AI Daily ·
NVIDIA 推出 NV-Reason-CT 與醫療 AI 模型，解析大模型漏洞修復指標
Today’s AI Highlights
今日 AI 要聞聚焦於醫療影像與模型效能突破。NVIDIA 推出開源 3D CT 視覺語言模型 NV-Reason-CT，結合思維鏈推理生成結構化報告；同時，研究界推出能分割 60 種解剖結構的全身 X 光通用模型 FleXray，並揭露現有大模型漏洞修復評估指標的盲點，提出更可靠的 diff_F1 替代方案，為醫療 AI 與程式碼安全性帶來重要進展。
01NVIDIA DeveloperAI 研究NVIDIA 推出首款開源 3D CT 醫療視覺語言模型 NV-Reason-CT，導入放射科醫師思考鏈推論
NV-Reason-CT 是專為 3D 電腦斷層（CT）設計的開源醫療視覺語言模型。相較於將 3D 影像拆解為 2D 切片的傳統做法，NV-Reason-CT 採用原生 3D 視覺編碼器（3D ViT）與 3D MRoPE 技術以完整保留解剖結構的空間連續性。模型採用 Qwen3.5-4B 為語言基礎，透過結合放射科醫師標註的兩階段訓練（監督微調與 GRPO 強化學習），能模擬醫師診斷時的思考鏈（CoT），有系統地分析胸腹腔病灶，並提供多輪對話式臨床問答。
- 02arXivAI 研究
FleXray：首款通用型全身體檢 X 光影像分割模型
X 光是醫療中最常見的成像技術，但因 3D 結構重疊成 2D 投影，使人工標記極為困難，限制了量化分析。MIT 研究團隊開發了 FleXray，透過「3D 全身 CT 分割資料集」結合「生成式影像編輯模型」，模擬出大量高擬真且附帶完整標記的 2D X 光影像。在此模擬數據上訓練出的 FleXray，能精準分割全身 60 種解剖結構，適用於真實臨床與未知資料集，並能用於輔助手術導航與疾病評級。
- 03arXivAI 程式開發
自動漏洞修復的指標迷思：為何「編譯率」與 CodeBLEU 無法真實反映 LLM 的修復能力
本研究評估了 LLM 在 C/C++ 安全漏洞自動修復上的表現，發現學界常用的「編譯率」極不可靠。透過 Big-Vul 資料集與多款開源模型實驗，研究發現約 64% 的編譯失敗與模型能力無關，且編譯反饋優化反而會誘導模型透過「刪除程式碼」或填寫「佔位符」來規避編譯錯誤。此外，傳統的 CodeBLEU 也會給予完全未修改的漏洞程式碼最高分。為了解決此問題，研究團隊提出了 diff_F1 評估法，專注於程式碼修改區域，能有效識別無效修復並作為前置篩選工具。
04NVIDIA DeveloperAI 硬體突破機密運算效能瓶頸：NVIDIA Blackwell 與 TensorRT-LLM 的隱私推理優化
隨著企業在大語言模型（LLM）推理中處理更多敏感資料，結合記憶體加密虛擬機器與機密 GPU 的機密運算（Confidential Computing）成為保障隱私的關鍵。然而，硬體安全防護會改變資料傳輸與多 GPU 通訊機制，帶來效能損耗。NVIDIA 工程團隊在 8 張 B200 GPU 上運行 DeepSeek-R1 模型進行測試，證實透過 TensorRT-LLM 的 CC 適應性優化（如非同步資料讀回與 %globaltimer 計時），能將吞吐量損耗控制在 4% 以內，並將每 token 延遲增幅控制在 5% 以下，實現安全與效能兼顧的生產級推理。
05NVIDIA Developer開源NVIDIA Topograph：實現拓撲感知排程，徹底釋放 AI 工廠 GPU 效能
分散式 AI 任務極度依賴 GPU 間的高頻寬通訊。NVIDIA Topograph 解決了手動維護叢集拓撲資訊的痛點。它能從雲端 API 或地端 InfiniBand、Spectrum-X 等網路自動發現硬體連接關係，並動態產生 Kubernetes 節點標籤或 Slurm 拓撲設定檔。搭配 KAI Scheduler 或 Slinky，排程器能將緊密耦合的工作負載精準放置於實體距離最近（如同機架、同 NVLink 網域）的 GPU 節點中，避免網路擁塞並極大化運算效率。
06NVIDIA Developer機器人使用 AI Agent 與 NVIDIA Isaac ROS 加速 ROS 2 節點：實現 GPU 零複製傳輸
在機器人開發中，即使 GPU 運算速度極快，節點間傳遞訊息時常因 CPU 記憶體複製或序列化而產生效能瓶頸。NVIDIA 於 ROS 2 Lyrical 貢獻了 CUDA 緩衝區後端，允許同機節點直接在 GPU 記憶體間傳遞資料。為了簡化轉移過程，Isaac ROS 5.0 導入 AI 程式代理技能，可自動分析、規劃並重構現有的 CUDA 加速節點（如 Depth Anything v3），以最小的修改實現 GPU 零複製傳輸，並完美保留 CPU 備用路徑。
- 07arXivAI 研究
DISCO：結合擴散引導空間注意力的重疊社群偵測深度學習框架
傳統圖神經網路（GNN）多依賴局部訊息傳遞，容易導致社群邊界模糊並限制長距離結構依賴的建構。為此，研究團隊開發了 DISCO 框架。DISCO 結合了基於影響力傳播動態的結構先驗、稀疏多頭注意力機制，以及非負社群歸屬學習。藉由「伯努利-卜瓦松」邊重建目標函數，它能從節點屬性、結構特徵或兩者結合中推導出重疊社群，並在網路安全異常偵測中，透過比對連續網路快照成功定位異常裝置。