多模态视觉语言大模型(VLM)

Triplet V1
首个面向病理多尺度推理的基础大模型

Triplet V1 以跨倍率推理为核心能力，让模型像病理医生一样完成视觉规划、逐级验证与结论收敛，并输出可追溯的证据链。

在线试用合作接入 API / Agents

Triplet V1 — AI 病理推理

输入病理分析问题...

↑

Benchmark 结果

78.1%

跨尺度 VQA 领先表现

在 4,810 道 Triplet-VQA 测试题上，较对比模型中的最佳结果高 18.2 个百分点。

多中心临床验证

10.9–25.9%

报告效率提升

四中心配对研究显示报告时间节省 10.9%–25.9%；九中心临床诊断报告辅助中，编辑修订字段修改率为 29.3%。

设计与功能优势

10× → 40× → 200×

可解释、可交互的推理

逐级连接组织结构与细胞学证据，完整呈现推理路径，并支持医生审核、修正与回溯。

为什么是多尺度推理

病理诊断不是看一张图，而是先低倍扫全局，再中倍定位结构，最后高倍确认细胞学。Triplet 把这条跨倍率流程定义为模型的核心能力目标，并据此设计训练与评测。

放大动机

全景扫描：识别组织整体结构与异常区域分布，为多尺度推理提供起点。

WSI

图像描述

低倍镜下可见导管/腺泡结构紊乱伴间质纤维化及细胞密集，提示组织结构破坏；中倍镜显示上皮细胞排列紊乱、核增大深染、基底膜不完整及肌上皮缺失，提示上皮异型性进展；高倍镜下核异型性显著、核浆比增高、染色质不均及病理性核分裂象，符合恶性肿瘤细胞特征。

放大动机

导管/腺泡结构紊乱，间质纤维化，细胞密集

10×

图像描述

在10×放大下，导管/腺泡排列不规则，部分区域呈背靠背结构，间质比例显著增加并伴硬化性改变，细胞核密集、大小不一，局部可见轻度炎性浸润，整体结构拥挤。

放大动机

上皮细胞排列紊乱，核增大深染，核仁明显，胞浆减少，基底膜不完整伴肌上皮缺失

20×

图像描述

在20×放大下，组织结构不规则，上皮细胞呈巢状或条索状浸润性生长，细胞极性丧失，核体积增大、深染、大小不一，核仁明显，胞浆稀少，间质纤维化伴炎细胞浸润，基底膜连续性中断，肌上皮层缺失。

放大动机

细胞核异型性显著，核浆比增高，染色质深染且分布不均，核仁明显，可见病理性核分裂象

40×

图像描述

在40×放大下，组织结构紊乱，细胞排列密集且极向丧失，核体积增大、形态不规则、染色质深染且分布不均，核仁显著，核浆比增高，间质纤维化伴炎细胞浸润，可见多处病理性核分裂象。

WSI逐级放大40×

Triplet 大模型的技术优势

跨倍率推理，全流程可解释

Triplet 特有多尺度可解释证据链训练，逐步循证推理，构建临床可审核的推理表达。

推理可交互，证据可回溯

逐级呈现从低倍组织结构到高倍细胞学证据，医生可随时修正与回溯，形成闭环推理。

人在回路数据飞轮

人机循环数据标注，AI 生成、医生审核并返哺训练，构建数据与模型能力持续增长的闭环。

多区域异质性理解

学习一条 Path 上多个 ROI 的前后文关系，理解该路线对整张 WSI 的诊断意义。

结构化输出（适合临床复核）

每个倍率输出放大动机 Reason、图像描述 Caption，并形成跨尺度推理链与总结。

可选中英输出

支持中英表达，但主叙事聚焦在跨倍率推理与证据链能力。

核心机制：Triplet 三元结构

Triplet 用三元组数据结构组织学习：多尺度图像 + 选择理由与病理特征 + 路线的诊断意义与发现。每条路线是一条完整的跨尺度 Path（10x → 40x → 200x）。

Image：每条 Path 的多尺度 ROI 图像

Caption / Reason：该倍率下的结构描述与放大动机

Thinking / Summary：跨尺度证据链和诊断结论收敛

从数据构建到部署使用

从高质量、多尺度、可解释的数据构建，到在 PuzzleVision 中完成区域分析与全切片推理，Triplet 覆盖模型开发与实际应用的完整流程。

部署使用演示在 PuzzleVision 中使用 Triplet 视觉语言大模型进行区域分析与全切片推理

将 Triplet 接入 PuzzleVision 阅片工作台，在真实 WSI 流程中完成区域分析、跨倍率证据整合与全切片推理。

训练与评测

SFT 让模型理解证据路线；RL 让"会推理"可以被可靠衡量。

SFT：让模型理解证据路线

基于多尺度每个区域构建跨尺度 Path（10x → 40x → 200x），逐层学习 Reason / Caption / 推理链 / 总结，让模型先学会"为什么放大、看到了什么、如何归纳"。

RL：让"会推理"被可靠衡量

采用 leakage-aware 机制抑制文本捷径：先做 text-only 对抗推断筛查，若不看图也能答对则判定泄漏并迭代修正。随后用 GRPO 对齐，奖励答案正确性与跨尺度推理一致性，并约束输出格式稳定。

Benchmark

模型能力评测

以海量公开数据与多中心私有数据为 benchmark，在多图推理与单图分析任务上与 SOTA 模型进行全面对比。

Triplet-VQA 总体准确率

78.1%

较对比模型中表现最佳的 Lingshu-7B（59.9%）高 18.2 个百分点

评测规模

4,810 题 / 15 个器官系统

精确匹配（exact-match）准确率；五个问题类型各 962 题

Overall accuracy

Triplet-VQA 总体排名

TRIPLET78.1%

Lingshu-7B59.9%

CLOVER58.4%

QoQ-Med-VL-7B54.4%

Patho-R145.8%

PRISM233.6%

Quilt-LLaVA27.9%

五类问题精确匹配准确率的平均值，比较 7 个代表性模型。

五项能力对比

Model	对应性	确认性	定位	解释	诊断	Mean
TRIPLET	70.2	84.4	88.4	63.4	84.2	78.1
Lingshu-7B	53.5	67.4	73.7	57.6	47.6	59.9
CLOVER	48	64.5	79.2	48.7	51.7	58.4
QoQ-Med-VL-7B	49.7	54.7	68.9	41.5	57.1	54.4
Patho-R1	32.5	35.9	63	44.9	52.6	45.8
PRISM2	32.1	46.3	33	31.4	25.1	33.6
Quilt-LLaVA	24.6	18.7	41.4	28.4	26.6	27.9

查看 VQA 案例与各模型推理思路+

PathMMU 单图基准测试 · PubMed-Test 子集正确答案: (A)

病理图像

题目

Based on the cellular morphology, which layer of stratified squamous epithelium is most prevalent on the left side of the image? Translation 基于细胞形态，哪一层的复层鳞状上皮在图像的左侧最常见？

ASpinous layer Translation 棘层

BBasal layer Translation 基底层

CGranular layer Translation 颗粒层

DKeratin layer Translation 角化层

模型回答对比

Qwen2.5-VL-7B

(B) ✗

<think> The image shows a section of stratified squamous epithelium. On the left side, there appears to be a layer with large, round nuclei and a relatively thin cytoplasm, which is characteristic of the basal layer cells. These cells are located at the base of the epithelium and are responsible for cell division and renewal. The spinous layer typically has cells with intercellular bridges and a more compact appearance. The granular layer contains keratohyalin granules and is located above the spinous layer. The keratin layer is the outermost layer and is composed of flattened, keratinized cells. Given these observations, the most prevalent layer on the left side of the image is the basal laye </think> Translation 图像显示一段复层鳞状上皮。左侧可见一层具有大而圆的核和相对较薄的细胞质的细胞，这是基底层细胞的特征。这些细胞位于上皮基底部，负责细胞分裂和更新。棘层细胞通常具有细胞间桥和更紧密的外观。颗粒层含角质透明颗粒，位于棘层之上。角化层是最外层，由扁平的角化细胞组成。根据这些观察，图像左侧最常见的层是基底层。

PathoR1-7B

(B) ✗

<think> The image shows stratified squamous epithelium with distinct layers. The left side displays cells that are smaller, tightly packed, and aligned perpendicular to the basement membrane, characteristic of the basal layer. This layer contains cuboidal to columnar cells with high nuclear-to-cytoplasmic ratios, which are typical of proliferative cells. The spinous layer (A) features flattened cells with intercellular bridges, the granular layer (C) contains flattened cells with keratohyalin granules, and the keratin layer (D) consists of anucleate, flattened cells. The basal layer (B) is the deepest and most proliferative layer, aligning with the observed cellular morphology. </think> Translation 图像显示具有明显分层的复层鳞状上皮。左侧可见较小、紧密排列且垂直于基底膜排列的细胞，为基底层特征。该层含有立方至柱状细胞，核质比高，是典型的增殖细胞。棘层（A）特征为具有细胞间桥的扁平细胞，颗粒层（C）含有角质透明颗粒的扁平细胞，角化层（D）由无核的扁平细胞组成。基底层（B）是最深且增殖最活跃的层，与观察到的细胞形态一致。

Gemini 3-Thinking

(B) ✗

<think> The provided images display a stratified squamous epithelium characterized by a distinct layer of cells at the base. In the image, the blue arrows specifically point to the cuboidal, densely packed cells of the stratum basale, which are highlighted by brown Ki-67 nuclear staining. This layer is situated directly above the basement membrane and represents the most prevalent morphology on the left/lower boundary of the epithelial ribbon. Therefore, the cellular morphology aligns with the characteristics of the basal layer. </think> Translation 提供的图像显示以基底部一层明显的细胞为特征的复层鳞状上皮。图中蓝色箭头特别指向立方形、密集排列的基底层细胞，这些细胞通过棕色 Ki-67 核染色加以突出。该层位于基底膜正上方，代表上皮带左侧/下方边界最常见的形态。因此，细胞形态与基底层的特征一致。

Triplet V1

(A) ✓

<think> The image shows stratified squamous epithelium with a predominance of spinous layer cells. Stratified squamous epithelium typically has multiple layers, but the spinous layer is characterized by polygonal cells with intercellular bridges. The basal layer contains cuboidal cells, the granular layer has flattened cells with keratohyalin granules, and the keratin layer consists of anucleate squames. The left side of the image aligns with the spinous layer due to its cellular morphology and arrangement. The other layers are inconsistent with the observed features, such as the basal layer's cuboidal cells or the granular layer's flattened cells. Thus, the correct answer is A. </think> Translation 图像显示以棘层细胞为主的复层鳞状上皮。复层鳞状上皮通常有多层，但棘层的特征是具有细胞间桥的多角形细胞。基底层含有立方细胞，颗粒层有含角质透明颗粒的扁平细胞，角化层由无核鳞片组成。图像左侧与棘层一致，因为其细胞形态和排列方式符合棘层特征。其他层与观察到的特征不一致，如基底层的立方细胞或颗粒层的扁平细胞。因此正确答案为 A。

案例数据来源于 Triplet-V1 论文，展示不同模型在跨尺度推理任务上的回答对比。

Clinical studies

临床实验部署

从报告速度、报告质量和报告修订负担三个互补终点评估人机协作价值。

更快完成报告

节省 10.9 – 25.9%

同一医生、同一 WSI 的配对计时，四个中心的节省区间

改善报告质量

3.97 → 4.70

低年资医生组报告总体评分；75% 的配对盲评更偏好人机协作

降低报告修订负担

29.3%

编辑修订字段修改率，比 Qwen3.5-plus 少 13.6 个百分点

01 · Speed

更快完成报告

同一医生、同一 WSI，手工与人机协作配对计时。

10.9–25.9%

节省时间范围

福建省肿瘤医院

FJCH · n=63

10.9%

手工

9.4m

人机协作

8.37m

P<0.1 · 57.1% 病例更快

山西省肿瘤医院

SXCH · n=60

15.2%

手工

5.99m

人机协作

5.08m

P<0.11 · 56.7% 病例更快

宁波病理中心

NBPC · n=76

19.5%

手工

8.1m

人机协作

6.52m

P<0.001 · 75% 病例更快

上海六院

SSPH · n=49

25.9%

手工

7.6m

人机协作

5.63m

P=0.001 · 73.5% 病例更快

共 4 个中心、248 例配对 WSI；双侧配对 Wilcoxon 检验。宁波病理中心与上海六院达统计学显著。福建省肿瘤医院展示值已按部署延迟敏感性分析调整。

02 · Quality

改善报告质量

两个独立中心、两组不同资历的医生；每组报告由一位独立资深评审者盲评。

山西省肿瘤医院

低年资医生组 · n=60

1–5

诊断准确性

P=0.081

4.37→4.55

镜下描述完整性

P=7.1e-11

3.40→4.80

描述—诊断一致性

P=6.6e-07

3.93→4.65

语言与术语

P=1.8e-09

3.58→4.72

总体印象

P=5.3e-09

3.97→4.70

配对盲评偏好

人机协作 75%无偏好 15%手工 10%P=1.8e-08

福建省肿瘤医院

资深医生组 · n=59

1–5

诊断准确性

P=0.317

4.61→4.53

镜下描述完整性

P=0.034

4.37→4.58

描述—诊断一致性

P=0.549

4.58→4.53

语言与术语

P=0.034

4.73→4.53

总体印象

P=1

4.29→4.29

配对盲评偏好

人机协作 27.1%无偏好 28.8%手工 44.1%P=0.164

低年资组总体评分 3.97 → 4.70，75% 偏好人机协作。资深组总体评分 4.29 → 4.29（P=1）；语言与术语评分由 4.73 降至 4.53。未达到显著不等同于等效或非劣。

03 · Revision burden

降低报告修订负担

同一 WSI 的三份模型生成报告以盲法随机顺序审核；编辑修订字段修改率越低，表示医生复核负担越小。

9 中心 · 457 张 WSI · 6 位病理医生

TRIPLET29.3%

Gemini 335.5%

Qwen3.5-plus42.9%

复核时间（441 条完整记录）

vs Qwen3.5-plus

26.3s 更快

95% CI -37.9 to -21.3s · Holm P=5.1e-14

vs Gemini 3

9.5s 更快

95% CI -18.2 to -3.1s · Holm P=0.002

平均复核时间：TRIPLET 138.3 秒，Gemini 3 154.4 秒，Qwen3.5-plus 170.5 秒。

查看 9 个中心的修改率差异与置信区间+

Center	n	Baseline	Difference (pp)	95% CI	Holm P
辽宁省肿瘤医院	49	Qwen3.5-plus	-6.8	-13.5 to -0.4	0.199
辽宁省肿瘤医院	49	Gemini 3	-3.2	-8.9 to 2.5	0.584
上海六院	52	Qwen3.5-plus	-13.5	-19.2 to -7.6	0.001
上海六院	52	Gemini 3	-2.9	-8.3 to 2.8	0.097
上海市一医	50	Qwen3.5-plus	-4.7	-12.9 to 3.2	0.712
上海市一医	50	Gemini 3	+2.9	-4 to 9.5	0.712
山西省肿瘤医院	68	Qwen3.5-plus	-7	-10.9 to -3.1	0.002
山西省肿瘤医院	68	Gemini 3	+0.9	-2.9 to 4.7	0.664
福建省肿瘤医院	71	Qwen3.5-plus	-21.7	-26.6 to -16.7	2.4e-09
福建省肿瘤医院	71	Gemini 3	-12.9	-17.7 to -8.3	1.0e-05
北京协和医院	43	Qwen3.5-plus	-27.7	-34.3 to -21.2	5.4e-07
北京协和医院	43	Gemini 3	-16	-21.8 to -10.3	2.2e-05
宁波病理中心	78	Qwen3.5-plus	-18.9	-23 to -14.9	1.4e-10
宁波病理中心	78	Gemini 3	-12.4	-16.3 to -8.5	3.9e-07
北京胸科医院	26	Qwen3.5-plus	-12.7	-16.8 to -8	7.9e-04
北京胸科医院	26	Gemini 3	-9.8	-15.1 to -4.2	0.007
上海东方肝胆医院	20	Qwen3.5-plus	+3.9	-5.8 to 13.1	0.681
上海东方肝胆医院	20	Gemini 3	+5.4	-3 to 14.2	0.681
全部中心	457	Qwen3.5-plus	-13.6	-15.6 to -11.5	3.1e-28
全部中心	457	Gemini 3	-6.2	-8.1 to -4.3	4.9e-10

TRIPLET 相比 Qwen3.5-plus 在 6 个中心显著更低，相比 Gemini 3 在 4 个中心显著更低；EHBH 方向相反但不显著。

Extended analysis

更多实验与分析

进一步评估 ROI 与 WSI 分类、自主诊断、置信度复核及五轮数据标注质量。

更多 Benchmark：ROI / WSI 分类、消融与 LLM 评分+

实验发现

跨尺度、同病灶对齐的 Triplet 监督带来的收益并非仅来自“看见更多倍率”：独立图文对训练的平均准确率为 58.6%，而完整 TRIPLET 达到 78.1%。这一结构同时迁移到单图问答及 ROI / WSI 分类，并在自由文本评估中取得最高的感知、推理与结论评分。

ROI 分类（10 个数据集）

Model / group	CCRCC	Chaoyang	BreakHis	Herlev	GasHisSDB	LC25000	PAIP	HMU-GC-HE	CRC-100K	WSSS4LUAD	Mean
Lingshu-7B · ACC	55.6	53	56	17.9	54	48.3	52.6	35.3	52.9	42.3	46.8
Lingshu-7B · macro-F1	37.3	25.6	47.4	8.9	52.6	40.8	49.7	29.8	43.3	37.7	37.3
Quilt-LLaVA · ACC	34	21	58.4	12.8	53.8	35	47.6	14.1	8	33.1	31.8
Quilt-LLaVA · macro-F1	21.4	15.6	32.6	9.5	53.1	20.8	31.7	9	7	33.1	23.4
CLOVER · ACC	43.3	45.9	49.7	24.8	57.7	61.3	56	29.6	34.9	52.2	45.5
CLOVER · macro-F1	30.3	32.7	19.4	17.7	37.6	46.9	54.9	28.8	32.4	52.9	35.4
QoQ-Med-VL-7B · ACC	51.2	48.5	47.7	20.8	52.4	21.7	59.5	18.8	25.1	56.4	40.2
QoQ-Med-VL-7B · macro-F1	24.9	28.8	30.3	9	50.8	24.9	64.8	15.2	23.7	41.8	31.4
Patho-R1 · ACC	63.9	54.8	58.4	18.2	43.6	78.1	55.1	34.8	62.8	57.5	52.7
Patho-R1 · macro-F1	57.8	27.5	37.8	14.4	24.7	58.5	54.9	29.4	50.3	58.1	41.3
PRISM2 · ACC	65.7	35.2	69.8	22.6	46.1	62.7	74.6	26.5	57.1	28.1	48.8
PRISM2 · macro-F1	49.2	29.7	68.9	10.2	45.3	53	60.9	22.7	43.7	19.2	40.3
TRIPLET · ACC	58.7	61.1	53.7	26	61.6	67.3	58.7	36.1	70	59.5	55.3
TRIPLET · macro-F1	53.7	43.3	50.3	23.9	61.3	63.8	57.2	32.9	64.8	56.4	50.8

在 ROI 分类评测中，TRIPLET 平均 ACC 为 55.3%，Qwen3.5-VL 为 58.3%；PRISM2 在 PAIP、BreakHis、CCRCC 上高于 TRIPLET。

WSI 分类（3 个数据集）

Model / group	CAMELYON-16	BRACS	CPTAC-LUNG	Mean
Lingshu-7B · ACC	44.8	12.8	53	36.9
Lingshu-7B · macro-F1	40.2	2.9	39.2	27.5
Quilt-LLaVA · ACC	49.3	20.9	50.8	40.3
Quilt-LLaVA · macro-F1	48.4	11.8	49	36.4
CLOVER · ACC	50.7	16.3	44.5	37.2
CLOVER · macro-F1	50.7	12	29.6	30.8
QoQ-Med-VL-7B · ACC	43	23.3	48.5	38.3
QoQ-Med-VL-7B · macro-F1	35.1	17.7	32.6	28.5
Patho-R1 · ACC	53.7	12.8	51.9	39.5
Patho-R1 · macro-F1	42.1	5.1	39.9	29
PRISM2 · ACC	42.2	9.3	57.8	36.4
PRISM2 · macro-F1	32.6	4.5	56.9	31.3
TRIPLET · ACC	57.8	24.4	53.2	45.1
TRIPLET · macro-F1	48.6	18.4	53	40

Caption-mode 消融

Model / group	对应性	确认性	定位	解释	诊断	Mean
TRIPLET	70.2	84.4	88.4	63.4	84.2	78.1
Triplet only	52.6	52.4	78	44.7	74.8	60.4
10×–40×–200× (none removed)	50.6	53.8	73.9	45.5	69	58.6
10×–40× (200× removed)	47.4	55.4	76.3	46	65	58
10×–200× (40× removed)	47.4	56.7	76.8	42.1	68.3	58.2
40×–200× (10× removed)	53.1	59.9	77.4	47.8	66.4	60.9

LLM-as-judge（0–5 分）

Model / group	Perception mean	SD	Reasoning mean	SD	Conclusion mean	SD
Patho-R1	3.53	0.91	3.91	0.67	3.86	1.57
Lingshu-7B	3.61	0.55	3.78	0.41	4.4	0.94
HuatuoGPT-V-7B	3.42	0.56	3.91	0.33	4.28	1.14
Qwen3.5-VL-9B	3.34	0.98	3.97	1.17	3.72	1.7
Qwen3.5-plus	3.29	1.13	3.94	1.21	3.49	1.92
TRIPLET	3.71	0.69	4.28	0.68	4.48	1.09

进一步研究：自主诊断（160 张 WSI，9 中心）+

实验发现

当模型获得病灶对齐的跨尺度 ROI 与整合摘要时，基本癌种准确率达到 90.6%–98.8%；仅依赖 WSI 缩略图时降至 48.1%–48.8%。这说明证据选择与组织本身是诊断流程的一部分；由于两种输入条件并不等价，该结果更适合作为分流与预筛研究依据，而非自动签发结论。

证据条件与模型

Model / group	Accuracy (%)	95% CI	Score / 100
TRIPLET-guided ROI evidence · TRIPLET	98.8	95.6–99.7	84.3
TRIPLET-guided ROI evidence · Gemini 3	91.9	86.6–95.2	76.4
TRIPLET-guided ROI evidence · Qwen3.5-plus	90.6	85.1–94.2	78.7
WSI thumbnail only · Qwen3.5-plus	48.8	41.1–56.4	46.4
WSI thumbnail only · Gemini 3	48.1	40.5–55.8	46.6

分中心基本癌种准确率

Model / group	辽宁省肿瘤医院	上海六院	上海市一医	山西省肿瘤医院	福建省肿瘤医院	北京协和医院	宁波病理中心	北京胸科医院	上海东方肝胆医院
ROI evidence · TRIPLET	100	100	100	100	100	100	100	100	80
ROI evidence · Gemini 3	100	90	95	95	90	95	90	90	70
ROI evidence · Qwen3.5-plus	95	100	85	95	90	95	90	70	80
Thumbnail · Qwen3.5-plus	55	80	55	70	40	55	35	0	0
Thumbnail · Gemini 3	55	75	50	80	40	50	35	0	0

分器官准确率

Model / group	n	TRIPLET + ROI	Gemini 3 + ROI	Qwen + ROI	Gemini thumbnail	Qwen thumbnail
Breast	46	100	93.5	97.8	71.7	65.2
Colorectal	22	100	100	95.5	100	100
Hepatobiliary	16	87.5	75	68.8	0	18.8
Lung	44	100	88.6	81.8	0	4.5
Gastric	32	100	96.9	100	68.8	65.6

病例按 existing_local_best 策略选择，不代表随机前瞻性队列。150 例采用 strict 规则，EHBH 10 例采用参考比对宽松规则，因此汇总为混合口径。

进一步研究：置信度与医生复核分流+

实验发现

置信度能够识别更复杂、更需要复核的病例：以 0.75 为阈值，53 例进入复核组，其中包括 15 / 20 例 cHCC-CCA 和全部 10 例 iCCA。该结果支持用置信度安排复核优先级，而不是将高置信度作为自动签发标准。

100 张肝胆 WSI

Model / group	n	Strict accuracy (%)	Lineage-aware (%)
All WSIs	100	64	87
High confidence (≥0.75)	47	80.85	97.87
Review arm (<0.75)	53	49.06	77.36

按参考诊断

Model / group	WSIs	Patients	Strict (%)	Lineage-aware (%)	Mean confidence	Routed to review (%)
HCC	70	70	85.71	92.86	0.74	40
cHCC-CCA	20	20	5	95	0.66	75
iCCA	10	2	30	30	0.65	100

混淆矩阵

Model / group	Pred. HCC	Pred. cHCC-CCA	Pred. iCCA	Pred. other	Total
HCC	60	5	1	4	70
cHCC-CCA	13	1	5	1	20
iCCA	7	0	3	0	10

ECE 0.0799；Brier score 0.216。高置信度（≥0.75）结果仍需病理医生审核，置信度仅用于复核排序。10 张 iCCA 来自 2 位患者。

进一步研究：五轮数据标注质量+

实验发现

五轮迭代中，放大理由修改率由 23.1% 降至 10.2%，描述修改率由 27.8% 降至 12.9%，平均质量评分由 3.84 升至 4.21。结果表明人机循环使候选标注逐步接近专家确认目标，同时最终监督信号仍由病理医生把关。

轮次趋势（共 21,853 条路径）

Model / group	Scored paths	Reason edits (%)	Caption edits (%)	Mean quality	5-star share (%)
Round 1	4498	23.15	27.8	3.841	23.34
Round 2	5853	20.17	27.68	3.774	21.22
Round 3	4826	14.21	22.05	3.978	31.19
Round 4	4582	13.97	16.39	4.009	31.14
Round 5	2094	10.22	12.91	4.213	44.41

评分分布

Model / group	1 star (%)	2 stars (%)	3 stars (%)	4 stars (%)	5 stars (%)
Round 1	4.36	5.78	14.63	51.89	23.34
Round 2	4.65	8.12	13.63	52.38	21.22
Round 3	3.46	5.47	12.06	47.82	31.19
Round 4	3.12	5.33	10.21	50.2	31.14
Round 5	1.96	3.68	9.93	40.02	44.41

标注员校准

Model / group	Mean quality	Character modification (%)
Annotator 1	3.34	25.31
Annotator 2	4.45	11.99
Annotator 3	4.12	24.5
Annotator 4	4.64	26.98
Annotator 5	3.7	12.53
Annotator 6	2.67	18.52
Annotator 7	3.82	17.63
Annotator 8	4.63	8.82

字符修改率是标注流程的字符级指标，与临床诊断报告辅助中的编辑修订字段修改率不同。八位标注员对相同模型输出的评分用于标注一致性校准，不作为语料过滤标准。

在线试用

上传或选择一张示例图像，体验 Triplet 的跨倍率推理输出。

提示：上传或选择一张示例图像，点击"开始分析"体验Triplet的推理能力，结果仅供参考。

图像输入

支持上传或使用预设图像

上传限制：单张图片，最大 10MB

也可直接点击下方预设图像进行试用。

分析结果

Triplet V1

在线试用结果仅用于产品演示，不作为医疗诊断依据。

接入Triplet：敬请期待

面向系统接入、工作流协作与研究版强化推理的三种形态。

Triplet API

把跨倍率推理能力接入你的系统：VQA、结构化描述、证据链输出、质控接口。

Triplet Agents（协作版）

面向工作流：区域选择 -> 证据汇总 -> 报告草拟 -> 人类医生监督闭环。

Triplet Reasoning Edition（研究/高级版）

基于 leakage-aware 数据构建 + GRPO 强化学习，进一步提升跨尺度一致性与可控输出。

FAQ

Triplet V1 的核心差异是什么？

跨倍率推理是第一能力。训练、数据与评测都围绕"证据链闭环"设计，不做单尺度黑箱判断。

你们的数据如何保证可信？

采用循环式 human-in-the-loop：AI 先产出，医生审核修正并反哺训练，持续提升数据质量与可追溯性。

Triplet 的数据来自哪里？

私有数据均来自经过伦理审核的多中心科研合作，并按照合规要求获取和使用；公开数据覆盖全球 100 余个公开数据集。

Triplet 的数据由谁标注与审核？

来自三甲医院的 100 余位病理医师参与数据标注与审核，通过专业复核持续保障标注的准确性、一致性与临床相关性。

申请 Triplet V1 合作接入

如果你希望在真实病理场景中验证跨倍率推理能力，欢迎联系团队获取早期访问、API 接入与 Agents 协作方案。

在线试用合作接入 API / Agents

Triplet V1首个面向病理多尺度推理的基础大模型

跨尺度 VQA 领先表现

报告效率提升

可解释、可交互的推理

为什么是多尺度推理

Triplet 大模型的技术优势

核心机制：Triplet 三元结构

从数据构建到部署使用

训练与评测

SFT：让模型理解证据路线

RL：让"会推理"被可靠衡量

模型能力评测

Triplet-VQA 总体排名

五项能力对比

题目

模型回答对比

临床实验部署

更快完成报告

改善报告质量

降低报告修订负担

更快完成报告

改善报告质量

降低报告修订负担

复核时间（441 条完整记录）

更多实验与分析

ROI 分类（10 个数据集）

WSI 分类（3 个数据集）

Caption-mode 消融

LLM-as-judge（0–5 分）

证据条件与模型

分中心基本癌种准确率

分器官准确率

100 张肝胆 WSI

按参考诊断

混淆矩阵

轮次趋势（共 21,853 条路径）

评分分布

标注员校准

在线试用

图像输入

分析结果

接入Triplet：敬请期待

Triplet API

Triplet Agents（协作版）

Triplet Reasoning Edition（研究/高级版）

FAQ

Triplet V1 的核心差异是什么？

你们的数据如何保证可信？

Triplet 的数据来自哪里？

Triplet 的数据由谁标注与审核？

申请 Triplet V1 合作接入

Triplet V1
首个面向病理多尺度推理的基础大模型