醫療多模態推理的失誤會連鎖，Step-Aware 強化學習想在半路接住

多模態大型語言模型在臨床影像推理上展現潛力，但 HuggingFace 熱門論文指出現行後訓練管線的結構性缺陷：多數方法以結果為中心，靠最終答案的對錯或整段序列的偏好來訓練，回饋訊號稀疏，模型推理鏈中間哪一步走歪了根本無從定位，一步看錯往往一路錯到底，形成失誤的連鎖放大。

論文的處方是步驟感知的強化學習：把信用分配細化到推理的每一步，讓模型在中間環節就收到訊號，及時修正而非等到最終答案揭曉才被整段懲罰。醫療場景特別需要這種細粒度——判讀一張影像的流程包含定位病灶、描述特徵、鑑別診斷等多個環節，臨床上要的是每一步都站得住，而非碰運氣的最終正解。

從工程視角看，這是把「過程監督」的思路推進醫療多模態領域，與近年數學推理領域用過程獎勵模型的路線一脈相承。醫療 AI 的落地卡點從來都在可信度與可稽核性，一個能指出「錯在第幾步」的訓練框架，同時也是一個能向醫師解釋推理過程的框架，監管溝通的價值可能比跑分更大。