中国科学院携手全球顶尖机构发布首个十亿参数级的手术视频基础模型SurgMotion！
文章摘要
【关 键 词】 手术视频、基础模型、时空预测、十亿参数、智慧医疗
中国科学院香港创新研究院人工智能与机器人创新中心联合全球多家顶尖机构，正式发布了全球首个十亿级参数的手术视频原生基础模型SurgMotion。该模型依托于迄今为止全球规模最大的千万帧级手术视频数据集，实现了对器械与组织交互及复杂时空运动语义的深度建模。这一成果标志着手术人工智能正从单帧感知迈向全流程视频理解的全新时代。
在技术架构方面，SurgMotion实现了从像素重建到时空运动预测的范式颠覆。模型基于视频联合嵌入预测架构，摒弃了传统的像素级解码，转而专注于潜空间中的运动预测，并引入了运动引导的潜空间遮蔽预测、时空亲和力自蒸馏以及时空特征多样性正则化三大核心技术创新。这些创新有效过滤了视觉噪声，强化了时空关联性，并解决了表征崩溃问题，从而提升了模型在极端场景下的鲁棒性。
数据与参数规模是该模型的另一大突破。研究团队打造了包含3658小时真实手术视频、总帧数高达1500万帧的预训练数据集，横跨多个解剖区域与复杂术式。在十亿级参数的支持下，模型成功整合了视频特征空间，将手术视频核心动态与时空信息进行深度学习，显著超越了以往对器械组织交互及操作节奏的捕捉能力。
在系统性评测中，SurgMotion在涵盖手术工作流识别、动作理解、深度估计等十七项核心手术任务中展现出卓越性能。评测数据显示，手术视频动态理解性能平均提升达16.5%，手术中静态任务平均误差降低2.9%，全方位确立了通用手术视频理解的技术标杆。
此外，该模型在开源生态与产业落地方面取得了广泛反响。通过在代码托管平台和模型社区全面开放权重与评估框架，SurgMotion已吸引全球数十个顶尖机构申请使用。其应用场景已快速延伸至医疗科技企业的技术评估、高校的前沿研究以及临床医院的手术教学与质量复盘，展现了强大的通用能力与真实世界价值。
原文和模型
【原文链接】 阅读原文 [ 2110字 | 9分钟 ]
【原文作者】 机器之心
【摘要模型】 qwen3.7-max-2026-05-20
【摘要评分】 ★★★★★
相关文章
