# چارچوبی تازه به مدل‌های پزشکیِ ثابت امکان یادگیری پس از عرضه می‌دهد

> پژوهشگران سامانه‌ای مستقل از مدل پیشنهاد کرده‌اند که با استفاده از موارد واقعی، LLMها و VLMهای ثابت را به‌روزرسانی می‌کند و عملکرد آن‌ها را در کارهای پزشکی تا 34% افزایش می‌دهد.

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

گروهی به سرپرستی Yexiao He در 8 اکتبر 2026 مقاله‌ای منتشر کرد که چارچوبی را شرح می‌دهد؛ چارچوبی که به مدل‌های زبانی بزرگ (LLMها) و مدل‌های بینایی‌ـ‌زبان (VLMها) امکان می‌دهد از مواردی که با آن‌ها سروکار دارند یاد بگیرند. این سامانه سه نوع تخصص بیرونی به مدل می‌افزاید: یک مهارت برای استدلال، حافظه‌ای دانشی برای اطلاعات واقعی و پایگاهی چندوجهی از دانش برای نمونه‌های بصری. مدل فقط زمانی به‌روزرسانی می‌شود که موارد تازه عملکرد را بهتر کنند، بی‌آنکه نتایج قبلی افت کند. آزمایش‌ها روی شش معیار پزشکی و با چهار مدل پایه متفاوت، بهبودهایی تا سقف 34.2% نشان دادند.

## حقایق

- بهبود عملکرد در کارهای پزشکی تا سقف 34.2%
- ارزیابی با چهار مدل پایه و بر اساس شش معیار

## چرا مهم است

پزشکان می‌توانند به ابزارهای هوش مصنوعی‌ای تکیه کنند که بدون نیاز به بازآموزی پرهزینه، خود را با دستورالعمل‌های تازه هماهنگ نگه می‌دارند.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-10-08