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。
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+返哺训练,构建数据-AI能力飞轮增长。
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。
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。

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。
导管/腺泡结构紊乱,间质纤维化,细胞密集
.webp&w=3840&q=75)
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。
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
.webp&w=3840&q=75)
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。
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
.webp&w=3840&q=75)
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。
Triplet V1 能做什么
跨倍率推理与证据连接
显式连接至少两个倍率证据,避免单尺度"猜答案"。
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)。
数据与平台:从标注到推理数据生产线
Triplet 数据审核平台面向多中心数据分布与模态多样性,构建高质量、多尺度、可解释的推理数据体系。
AI 生成阶段(自动化)
WSI 全局分析,生成 overview(低倍结构、组织分布、异质性)。
生成候选 Path,并为每个区域构建跨尺度 Path(10x -> 40x -> 200x)。
逐层生成 Reason / Caption / 推理链 / 总结。
医生审核阶段(Human-in-the-loop)
修正不合理的放大动机与不准确描述。
修订跨尺度推理链逻辑与最终总结。
审核通过后回流训练,进入下一轮数据迭代。
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。



实验结果
在两个核心评测任务上,Triplet V1 均取得显著领先表现。
跨尺度多图 TripletVQA-Test 准确率
对应任务:Accuracy on cross-scale multi-image TripletVQA-Test
| 领域 | 模型 | 对应性(Correspondence) | 确认性(Confirmation) | 定位能力(Localization) | 解释能力(Explanation) | 诊断能力(Diagnosis) | 平均值 |
|---|---|---|---|---|---|---|---|
| 通用 | Qwen2.5VL-7B | 41.8 | 47.3 | 71.1 | 44.3 | 63.7 | 53.6 |
| Gemini 3 Flash | 48.3 | 58.7 | 71.6 | 53.7 | 72.1 | 60.8 | |
| GPT-5.2 | 47.8 | 59.7 | 74.1 | 45.8 | 65.2 | 58.5 | |
| 医疗 | LLaVA-Med-7B | 25.9 | 16.9 | 28.4 | 20.9 | 24.9 | 23.4 |
| HuatuoGPT-V-7B | 37.8 | 45.8 | 65.7 | 46.8 | 55.7 | 50.3 | |
| Lingshu-7B | 47.3 | 63.7 | 62.7 | 48.3 | 61.2 | 56.6 | |
| 病理 | Quilt-LLaVA | 32.3 | 14.4 | 45.3 | 30.3 | 29.4 | 30.3 |
| CLOVER | 37.3 | 61.7 | 73.1 | 46.3 | 65.7 | 56.8 | |
| Patho-R1 | 31.8 | 40.3 | 59.7 | 56.2 | 68.7 | 51.3 | |
| Triplet V1 | 80.6 | 89.1 | 84.6 | 76.1 | 84.1 | 82.9 |

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?
模型回答对比
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。
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。
图像输入
支持上传或使用预设图像
分析结果
接入Triplet
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。
