# إطار جديد يتيح لنماذج الذكاء الاصطناعي الطبية مواصلة التعلّم بعد نشرها

> يقترح باحثون نظامًا متوافقًا مع مختلف النماذج، يحدّث نماذج LLMs وVLMs المجمّدة اعتمادًا على حالات واقعية، ويرفع الأداء في المهام الطبية بنسبة تصل إلى 34%.

Oossa · 2026-10-08 · https://oossa.com/ar/new-framework-lets-frozen-medical-ai-models-keep-learning-after-deployment

نشر فريق بقيادة Yexiao He ورقة بحثية في 8 أكتوبر 2026، وصف فيها إطارًا يتيح لنماذج اللغة الكبيرة (LLMs) ونماذج الرؤية واللغة (VLMs) المجمّدة التعلّم من الحالات التي تتعامل معها. ويضيف النظام ثلاثة أنواع من الخبرات الخارجية: مهارة للاستدلال، وذاكرة معرفية للحقائق، وقاعدة معرفة متعددة الوسائط للأمثلة البصرية. ولا يحدّث النموذج إلا عندما تحسّن الحالات الجديدة الأداء من دون الإضرار بالنتائج السابقة. وأظهرت الاختبارات على ستة معايير طبية وباستخدام أربعة نماذج أساسية مختلفة تحسنًا بلغ 34.2% كحد أقصى.

## الحقائق

- تحسن يصل إلى 34.2% في المهام الطبية
- جرى التقييم على ستة معايير باستخدام أربعة نماذج أساسية

## لماذا يهم

قد يتمكن الأطباء من الاعتماد على أدوات ذكاء اصطناعي تواكب الإرشادات الجديدة من دون الحاجة إلى إعادة تدريب مكلفة.

## المصادر والمراجع

1. [Frozen Models, Evolving Expertise: Model-Agnostic Learning from Deployment Experience for Multimodal Medical AI](https://arxiv.org/abs/2610.09146) – arXiv, 2026-10-08

آخر تحديث: 2026-10-08