医疗模型做错一道题，问题可能只出在某一步：影像已经看对了一部分，临床线索也找到了，却在鉴别诊断时走偏。MedEvo 关注的是，如何保留这些有效判断，让模型从出错的位置继续推理，并把修复后的过程用于训练。
论文报告，经过三轮数据更新与监督微调，9B 模型在七项医学多模态基准上的平均准确率从 65.57% 提升到 69.12%。理解这项工作，可以从医疗模型如何学习、如何利用错题说起。
论文题目：MedEvo: Medical Reasoning Evolution through Knowledge Navigation
论文链接：https://arxiv.org/abs/2610.17690
项目主页：https://pork-pay.github.io/MedEvo/
图1｜不同模型在七项医学多模态基准上的平均准确率及 MedEvo 的多轮表现。
现有研究的研究路线与待解问题
围绕医疗模型如何学习与改进，学界和业界已经探索出几条相互关联的路线。这里可以归纳为三个方向：
医学多模态推理与监督质量：已有研究通过医学图文指令微调、知识融合与教师蒸馏增强模型能力，并进一步关注推理过程的质量：视觉识别是否准确、知识应用是否恰当、证据是否支持结论，以及训练材料是否适合学生模型。难点在于，答案正确并不一定意味着推理有充分依据，更强教师的解析也未必适合学生学习。
从失败中学习与局部修复：LEMA（Learning from Mistakes）利用错误与修正配对，TrajFusion 融合错误和正确推理轨迹，HHD（Hindsight Hint Distillation）用简短提示引导恢复；回退与选择性重生成则研究从哪里重新开始，让失败过程也能成为训练材料。难点在于，既要找到关键错误，也要保留有依据的步骤，并检查修复后的推理是否真正可供学习。
数据演化与递归自我改进：STaR（Self-Taught Reasoner）和 ReSTEM（Reinforced Self-Training with Expectation–Maximization）筛选模型生成的推理，形成后续训练数据；MediSkill-Evo 等医学研究则更新外部知识库而不修改模型参数。这些工作关注如何让反馈持续改善模型或其外部知识。难点在于，训练题上表现更好，不一定能转化为新题上的提升，下一轮的数据选择仍需对准模型的能力缺口。
沿着这些研究，MedEvo 关注两个相连的问题：一条失败推理应该从哪里修，修复之后下一轮又该优先练什么。
MedEvo 用“知识导航”（Knowledge Navigation）连接这两个问题：医学标签提供题目的知识背景，错误诊断定位需要修正的推理环节，独立反馈再指向下一轮的训练重点。知识导航由此贯穿“在哪里介入、如何恢复、下一步学什么”，将单条推理的修复与多轮训练的数据更新连接起来。
知识导航的第一步 定位推理偏差
保留有效步骤 从关键错误处修复：一条推理轨迹是模型从观察图像、理解问题到给出答案的过程。MedEvo 先定位关键错误，保留错误之前有依据的推理，即“有效前缀”，再让同一个学生模型生成后续内容。
图2｜局部修复示意。保留已有的有效推理，在简短提示后继续生成。
提示的作用是指出需要重新检查的方向。例如，模型若误读了视觉线索，就应回到图像证据；若在鉴别诊断时走偏，则需要重新比较候选解释。修复结果经过筛选后，才成为后续监督微调的材料。
知识导航的下一步 找准训练方向
知识导航通过推理生成、局部修复、数据筛选和反馈选题形成循环。医学标签描述题目的模态、解剖、疾病与难度；错误类型区分视觉误读、推理错误、鉴别诊断错误和知识缺口。前者帮助组织题目，后者帮助确定修复方向。
图4｜MedEvo 总体框架。每轮根据修复结果与独立反馈更新训练数据。
定位并给出提示：不确定性信号提出候选检查区域，审核模型结合题目、图像和推理定位关键错误。按论文设计，审核模型不接触标准答案、参考解析或答案衍生标签，提示不应包含答案选项或完整正确解析。
续写并筛选：学生保留有效前缀，重新生成后缀。候选结果通过答案正确性、修复边界、内容完整性和可学习性检查后进入训练集。最终评测不提供纠错提示。
根据反馈安排下一轮：方法在独立的固定反馈集上观察错误率与退步情况，从训练题池集中优先选择相关问题。每轮微调都从同一初始模型开始，跨轮积累的是更新后的训练数据。
实验结果
评测覆盖 PMC-VQA、VQA-RAD、SLAKE、PathVQA、OmniMedVQA、MedXpertQA-MM 和 MMMU-Med，报告准确率及七项等权平均。下表同时展示同骨干训练方法和不同模型的表现。
表2｜七项医学多模态基准的主结果。Avg. 为七项等权平均，MedXQA指 MedXpertQA-MM，Base 为训练前模型。
三个基线中，HHD 用提示引导纠错并形成训练材料，TrajFusion 融合错误与正确推理轨迹，Teacher SFT 使用 Qwen-3.8-Max 生成的解析训练学生模型。
在相同 9B 骨干上，MedEvo 的平均准确率为 69.12%，分别高于 HHD、TrajFusion 和 Teacher SFT 3.96、2.67 和 2.19 个百分点；七项基准均高于初始模型，MedXpertQA-MM 的增幅最大，为 7.10 个百分点。
多轮训练与更大模型
表3｜9B 模型逐轮表现及提升的 95% 置信区间。R0 为初始模型，R1—R3 为各轮结果。
9B 模型的平均准确率依次为 65.57%、67.22%、67.42% 和69.12%。平均提升的 95% 置信区间为 +2.4 至 +4.7 个百分点，七项基准的提升区间均未跨过零。
平均表现上升的同时，单项任务仍有波动：例如 MMMU-Med 从第二轮的 79.91% 降至第三轮的 79.28%。论文另报告，三次独立训练的第三轮平均准确率为 69.09%，样本标准差为 0.24 个百分点。
表6｜35B 与 397B 模型在各轮训练后的表现。
35B 模型经过三轮训练，平均准确率从 67.91% 提升到 73.04%；397B 模型经过两轮训练，从 71.83% 提升到 74.95%。两种规模均获得平均收益，最优轮次仍可能因任务而异。
论文表 1 还显示，9B 模型各轮送修问题数从27,233 减少至 23,620，平均尝试次数从 3.37 降至 2.12。这反映问题级修复工作量减少，知识导航的修复是有效的。
哪些设计带来了收益
消融实验分别考察局部修复方式与跨轮反馈。前一组比较第一轮训练结果，后一组从共同的第一轮模型与历史数据出发，继续训练两轮。
表4｜第一轮修复设计消融。左列为修复方式，右侧为修复成功率和下游平均准确率。
“错误类型提示加后缀续写”获得 71.80% 的修复成功率和 67.22% 的平均准确率，均高于该组其他设置。提示加整段重写的平均准确率为 63.20%，通用提示加后缀续写为 64.20%，说明修复范围和提示内容都会影响后续学习。
表5｜跨轮反馈消融。比较不使用反馈、去掉医学标签、去掉错误类型反馈以及完整方法。
完整方法在第三轮达到 69.12%，比不使用反馈高 2.45 个百分点。去掉医学标签和错误类型反馈后，第三轮分别为 67.53% 和 66.21%。这组结果支持在选题时同时考虑医学类别与错误诊断。
错题改对了 就一定学会了吗
图5｜数据选择、提示数量与反馈来源的联合分析。
容易修好的题 未必带来更大收益：最长失败推理的 8,000 题子集，修复成功率低于随机子集（55.70% 对 67.50%），训练后平均准确率却更高（66.78% 对 64.35%）。这一比较尚未单独隔离题目难度，但说明修复成功率不能直接代替学习收益。
增加提示并非持续有效：在同一最长推理子集上，1、3、5、8 条提示对应平均准确率为 66.78%、67.01%、66.74%、64.10%。3 条提示的观测结果最高，继续增加后下降。
独立反馈更能反映基准表现：使用训练集错误反馈时，第三轮训练准确率达到78.00%，基准平均准确率却降至 64.01%；独立固定反馈集对应的两项数值为 71.00% 和 69.12%。训练表现与基准表现需要分别观察。
反馈驱动会不会变成拟合测试集？
关键在于反馈来自哪里。MedEvo 用单独划分的固定反馈集诊断弱项、指导训练题选择和阈值校准，反馈题不进入训练目标；七项测试基准单独用于评测，测试结果不参与训练数据构建，阈值在最终评测前冻结。
因此，反馈集承担开发与验证用途，学习收益由独立测试检验。反复使用反馈集仍可能带来对它的适应，但这与利用测试结果调整训练不同，不能把反馈集上的进步直接当作泛化提升。
整体来看，MedEvo 的实验支持知识导航的两个相连环节：在单条推理中保留有效步骤并针对性修复，在多轮训练中依据独立反馈调整学习重点。证据目前主要来自医学问答基准，临床应用仍需验证；人工审核中，修复答案正确与图像证据支持的通过率分别为 88.3% 和 78.5%，表明答案与证据使用也需要分别检查。
结语
从错误中学习，不只是把答案改对，还要知道推理在哪里走偏，以及下一轮该补什么。MedEvo用“知识导航”把这两件事连接起来：在单条推理中保留有效步骤、修复关键错误，在多轮训练中根据反馈调整学习重点。
多医学多模态基准上的结果表明，这种训练方式能够带来平均性能提升。同时，实验也提醒我们：容易修好的题，不一定最值得学；训练题上的进步，也需要在新题上检验。
MedEvo所探索的，是让医疗模型既能从错误中恢复，也能从错误中找到下一步学习的方向。
扫描二维码获取
更多精彩
AI in Graph
本公众号主要介绍应用于图、知识图谱的人工智能算法和研究进展，及其在生物信息、医学健康领域的应用。欢迎关注本公众号获取领域最新文献解读。
点个在看+赞支持一下