些空间推理任务上提升并不显著，暗示了超声专项训练比单纯扩大参数更有效。
04
总结与展望
全球首个超声大模型测评基准U2-BENCH的建立表明超声AI正在从“单一任务的小模型”转向“全能理解的大模型”。同时实验也揭示了当前 LVLMs 在空间推理和临床逻辑上的短板。
未来，U2-BENCH 将扩展至：
动态视频理解：从单帧走向实时扫查序列。
长程具身感知：结合机械臂等硬件实现自动化、闭环的超声扫描与决策。
