ClinFusion

ClinFusion är en multimodal språkmodell byggd för medicin, där bildförståelsen står i centrum. Den kan läsa 2D-bilder som röntgen och mikroskopibilder och även hela 3D-volymer från datortomografi (i formatet NIfTI), svara på frågor om bilderna, skriva utlåtanden, följa detaljerade instruktioner och lösa rent textbaserade medicinska uppgifter. Den kan också kopplas ihop med verktyg och sökning för mer agentiska kliniska arbetsflöden.

Modellen finns i två storlekar, ClinFusion-8B och ClinFusion-32B, som bygger på Qwen3-VL-8B-Instruct respektive Qwen3-VL-32B-Instruct. Nytt är en sammansatt bildkodare där DINOv2 och en ConvNeXt-baserad CLIP-modell kombineras med en teknik som forskarna kallar Cascade Spatial-Aware Locality Fusion, så att samma kodare klarar både 2D och 3D.

Teamet har också byggt ett eget utvärderingsramverk: MedIF-Bench för instruktionsföljning och en metod som bedömer utlåtanden utifrån de bildområden de handlar om. Enligt DAMO Academy slår ClinFusion andra öppna medicinska modeller som Hulu-Med och Lingshu på 20 av 24 tester och är bättre än GPT-5.2 och Gemini-3-Flash på 13 av 16 multimodala tester. I en blindad jämförelse rankade specialistläkare i radiologi ClinFusions utlåtanden högst.

Kod, vikter och en webbdemo av 8B-modellen släpptes den 28 juli 2026 under Apache 2.0-licens, och hela utvärderingsdatan (211 000 poster från 22 medicinska tester) kom den 16 augusti. Modellen är ett forskningsverktyg och inte godkänd för klinisk användning.