放射科報告草擬改用「擴散式」語言模型：雙向塗改比逐字生成更合醫師工作流

擴散語言模型的生成方式跟主流的自迴歸模型完全不同：後者從左到右逐字吐出，前者則像在一張 token 畫布上雙向去噪，整段文字同時成形、可以就地塗改。HuggingFace 熱門論文指出，這條路線在通用領域已經追上自迴歸生成的競爭力，但醫療基礎模型至今幾乎全數停留在自迴歸架構，於是他們把一個混合專家的離散擴散模型改造到放射科場景。

選放射科報告當戰場很有道理：報告撰寫天然是互動式、反覆修訂的流程，醫師常常先有幾個確定的發現，再回頭補充措辭、修改結論。自迴歸模型改一處就得從那裡往後全部重生，擴散模型的畫布式生成則可以固定醫師已確認的片段、只重寫需要調整的區塊，跟臨床工作流的貼合度高出一截。

放射科是醫療 AI 滲透最深的科別，報告生成工具的競爭已經從「寫得出來」進入「改得順手」的階段。架構層的這一步棋提醒大家：自迴歸不是語言生成的唯一解，在需要局部編輯、結構約束的專業文件場景，擴散式生成的工程優勢正在浮現，法律與金融文件大概是下一批試驗田。