PulseAugur
中
实时 06:40:51
English(EN) How Seemingly Inconsequential Design Choices Dictate Performance of LLMs in Pathology

优化图像处理可提升大型语言模型在病理学中的性能

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员已证明，大型语言模型处理病理图像时看似微小的设计选择，对其性能有着显著影响。通过优化块大小、放大倍率和推理模式等因素，通用大型语言模型在 MultiPathQA 等基准测试上的表现可媲美甚至超越专用模型。这种优化，特别是使用低放大倍率下的大块联合处理，极大地提高了 GPT-5 的准确性，并在未经任务特定调整的情况下，对 Gemini 3 Flash 产生了类似的提升。 AI

影响 针对大型语言模型的优化输入配置可以显著提高其在病理图像分析等专业任务上的性能，从而减少对领域特定模型的需求。

排序理由 该集群包含一篇详细介绍新颖研究发现和方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Arjun K. Manrai ·

    How Seemingly Inconsequential Design Choices Dictate Performance of LLMs in Pathology

    General-purpose large language models (LLMs) are routinely used as baselines when evaluating specialized pathology models on whole-slide images (WSIs). Because WSIs exceed contemporary model context limits, LLM baselines routinely use small, high-magnification patches processed i…

相关实体

相关话题