冻结模型持续进化：面向多模态医疗 AI 的模型无关部署经验学习

该论文提出一个与模型无关的框架，让部署后冻结的 LLM 和 VLM 通过三种外部专家知识持续学习：引导推理与工具使用的 Skill、存储可靠事实的 Knowledge Memory、保存视觉案例的多模态知识库。它采用验证策略，仅在更新有助于新病例且不损害旧性能时保留。在六个基准、四个开源与闭源基础模型上，医学任务在线部署性能较基座最高提升 34.2%，并可泛化与迁移。

此前冻结模型无法从解决过的病例中学习，而微调需要权重与再训练，无参数方法又易过拟合固定验证集或丢失视觉细节。该框架把部署经验外置为可更新知识，同时约束不遗忘旧病例，为模型持续适应新临床证据提供了不同于微调和参数无关方法的路径。

机制是把学习从模型权重转移到外部知识层：Skill 指导推理与工具调用，Knowledge Memory 保存有病例或外部证据支撑的事实，多模态知识库保留视觉样例并引导模型把检索案例与当前图像关联。验证策略以新旧病例表现共同决定是否保留更新，从而在不访问权重的前提下近似持续学习。

对医疗 AI 产品而言，模型可在不重新训练、不获取权重的情况下，通过外置知识库吸收新指南与新证据，降低更新成本与停机风险。研发重心从反复微调转向知识库构建、更新验证与检索质量，同时需保障多模态案例存储与验证流程的合规和可追溯。

• 为医疗 AI 产品设计可版本化的外部知识库，将新临床证据以事实条目形式沉淀并随病例验证后生效。
• 在部署流程中加入新旧病例双轨验证环节，把不降低旧病例表现作为知识更新的上线门槛。
• 面向无法获取权重的闭源模型客户，提供基于 Skill 与知识记忆的持续适配层作为独立产品模块。
• 将多模态检索案例与当前影像的关联能力打包成医疗影像辅助推理组件，接入现有诊断工作流。

• 34.2% 的提升是在哪些具体医学基准和指标上取得，统计显著性与样本规模未在证据中说明。
• 验证策略在真实临床数据分布漂移和标注稀缺条件下是否仍能稳定避免性能退化。
• 该框架在非医学任务上的表现幅度以及与医学任务的差异未被具体量化。
• 实践中是否已有产品化部署案例，以及外部知识库的更新频率与责任归属如何界定。