SLICEChat模型实现病理全切片高效推理
热点事件持续更新
SLICEChat模型实现病理全切片高效推理
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
Ali Kerem Bozkurt等人提出SLICEChat，这是面向全切片病理图像的多模态大语言模型。该模型采用混合Mamba-Transformer编码器结构，通过渐进式Token剪枝技术，实现了在吉像素级全切片图像上的精确多模态推理。 在性能表现上，SLICEChat在SlideBench VQA基准中，TCGA准确率达到79.84%，BCNB达到59.09%。同时，该模型在WSI-Bench各项指标中表现最优，并具备具有竞争力的内存占用与推理延迟，平衡了精度与计算效率。
AI 根据报道生成 · 7 小时前更新
最新进展11月5日 13:00
SLICEChat: 面向全切片病理语言模型的渐进式编码器内Token剪枝报道时间线
沿着报道，了解事件的不同侧面。
11月5日
- arXiv · NLPSLICEChat: 面向全切片病理语言模型的渐进式编码器内Token剪枝
SLICEChat 通过混合 Mamba-Transformer 编码器实现渐进式 token 剪枝，在 SlideBench VQA 中 TCGA 准确率达 79.84%，BCNB 达 59.09%。模型在 WSI-Bench 各项指标中表现最优，且具备具有竞争力的内存占用与推理延迟。该成果实现了在吉像素级全切片图像上精确且计算高效的多模态推理。
本事件热度走势
- 可比范围当前
- 8
- 可比范围峰值
- 1011月5日 14:00
- 近 24 小时变化
- –
02.557.510
14:0015:0016:0017:0018:0019:0020:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。