从临床照片区分瘢痕疙瘩和增生性瘢痕，面临专家标注稀缺和跨医院采集差异大的双重挑战。ScaFE提出了一种新思路：不让大语言模型直接看图诊断，而是让它检索临床证据，生成可本地执行的特征测量程序。这些程序在本地处理图像，仅将聚合验证统计量反馈给LLM进行迭代修复，最终选出的程序用随机森林分类。在三个医院的留一站点外评估中，ScaFE以10%的数据量领先最强基线BiomedCLIP达11.8个百分点。该方法不依赖海量标注，保护数据隐私，且每个特征都有可溯源的证据记录。但研究为回顾性、二分类设计，需前瞻性临床验证。
本文提出ConsiSpace框架，针对多模态大模型在视频空间推理中缺乏几何建模、冗余证据多及跨视角不稳定等问题，设计了几何一致性记忆（GCM）和统一一致性自监督强化学习（UC-SSRL）。GCM通过门控写入和融合减少冗余，UC-SSRL利用自监督奖励提升稳定性。实验显示在VSI-Bench和OSI-Bench上显著超越基线，且在长视频场景下显存占用和推理时间大幅降低。需注意GCM依赖几何基础模型准确性，噪声输入可能影响性能。
本文提出MoD-VLLM框架，旨在解决长视频理解中Token预算有限与多事件细节捕捉之间的矛盾。现有方法如Token剪枝或关键帧选择易导致细节丢失或错误传播。MoD-VLLM通过正负视频片段定位模块识别相关片段，并利用模块化动态粒度反射模块，对正片段进行细粒度编码以捕捉细节，对负片段进行粗粒度编码以保留全局上下文。结合DPO优化与反事实验证，该框架实现了迭代式自我修正。实验显示，在VideoMME和MEventBench等基准上，MoD-VLLM显著优于LLaVA-Video和Qwen2.5-VL等基线模型。