ReXInTheWild (rex-in-the-wild) — AI-Ready Wikipedia

INFOBOX — ReXInTheWild 一屏速览

维度	内容
本质	医学照片（普通相机拍摄）理解统一评测基准——不是胸片、不是报告语料、不是训练集
团队	Harvard Medical School 生物医学信息系（rajpurkarlab），一作/通讯 Oishi Banerjee，PI Pranav Rajpurkar；12 作者 7 机构
论文	arXiv:2603.19517 [cs.CV]，v1 提交于 2026-03-19（11 页 4 图），DOI 10.48550/arXiv.2603.19517
数据	955 道多选题 × 484 张照片，全部选自 PMC 开放获取文献（381 篇）；qa.csv（约 0.54 MB）+ 图像包（约 53 MB）
主题	七临床主题：躯干四肢 372 / 头颈 246 / 眼 148 / 口颌 116 / 皮肤毛发 37 / 外科操作 26 / 其他 10
管线	BIOMEDICA 采样 32,982 → GPT-5 两步过滤 → 543 图 → 每图 5 候选题 → 精选 1,086 → 两阶段医生审核 → 955 题
主榜	Gemini-3 78% / Claude Opus 4.5 72% / GPT-5 68% / MedGemma-4B 37%（医疗专用反而垫底）
错误学	四类错误分类法：几何 0.30 / 定位 0.33 / 特征 0.38 / 因果 0.15；99% 错误可归类
Split	仅 eval 一个评测 split——零样本评测用，不可训练
获取	HuggingFace 公开直链（gated=false），rajpurkarlab/ReXInTheWild
许可	数据集 CC BY-NC-ND 3.0（底层 PMC 非商用图像混合许可取最严）；论文文本 CC BY-NC-ND 4.0
库内互链	rexgradient-160k(717，同实验室 ReX 家族)、vqa-rad(240)、slake(250)、pathvqa(260)、pmc-vqa(270) 等

ReXInTheWild 是一个把"AI 看病"的考场从影像科搬到日常生活里的评测基准：它不用 X 光机、病理切片或眼底相机拍出来的标准影像，而是收集 484 张普通相机拍摄的、出现在已发表医学文献里的"野外"照片——伤口、斜视、肿胀的关节、术后疤痕——再配上 955 道由临床医生逐题审核的多选题，去问多模态大语言模型：你真的看懂了吗？基准最刺眼的发现是：通用旗舰模型得分 68%-78%，而专为医疗训练的 MedGemma 只有 37%。名字里的 ReX 是 rajpurkarlab 实验室的家族前缀（同族还有 ReXGradient-160K 与 ReXrank），但这个数据集与胸片报告毫无关系——论文在图像筛选阶段明确把 X 光片剔除出局。

导语读法三则：

1. 只想下数据跑评测：直奔 §6 获取与许可——单 eval split、CSV+JPG 双文件、CC BY-NC-ND 3.0 禁商用，加载代码可直接复制。
2. 关心模型评测结论：直奔 §4 主榜与分类别分析、§5 四类错误分类法——医疗专用模型为何垫底的讨论在 §4 末段。
3. 做医学 VQA 选型对比：直奔 §7 生态与互链——它与 VQA-RAD/SLAKE/PMC-VQA 的边界，以及与同实验室 rexgradient-160k(717) 的分工。

§0 导读：这个数据集解决什么问题

医学视觉语言模型（Vision-Language Model, VLM）的评测考场几乎全部设在"受控环境"里：X 光、CT、病理切片、眼底照片——由专业设备采集、标准体位拍摄、经临床流程归档。但真实世界里，医疗视觉信息的第一现场往往是一部普通手机：患者把皮疹拍照发进在线问诊平台，家属把术后伤口照片贴上健康论坛，全科医生用手机记录腕关节活动度随访问诊。论文引言给出一组场景综述：远程医疗、在线健康社区、床旁伤口随访、消费级设备皮肤病与眼科筛查——普通照片早已深度参与医疗信息流通，却没有一个统一基准回答"模型能不能看懂这些照片"。

这个空白不是没人做过题，而是没人在正确的粒度上做过题。现有医学 VQA 基准（VQA-RAD、PathVQA、SLAKE）聚焦放射与病理的专科影像；综合性基准（MMMU、PMC-VQA）把少量照片混进海量其他临床图像里，无法单独考察照片这一类；皮肤科有 DermaVQA、MM-Skin 等专属数据集，其他专科的照片资源则碎片化在步态分析、龋齿检测等窄任务里。结果是"照片理解"成了一道所有模型都被考过、但从未被单独划出考场的题。

ReXInTheWild 的回答分三层。第一层是数据：484 张源自 381 篇 PMC 开放获取文献的医学照片，覆盖七个临床主题，每张配 1-2 道多选题，全部经两阶段临床医生审核。第二层是方法：一套"GPT-5 生成候选 + 自动对抗性编辑 + 专家分诊重写"的基准构建流水线，从 32,982 张候选图像压到 955 道合格题，每一道都有文献溯源（pmc_url 字段直达原文）。第三层是批判：评测揭示医疗专用模型 MedGemma 反而大幅落后于通用旗舰，且错误呈四级结构——从最基础的左右不分，到最高层的因果误判——暗示"医学照片理解"需要的不是更多医学图文对，而是自然图像与医学知识的融合。

§0 读法三则：

1. 这个条目的数据集类型是"评测基准"而非"训练语料"：仅 eval 单 split、无训练集，AI-Ready 的意义在于"拿起来就能测"，而不在"拿起来就能练"（§2、§6）。
2. 全文硬数字均经本代理对 qa.csv 逐行实核（2026-09-30）：955 题、484 图、七主题分布与论文百分比逐项吻合；正文与论文表的口径冲突仅在错误多类占比一处（17% vs 0.16），已在坑 4 存照。
3. 检索时若把 ReXInTheWild 当作胸片报告数据集去搜会一无所获——名字里的 ReX 只是实验室品牌前缀，与 ReXGradient-160K 的关系是"同家族不同物种"（坑 1、坑 2）。

0.1 在库内评测型条目坐标系中的位置

把本条目放进库内"评测/问答型"条目的坐标系，能更快锚定它的差异化身份：

库内条目（rid）	考场	图像形态	与本条目的关系
vqa-med(280)	医学 VQA 任务系谱（2019 任务集）	专科影像为主	系谱参照，任务定义早于"照片"意识
vqa-rad(240) / slake(250) / pathvqa(260)	放射/病理专科影像 VQA	X 光、CT、病理切片	本条目刻意绕开的"受控影像"考场
pmc-vqa(270) / omnimedvqa(290)	混合多域医学 VQA	混合（含少量照片）	本条目的差异化靶点：照片无法被单独考察的问题
pmc-oa(320) / pmc-oa-subset(360)	PMC 图文生态	原生图文档案	本条目图像的终极上游生态
rexgradient-160k(717)	胸片报告生成	胸片 + 报告文本	同实验室"另一翼"（§9.2）

这张表的读法：库内已有条目覆盖了"专科影像考试"与"混合多科考试"，唯独"普通照片单科考试"是空白——ReXInTheWild 恰好补在这个空位上。它不替代任何现有条目，而是让"模型看懂患者拍的照片吗"这个问题第一次有了库内可引用的量化答案。

§1 数据集速览：十二问十二答

Q1：ReXInTheWild 到底是什么类型的数据集？
评测基准（benchmark）：955 道单图多选题，用于零样本评测多模态大语言模型对医学照片的理解能力。它不是训练语料——官方只发布 eval 一个 split，没有 train/validation 划分，图像也只有 484 张。

Q2：“in the wild”（野外）指什么？
指照片拍摄于非受控环境：普通相机而非专业影像设备，非标准体位与构图，光照角度随意。不过需要澄清：这些照片全部选自已发表的 PMC 文献（患者知情同意的发表物），并非从社交网络爬取的未授权照片——"wild"形容的是拍摄场景与图像质量，不是获取渠道。

Q3：955 道题长什么样？
每道题一行 CSV 记录：一张图 + 一段问题 + 3-5 个选项（choice_a 到 choice_e，缺省留空）+ 唯一正确答案 + 七类主题标签 + 来源文献三件套（pmc_url/title/authors）。问题既有"图中 ruler 量的是什么距离"这类细粒度测量题，也有"这种术后表现提示什么"这类临床推理题。

Q4：七个临床主题分别是什么、各占多少？
Trunk & Extremities（躯干与四肢）372 题、Head & Neck（头颈）246、Eyes（眼）148、Mouth & Jaws（口颌）116、Skin & Hair（皮肤与毛发）37、Surgical & Procedural（外科与操作）26、Other 10。注意皮肤科被主动压缩——团队指示生成阶段跳过以皮肤科为主的图像，把那片领域让给 DermaVQA/MM-Skin 等专属基准。

Q5：题目是谁出的、谁审的？
GPT-5 出初稿：每张图生成 5 道候选题，再经两轮自动编辑（删提示性短语、精炼干扰项）。然后按清晰度/医学相关性/医学难度/视觉难度四维评分，每图精选 2 题，共 1,086 道进人工审核。审核两阶段：第一阶段住院医或医师逐题分诊（保留/重写/删除），第二阶段由 6 年以上经验的资深临床医生终审。最终 645 题原样保留、310 题重写、131 题删除，剩 955 题。

Q6：图像从哪来的、怎么筛的？
上游是 BIOMEDICA（CVPR 2025 发布的 PMC 开放获取全量图文档案，2400 万图文对）。团队从其"非商用许可 + Natural Images 聚类"切片随机采样 32,982 张，用 GPT-5 做两步过滤：先按图注剔除非人物/身体部位的图（风景、X 光片等），再看图像本身保留"普通非临床场景中的人物或身体部位"。合格率不足 5%，最终进入出题环节的图像 543 张。

Q7：模型成绩如何？
Gemini-3 78%（95% CI 0.75-0.81）、Claude Opus 4.5 72%（0.69-0.75）、GPT-5 68%（0.65-0.71）、MedGemma-4B-IT 37%（0.34-0.40）。最大的新闻是医疗专用模型 MedGemma 垫底——比最好的通用模型低 41 个百分点。

Q8：为什么医疗模型反而考砸了？
论文给出两层解释：规模与推理算力差距（4B 参数、无思维链 vs 旗舰级推理模型），以及更根本的假设——医学照片理解可能主要依赖对自然图像分布的广泛暴露，而非仅仅堆医学图文语料。MedGemma 在受控医学影像上训练，遇到光照随意、构图突兀的"野外"照片就遭遇域偏移（domain shift）。

Q9：错误都错在哪？
论文把 3 个顶级模型的 150 个抽样错误归成四类：测量/几何错误（左右不分、屈伸混淆）、定位错误（从耳廓解剖定位错到"没看见脚在地上"）、特征描述错误（颜色形状质地判断失败）、因果错误（逻辑链断裂）。前三类各占三成以上，因果类占 15% 且多数与低层错误共现——高层错误往往"建立在"低层错误之上。

Q10：为什么它对 AI-Ready 重要？
它是"轻量可复现评测"的样板：两个文件（CSV+图像包）不到 54 MB，直链公开无门槛，字段结构自解释，每道题带文献溯源可审计——一个团队半天就能跑完一次完整评测。它的局限也很典型：单 split、无排行榜、无官方评测代码仓库，AI-Ready 光谱上属于"数据就绪、工具链欠奉"的一端。

Q11：题目出错怎么办——数据里有错误答案吗？
不排除个别瑕疵（131 题被删、310 题被重写说明构建方对质量相当较真），但每题都带 pmc_url——发现可疑题目时回查原文是最快的仲裁路径。这也正是溯源字段的设计意图：与其宣称"零错误"，不如把验证成本降到一次点击。

Q12：它和"数据集"这个词的标准定义相符吗？
符合广义定义（结构化数据集合），但要按"评测基准"的子类理解：它没有按样本组织的人群/病例结构，而是按题目组织——每行是一条"考题记录"而非一条"病例记录"。做队列式分析（按患者聚合、按疾病分组）在这个数据上没有抓手，做 psychometric 式分析（题目难度、区分度）反而有完整素材。

§2 数据构成与规格

2.1 总体规模与文件形态

ReXInTheWild 的全部家当是 HuggingFace 仓库里的两个数据文件：

文件	规格	内容
data/qa.csv	542,925 字节（约 0.54 MB）	955 行数据 × 12 列，UTF-8 编码
data/images/	484 个 JPG，共 52,947,394 字节（约 50.5 MiB）	与 qa.csv 的 file_name 一一对应的原始照片
README.md	1,857 字节	数据集卡（HF frontmatter + 结构说明 + 许可声明）

图像文件名自带溯源信息：PMC3115275_SNI-2-72-g006.jpg 这样的命名直接嵌入 PMC 文章编号（PMC3115275）、期刊卷期码与图序号，肉眼即可对回原文。HuggingFace 元数据将规模档位标记为 n<1K、模态标记为 image+text、格式标记为 csv，config 名为 default、split 名为 eval——整份数据在 HF 的 datasets 库里一个 load_dataset("rajpurkarlab/ReXInTheWild") 即可加载。

2.2 qa.csv 的 12 个字段

字段	类型	说明
file_name	string	图像相对路径（images/PMC*.jpg）
question	string	问题文本，含情境描述与提问
choice_a – choice_e	string × 5	选项槽位；每题实际 3-5 个选项，未用槽位留空
answer	string	正确答案的选项原文（不是字母编号）
tag	string	七临床主题分类标签
pmc_url	string	来源文献的 PMC 页面链接
title	string	来源文献标题
authors	string	来源文献作者列表（缩写格式）

三处使用细节值得注意：

1. answer 是文本不是字母。955 题实测全部满足 answer ∈ {choice_a…choice_e 中非空项}，但评测脚本必须按文本匹配而非固定槽位匹配——同一数据集内正确答案落在 a/b/c/d/e 各槽的频次并不均衡。
2. 选项数不统一。实测分布：3 选项 4 题、4 选项 440 题、5 选项 511 题。解析时遍历五个槽位、以空串判空即可，不要假设固定四选一。
3. CSV 内含引号换行。部分 title/authors 字段带逗号与换行，wc -l 会数出 960 行；用 csv 解析器按 RFC 4180 读取才是准确的 955 行（坑 3）。

2.3 七临床主题的分布与含义

qa.csv 的 tag 字段实测分布（绝对数），与论文报告的百分比逐项吻合：

tag	题数	实测占比	论文口径	典型考察点（qa.csv 例）
Trunk & Extremities（躯干与四肢）	372	38.9%	39%	关节屈伸角度、步态与体位、脊柱侧弯外观、肌腱术后康复动作
Head & Neck（头颈）	246	25.8%	26%	耳廓解剖定位、头面部术后表现、颈部肿块、颅骨修补术后
Eyes（眼）	148	15.5%	15%	睑裂宽度、上睑下垂分型、瞳距测量、眼睑松弛症体征
Mouth & Jaws（口颌）	116	12.1%	12%	张口度测量、咬合关系、牙科修复体识别、颞下颌关节检查
Skin & Hair（皮肤与毛发）	37	3.9%	4%	非皮肤科主导的皮肤表现（皮肤科主体被主动排除）
Surgical & Procedural（外科与操作）	26	2.7%	3%	术式辨认、切口设计原则、引流与缝合材料识别
Other（其他）	10	1.0%	1%	无法归入上述六类的散点（含远程就诊摄影质量类题目）

分布本身是一份"设计意图说明书"：四肢与头颈合计近 65%，因为这两大片区域最适合用普通照片呈现（关节活动、体态、面部体征），且文献供给充足；皮肤科主动压缩到 4%——论文明确指示生成阶段跳过皮肤主导图像，理由是"那些最好由现有数据集覆盖"（DermaVQA、MM-Skin）。使用者若想拿 ReXInTheWild 测皮肤科理解，样本量不支持这种结论。

2.4 例题画廊：七个主题各看一道真题

以下七道例题全部从 qa.csv 原文摘录（2026-09-30 实抓），每主题一道，可直观感受题目颗粒度：

主题	问题（原文节译）	正确答案	考察点
Eyes	“图中演示的是哪种评估眼睑松弛度的操作？”	“用尺测量上睑的垂直上睑牵拉（松弛度）试验”	五个选项全部是真实存在的眼科检查操作（下睑回弹试验/提上睑肌功能/外眦牵拉试验/MRD1 测量），干扰项专业度极高
Trunk & Extremities	“在子图 B 中，哪条腿承重更多？”	“右腿（支撑腿）”	多格拼版图内的空间指代 + 体重分布判断——典型的"几何+定位"复合考题
Surgical & Procedural	“这道疤痕最符合哪种手术入路？”	“股骨干骨折固定的外侧入路”	五选项为五个真实骨科入路（髌骨旁外侧/大转子入路/Hardinge 入路等），需凭疤痕位置形态反推术式
Mouth & Jaws	“图中操作最可能的目的？”	“唇纹形态的法医识别记录（cheiloscopy）”	干扰项含敷料/斑贴试验/胶带撕脱取样等近似操作，考非常识性专业知识
Head & Neck	“图中哪些耳廓亚结构畸形或缺如？”	“对耳轮和舟状窝”	耳廓解剖的五对精细亚结构辨析——论文定位错误类型的代表性地形
Skin & Hair	“哪项描述最符合该皮损的形态？”	“下垂状、分叶状软组织肿块伴冗余皮肤及低位溃疡”	形态学描述词的精确匹配（悬垂/分叶/冗余/溃疡四要素）
Other	“视频问诊中，哪条即时指令最能改善画面？”	“调整握持让手指不要挡住镜头”	唯一的"非医学知识"题——考远程就诊场景的实用摄影指导

画廊透露的两个信息：其一，干扰项不是胡编的错项，而是真实的邻近临床操作与描述——这是"对抗性精炼"环节的产出，也解释了为什么通用大模型会栽；其二，题目谱系从"专业解剖辨析"一路铺到"手指别挡镜头"，横跨专业与生活两个语义层——这正是"野外"二字的实际含义。

2.5 图像的"文献出身"及其双重含义

484 张照片全部来自 381 篇 PMC 开放获取文献，这是理解这份数据的钥匙，也是它最容易被误读的地方。

积极面：授权干净——所有图像天然落在 PMC Open Access 非商用子集内，个别图像的原始许可为 CC-BY-NC、CC-BY-NC-SA 或 CC-BY-NC-ND，团队取其中最严格的 CC-BY-NC-ND 作为整体口径发布（§6）；可审计——每张图带 pmc_url，任何一道题的医学事实都能回溯到同行评议原文，审核阶段的医生正是这么做的（“cross-referenced the original PubMed articles”）。

受限面：论文 Limitations 自述三点分布偏差——①文献图像可能带标注箭头、多格拼版（panel）或部分涂黑，与"患者自拍"的真实形态有差距；②文献选题偏长尾疾病与重症表现，常见病、轻度表现的覆盖可能不足；③照片是从第三方视角"转述"的临床影像，而真实患者生成照片（patient-generated photos）更多呈现常见主诉与轻度表现。换言之，ReXInTheWild 测的是"模型对文献级医学照片的理解"，把它直接外推为"远程医疗场景下的真实患者照片理解"时要打一个折扣。

2.6 与上游 BIOMEDICA 的数据血缘

ReXInTheWild 的图像不是从 PMC 原站逐篇抓取的，而是从 BIOMEDICA（Lozano、Min Woo Sun、Burgess 等，CVPR 2025，arXiv:2501.07171）二次选取。BIOMEDICA 把 PMC Open Access 子集整体序列化为约 2,400 万图文对、600 万余篇文章、27 TB 的 WebDataset 流式档案，并按 DINOv2 特征聚类做了主题分组（其中就有"Natural Images"组）与许可标注。

ReXInTheWild 的取样口径是 BIOMEDICA 中**“非商用许可 + Natural Images 标签”**的图像：随机采样 32,982 张 → GPT-5 两步过滤 → 不足 5% 合格。这条血缘关系有三层含义：①许可链继承 BIOMEDICA 的非商用切片口径，最终由 ReXInTheWild 以最严 CC-BY-NC-ND 统一；②"Natural Images 聚类"是个噪声聚类（论文原话 noisily clusters），所以需要 GPT-5 二次过滤——32,982 张里大量是图表、X 光片等混入物；③任何对图像来源的深度审计都要同时对照 BIOMEDICA 与 PMC 两级元数据。

2.7 与专科影像 VQA 的形态对照

把 ReXInTheWild 放进医学 VQA 的坐标系，形态差异一目了然：

维度	ReXInTheWild	VQA-RAD	PathVQA	SLAKE
图像类型	普通相机照片（文献图）	放射影像	病理图	放射+解剖标注图
图像量	484	315	4,977（图对）	742
题目量	955（单选）	3,515	32,799	6,420
题型	多选 3-5 项	开放+封闭	开放+封闭	开放+封闭
专科跨度	七大临床主题跨科	放射科	病理科	放射科为主
图像来源	PMC 文献	公开放射数据集	病理教科书	公开放射数据集
规模定位	轻量评测基准	中型基准	大型训练+评测	中型基准

对照的启示：ReXInTheWild 用最小体量换最大专科跨度——它不追求"大数据"，追求的是"第一个把照片单拎出来考"的建制化。对选型者的含义：训练医学 VQA 用 PathVQA/SLAKE 这类大供给，评测"野外照片"泛化用本条目，两者是互补而非竞争关系。

2.8 数据质量实测报告（本代理逐项校验，2026-09-30）

除论文口径外，本代理对 qa.csv 与 images 目录做了独立质量校验，结果如下：

校验项	方法	结果	判定
记录数	Python csv.DictReader	955 行（wc -l 物理 960 行系引号换行）	与论文一致
图像-表格关联	file_name 对 images 目录清单差集	484/484 双向命中，无孤儿记录/死链	优
答案完备性	answer ∈ options® 逐行断言	955/955 通过	优
选项数枚举	非空 choice 槽计数	3/4/5 选项 = 4/440/511 题	与论文口径一致
主题枚举	tag 值域检查	恰好 7 个枚举值，无脏值	优
溯源完整性	pmc_url 非空 + 格式匹配	955/955 非空且均为 pmc.ncbi.nlm.nih.gov 域	优
溯源一致性	pmc_url 数 vs title 数	381 URL / 377 标题（4 处标点级变体）	良（不影响主口径）
文件完整性	API 字节数 vs 目录清单	52,947,394 字节 / 484 文件逐项对齐	优
隐私字段	姓名/ID/联系方式列扫描	无（authors 仅为文献署名）	优

这份报告可以当作"下游使用前的验收基线"：任何人在本数据上搭建评测流之前，跑一遍同款断言（附录 A 提供代码）即可确认拿到的副本与官方发布一致。对一份发布半年、无第三方复现报告的数据集，这种"可复制验收"是低成本的自保手段。

§3 构建管线：从 32,982 张到 955 道

3.1 管线全景

论文 Figure 2 把构建过程分为三个 Stage，本节按时间顺序展开为六个步骤，每步的关键数字均出自论文正文：

BIOMEDICA 非商用 Natural Images 切片
        │ 随机采样 32,982 张
        ▼
[步骤1] GPT-5 两步图像过滤（caption 级 + 图像级）
        │ 合格率 <5%
        ▼
[步骤2] GPT-5 逐图生成 5 道候选题（3-5 选项）
        │ 跳过无医学内容/皮肤主导图像 → 543 图留存
        ▼
[步骤3] 两轮自动编辑（删提示性短语 + 精炼干扰项）
        ▼
[步骤4] GPT-5 四维评分，每图精选 2 题 → 1,086 题
        ▼
[步骤5] Stage 1 临床医生逐题分诊（保留/重写/删除）
        ▼
[步骤6] Stage 2 资深医生终审 → 645 保留 + 310 重写 − 131 删除
        ▼
    955 题 × 484 图（正式版）

3.2 步骤 1：两步图像过滤

第一步按图注（caption）过滤：剔除图注描述对象不是人或身体部位的图像——风景、显微镜下的非组织图像、X 光片等专科影像都在此列。这一步同时完成了两件事：筛掉噪声聚类混入物，以及把"照片"与"医学影像"切开——后者是 ReXInTheWild 与整个 ReX 家族其他数据集划清边界的动作。

第二步按图像本身过滤：GPT-5 直接看图，保留"普通非临床场景中可见的人或身体部位"。两步之后合格率不足 5%——论文以此说明"Natural Images 聚类"里真正可用的野外医学照片多么稀少，也侧面论证了为什么此前没人建成这个基准：原始供给看起来很大（2400 万图文对），可用的部分近乎沙里淘金。

3.3 步骤 2：候选题生成与域避让

对每张有效照片，GPT-5 被要求生成 5 道候选题，每题 3-5 个选项，且题目应在视觉与医学两个维度都有挑战性——既不能看图注就能答，也不能靠常识蒙对。同时给定一条域避让指令：跳过缺乏医学内容的图像，以及以皮肤科为主题的图像（理由：皮肤科已有专属基准覆盖）。

本步结束时留存 543 张图。注意 543 是"出题环节留存数"而非步骤 1 的过滤输出数——后者论文正文未披露具体张数（坑 6）。543 张图 × 每图 5 题 = 2,715 道候选题的理论上限。

3.4 步骤 3：两轮自动编辑

第一轮删除泄露答案的提示性短语。论文给了具体示例：原始问题"Based on the location and length of the linear incision on the mid-thigh, which procedure is this scar most consistent with?“（基于大腿中段线性切口的位置与长度，这道疤最符合哪种术式？）被改写为"Which procedure is this scar most consistent with?”（这道疤最符合哪种术式？）——前半句的定位描述实际上把答案递到了嘴边。

第二轮精炼干扰项（distractor）：提示模型使用更具迷惑性的错误选项策略，例如当图像含细微异常时提供"the image is normal"（图像正常）作为干扰项。这一步对抗的是"排除法秒杀"——若三个选项明显荒谬，第五个再难的知识点也会被蒙对。

3.5 步骤 4：四维评分精选

2,715 道候选不能全进人工审核（成本不可行），团队用 GPT-5 给每道题在四个维度打 1-5 分：清晰度（clarity）、医学相关性（medical relevance）、医学难度（medical difficulty）、视觉难度（visual difficulty），四维求和后每图取前 2 题。这一步把候选池压到 1,086 题（543 图 × 2 题）。

"每图最多 2 题"的设计还有一条隐性约束：同图两题必须考察不同知识点（审核规则允许医生提出全新题目替换，但要求与同图另一题保持区分度）。

3.6 步骤 5-6：两阶段人工审核

Stage 1：住院医师或医师逐题审核，按三分法定处置——

分诊集	含义	终局
Q_acc	题目-答案对可直接接受	保留
Q_rew	需重写以保证清晰度与临床相关性	医生可提出全新题目替换，仅要求与同图另一题区分
Q_del	直接删除	通常因图像不适合或无法支撑两道独立临床题

Stage 2：由一名 6 年以上经验的资深临床医生对每道题及其 Stage 1 分类做终审裁决。两阶段的审核者都被要求以清晰度与临床相关性为先，保证难度梯度，并交叉回查原始 PubMed 文献与医学文献验证有挑战性的题目。

终审结果：645 Q_acc + 310 Q_rew + 131 Q_del = 1,086。Q_rew 的 310 题经重写后保留，故最终 955 = 645 + 310，对应 484 张图（471 图各 2 题 + 13 图 1 题）。131 题连同其图像（543 − 484 = 59 张图被整体弃用或部分弃用）出局。

一个诚实的观察：审核淘汰率约 12%（131/1086），重写率约 29%（310/1086）——接近四成的题目经医生之手改动。这套"GPT-5 生成 + 专家两段审核"的分工产生的不是"AI 出题、人类盖章"，而是"AI 起草、人类重写"——这也是全文把数据定性为 clinician-verified（医生核验）而非 clinician-annotated（医生原创）的原因。

3.7 与同类基准构建管线的成本结构对比

环节	ReXInTheWild	传统专家手写 VQA	纯模型合成 VQA
候选生成	GPT-5（每图 5 题）	专家逐题撰写	模型批量生成
难度控制	自动对抗编辑 + 四维评分	依赖专家经验	通常缺失
人工审核	两阶段、可回查文献	即写作即审核	常为抽检或不审
淘汰/重写率	12% / 29%（实测口径）	低（写作即定稿）	高或不披露
单题专家耗时	分钟级（分诊+重写）	十分钟级起	近零
可扩展性	中（受审核瓶颈）	低	高（无质保）

这条管线的可迁移价值在于"把专家时间花在刀刃上"：机器负责起量与初筛，专家负责分诊与终审。PANDA-PLUS 的三层标注流水线（学生标注→复核→专家终审）是同一哲学在像素标注场景的变体——两者都把"专家逐题/逐张亲做"改写为"专家只做裁决"，用流程结构换取规模与质量的平衡点。

3.8 管线的残余偏差清单

流水线每一步都是过滤器，过滤器都有偏。把各步的系统性偏差汇总成清单，供使用者评估结论适用范围：

环节	残余偏差	方向
采样（BIOMEDICA 切片）	只含非商用许可文献 → 开放性更强的期刊/地区被系统性排除	来源偏
caption 过滤	依赖图注质量 → 图注与图不符的样本可能被误筛	噪声
视觉过滤（GPT-5）	"普通非临床场景"的判定边界主观 → 室内临床感照片可能被误留/误剔	定义偏
域避让（皮肤科跳过）	皮肤主题仅 37 题 → 该域结论不可下	覆盖偏
四维评分（GPT-5）	GPT-5 的审美/难度观成为初筛标准 → 可能系统性淘汰"GPT-5 觉得容易但人类觉得难"的题	模型偏
审核（两阶段医生）	审核者科室构成未披露 → 主题间审核质量可能不均	专业偏
溯源（文献原文）	文献本身的重现性危机传染给基准 → 个别题目的医学事实可能随文献撤稿失效	时效风险

这份清单不是对管线的否定——相反，能在论文里凑齐这么多"账目"本身就是质控的体现——而是提醒：基于 955 题的任何跨模型结论，都携带上述偏差的联合效应。

3.9 接入现有评测框架：三种格式转换

主流多模态评测框架各有自己的数据格式，以下给出 qa.csv 到三种常见形态的最小转换逻辑（伪代码级，字段对齐关系按实测 schema 写定）：

转换一：LMMS-Eval / VQA 风格（question + options + answer_key）

record = {
    "question_id": f"{Path(r['file_name']).stem}__{idx}",   # 图内多题需唯一 id
    "image": r["file_name"],                                  # 相对 images/ 的路径
    "question": r["question"],
    "options": options(r),                                    # 非空选项按 a-e 顺序
    "answer_key": options(r).index(r["answer"]),              # 转为槽位索引
    "category": r["tag"],
}

要点：answer_key 由原文反查槽位索引，转换后必须断言 0 <= answer_key < len(options)（坑 9 的转换期变体）。

转换二：OpenAI 风格 messages（多模态 chat 格式）

messages = [{
    "role": "user",
    "content": [
        {"type": "image_url", "image_url": {"url": f"file://{image_path}"}},
        {"type": "text", "text": r["question"] + "\n" + "\n".join(
            f"{'ABCDE'[i]}. {opt}" for i, opt in enumerate(options(r))
        )},
    ],
}]
# 期望输出：正确选项的完整原文；判分时用 startswith/包含匹配 + 原文兜底

要点：字母前缀是提示工程的一部分——论文协议是"选项打乱后作答"，字母标注方式会影响小模型表现，复现时保持与论文一致的呈现顺序并固定打乱种子。

转换三：表格化分析格式（每模型 × 每题一行）

result_row = {
    "file_name": r["file_name"], "tag": r["tag"],
    "question": r["question"], "gold": r["answer"],
    "pred_modelA": ..., "correct_modelA": ...,
    "error_codes_modelA": "E2|E3",    # 按 §5.6 编码手册填写
    "pmc_url": r["pmc_url"],          # 保留溯源，方便错误回查原文
}

要点：保留 pmc_url 列——错误分析阶段回查原文的效率差异巨大，这是本数据集赠给错误学的结构化红利。

§4 评测结果：四个模型的同场竞技

4.1 主榜：旗舰与专科的分野

论文对四个多模态模型做了统一协议评测（全部为单次全量 955 题，95% 置信区间按题目二项分布计算）：

模型	类型	版本标识	准确率	95% CI
Gemini-3	通用旗舰	Gemini-3-Pro-Preview	78%	0.75 – 0.81
Claude Opus 4.5	通用旗舰	claude-opus-4-5-20251101	72%	0.69 – 0.75
GPT-5	通用旗舰	2025-08-07（API 2024-12-01-preview）	68%	0.65 – 0.71
MedGemma-4B-IT	医疗专用	MedGemma-4B-IT（HF Transformers）	37%	0.34 – 0.40

三个可直接读出的结论：

1. 即使最强的通用旗舰也远未饱和：78% 意味着五分之一强的问题仍然答错——对一个"看图识别伤口与体态"的任务，这个错误率在真实远程医疗场景里不可忽视。
2. 医疗专用标签不等于医疗照片能力：MedGemma 比 GPT-5 低 31 个百分点，比 Gemini-3 低 41 个百分点。
3. 模型排名的置信区间互不重叠（Gemini 0.75-0.81 vs Claude 0.69-0.75 临界相切 vs GPT 0.65-0.71 vs MedGemma 0.34-0.40），前三名的位次虽接近但整体梯度可信。

4.2 推理配置的透明度

论文 §2.3 完整披露了各模型的推理参数，这种级别的可复现性细节在评测论文中值得原样保留：

模型	采样参数	关键配置
GPT-5	temperature=1, top_p=1	版本 “2025-08-07”，API “2024-12-01-preview”
Claude Opus 4.5	temperature=1, max_tokens=512	版本 “claude-opus-4-5-20251101”
Gemini-3	temperature=1, top_p=0.95, top_k=64, thinking=True	版本 “Gemini-3-Pro-Preview”
MedGemma	非采样（num_beams=1）	经 HF Transformers 本地推理

统一协议还包括：所有模型被指示按患者视角解释"左/右"（影像学惯例的镜像逻辑，普通照片与读片相反）；答案选项顺序打乱后送入；MedGemma 用束搜索而非采样，消除随机性对 4B 小模型的额外扰动。

4.3 分主题表现：稳定性中的暗礁

模型排名在七个主题内基本保持一致，但各模型都有自己的"最弱科"：

模型	最弱主题	该主题准确率	95% CI
GPT-5	Eyes（眼）	59%	0.51 – 0.67
Claude Opus 4.5	Eyes（眼）	67%	0.60 – 0.75
MedGemma	Head & Neck（头颈）	31%	0.26 – 0.37
Gemini-3	Head & Neck（头颈）	74%	0.69 – 0.79

眼睛与头颈是共同的重灾区——这两个区域的考题高度依赖精细空间测量（睑裂宽度、瞳距、耳廓亚结构定位）与精细解剖区分（螺旋缘 vs 对耳轮褶皱），恰好是下节错误分类法里"几何错误"与"定位错误"的高发地形。GPT-5 与 Claude 的第二弱科同为 Head & Neck（67% / 71%），MedGemma 与 Gemini-3 的第二弱科信息论文未展开，但整体结论一致：越需要毫米级视觉测量的主题，模型越挣扎。

4.4 "医疗模型垫底"的正确解读

MedGemma 37% 是全文最有传播力也最容易被误读的数字（坑 7）。把它读成"医疗专用模型不如通用模型"是过度概括——正确的读法有三层：

1. 规模混杂：MedGemma-4B 与三个旗舰模型不在同一参数/算力档位。论文自己承认"差异可能源于模型规模与推理时算力的不同"（differences in model size and inference-time compute）。
2. 训练分布错配：MedGemma 的医疗语料以受控影像与医学文本为主，而本基准考的是自然图像分布下的临床推理——论文的核心假设恰是"医学照片理解可能主要受益于对自然图像分布的大量暴露，而非仅仅依赖策划的医学图文语料"。
3. 任务形态错配：本基准的考题不是"识别病灶"而是"理解一张普通照片里的医学情境"——后者一半是自然图像理解（构图、光照、几何、身体姿态），一半才是医学知识。MedGemma 的强项区域被任务定义刻意绕开了。

对使用者的操作含义：若要评测"医疗 VLM 在远程医疗照片场景的就绪度"，ReXInTheWild 是合适的探针；若要评测"医疗 VLM 在影像科工作流的表现"，本基准不是正确的考场。

4.5 论文图表索引（复现与引用对照用）

编号	内容	正文对应
Figure 1	医学照片的挑战示意（技术缺陷示例）+ 示例题对	§1 引言；域偏移直观呈现
Figure 2	构建管线三阶段（A 图像筛选 / B 问题生成 / C 自动与专家验证）	§2 Methods；本条目 §3 的骨架
Figure 3	四模型总体与分主题成绩	§3.1；本条目 §4.1/§4.3 数据源
Figure 4	四类错误失败模式示例（含正常生理描述错误）	§3.2；本条目 §5.1 数据源
Table 1	错误类型分模型占比（含 1+/2+ 类列）	§3.2；本条目 §5.2 数据源

§5 错误分类法：四层抽象的失败地图

5.1 四类错误的定义与实例

论文对错误做了系统分类学（taxonomy）建设：从三个顶级模型（Gemini-3、Claude Opus 4.5、GPT-5）各抽取 50 个错误，共 150 个，由一名有经验的临床医生按四类归置（允许多重归类）。四类按抽象层级从低到高：

层级	错误类型	定义	论文实例
L1	Measurement/Geometry Errors（测量/几何错误）	基础几何判断失败	分不清身体左右侧；分不清关节处于屈曲还是伸展位
L2	Localization Errors（定位错误）	空间定位失败，谱系从医学细粒度到自然图像大尺度	细粒度：混淆耳螺旋缘（helical rim）与对耳轮褶皱（antihelical fold）；大尺度：没注意到人的双脚是在地面上的
L3	Characterization Errors（特征描述错误）	对解剖特征的定性描述失败	颜色、形状、质地判断错误——可能源于自然图像理解差，也可能源于医学术语依赖专门描述词
L4	Causality Errors（因果错误）	因果与意图推理失败	说不出某个姿势会牵涉/影响哪些肌肉；不理解操作背后的逻辑

5.2 定量结果：错误的地形图

150 个抽样错误的归类统计（Table 1 原文数字）：

模型	几何	定位	特征	因果	≥1 类	≥2 类
Claude Opus 4.5	0.28	0.24	0.38	0.16	0.98	0.08
Gemini-3	0.34	0.36	0.36	0.18	1.00	0.22
GPT-5	0.28	0.40	0.40	0.10	1.00	0.18
均值	0.30	0.33	0.38	0.15	0.99	0.16

四个可操作的读数：

1. 覆盖率 99%：几乎所有错误都能落进四类框架——分类法有足够概括力，可直接复用为其他医学照片评测的错误编码本。
2. 区分度：仅约六分之一错误跨类：正文口径为"only 17% belonged to multiple categories"，Table 1 均值行为 0.16（分模型 0.08/0.22/0.18 的均值；坑 4 存照两口径差异）——四类大体捕捉的是互不重叠的失败模式。
3. 特征描述（0.38）与定位（0.33）、几何（0.30）三足鼎立：低中层错误合计远超一半，说明顶级模型的瓶颈不在高深医学推理，而在把图看清楚。
4. 因果错误（0.15）最少但共生性强：多数因果错误与其他类型共现——高层错误往往"建造在"低层错误的废墟上（论文原话：high-level errors tend to be “built on” lower-level mistakes）。修复几何与定位能力，可能连带治愈一部分"推理"问题。

5.3 缓解策略的四层映射

论文讨论节把四类错误逐一映射到技术缓解方案，构成一张"错误→药方"的对照表：

错误层	缓解方案	成本量级
几何/定位（L1-L2）	为 MLLM 挂载细粒度关键点检测或目标检测工具	低（现有工具即可）
特征描述（L3）	医学术语检索与相似案例查找工具（lookup/search）	中（需领域知识库）
因果（L4）	推理时计算（思维链）+ 先修复底层错误	中高（推理成本上升）
全局	检索增强生成（RAG）或模块化工具调用框架；不在临床数据或自然图像上单独微调，必须融合	架构级

这张表是全文最具工程落地价值的部分：它把"医疗 VLM 需要改进"的空泛结论翻译成了分层的工具箱清单。

5.4 与既有医学 AI 错误编码传统的衔接

四类分类法不是凭空造轮子，它可放进医学 AI 错误学的既有谱系里理解：

编码传统	抽象轴	与本分类法的关系
放射科报告错误分类（假阳性/假阴性/属性级错误，如 CRIMSON 的八属性体系）	临床内容维度	本分类法管"看图能力"层，报告错误学管"说出来对不对"层，互补
医学影像 VQA 错误分析（感知错误 vs 知识错误）	感知/知识二分	本分类法把"感知"细分为几何/定位/特征三层，粒度更细
通用视觉推理错误学（计数/空间/属性）	视觉技能维度	本分类法的 L1-L2 与之同源，L3-L4 加入医学语义
患者安全事件分层（near-miss → harm）	临床后果维度	本分类法不评后果——同一几何错误在"娱乐姿势问答"与"伤口随访"里后果截然不同

这层衔接的含义：四类分类法填的是"视觉感知失败"的精细刻度空位，与报告生成评估（同实验室 CRIMSON）分别在"看"与"说"两端。两者拼起来，才是医疗 VLM 失败模式的完整地图。

5.5 论文自述局限的四条边界

评测结论的适用范围受限于数据构建方式（§4 Limitations 原文归纳）：

1. 文献图像 ≠ 患者自拍：部分图像带标注、拼版或涂黑，与典型照片有分布差。
2. 长尾偏倚：文献选题偏重罕见病与重症，常见病与轻度表现可能欠采样。
3. 生成器偏置：GPT-5 参与初始出题可能引入偏置——但论文指出 Gemini-3 与 Claude Opus 4.5 均优于 GPT-5，说明"出题者偏好自家答案"的效应未主导结果。
4. 静态图像的能力边界：某些医学评估本就不应只凭照片进行（触诊、动态检查、高级影像），基准中的这类题目对模型是"不公平但真实"的考题——它测的正是"模型知不知道自己不该答"之外的实际表现。

5.6 错误编码操作手册：如何把四类分类法用到自己的模型上

复用这套分类法时，可直接采用以下编码规范（依据论文定义整理，含本代理补充的操作细则）：

编码	名称	判定问题（编码时自问）	边界情形处理
E1	测量/几何	模型是否在左右/屈伸/角度/距离等基础几何判断上出错？	若几何错误又引发了后续描述错误，同时记 E1 与相应高层码
E2	定位	模型是否把发现放错了位置（亚结构级或"在图里找错了地方"级）？	“找不到目标”（漏检）与"放错位置"（错检）都记 E2
E3	特征描述	模型对颜色/形状/质地/大小的定性描述是否与图不符？	描述用词不规范但方向正确，不记 E3（那是术语问题不是视觉问题）
E4	因果	模型是否在因果链/意图/机制推理上出错？	多数 E4 与 E1-E3 共现：全部记录，统计时区分"纯 E4"与"共现 E4"
E0	未归类	以上皆非	论文口径下 E0 仅约 1%；若自评 E0 超过 10%，应先怀疑编码理解偏差而非数据异常

操作建议（论文未给出、由本代理依标注规范惯例补充）：①双人独立编码 + 一致性系数报告（论文单标注者是它的短板，复用者可以做得更好）；②先编码再讨论（防锚定）；③抽样建议按模型 × 主题分层，而非论文的纯随机每模型 50 例——分层能让小主题的错误也进入样本。

§6 获取与许可：一个文件包的门怎么进

6.1 获取路径

唯一官方获取渠道是 HuggingFace（截至核验时点无独立 GitHub 代码仓库，坑 8）：

# 方式一：datasets 库（推荐）
from datasets import load_dataset
ds = load_dataset("rajpurkarlab/ReXInTheWild")   # 单 eval split
row = ds["eval"][0]
row["file_name"]   # 'images/PMC8855428_....jpg'
row["question"]    # 问题文本
row["answer"]      # 正确选项原文（非字母）

# 方式二：直链下载（CSV + 图像包）
# https://huggingface.co/datasets/rajpurkarlab/ReXInTheWild/resolve/main/data/qa.csv
# 图像逐一位于 .../resolve/main/data/images/<file_name>

仓库 gated=false，无需登录、无使用协议门槛；中国大陆网络环境下 HF 主站不可达时，hf-mirror.com 的 API/raw/resolve 端点可完整替代（网页端可能跳转主站，属镜像站行为，坑 8）。整包体积约 53 MB，加载后即可离线评测。

6.2 许可结构：一层声明、三层血缘

层	对象	许可	含义
1	ReXInTheWild 数据集本体	CC BY-NC-ND 3.0	署名-非商用-禁止演绎；HF README frontmatter 与正文声明一致
2	底层图像（经 BIOMEDICA）	PMC-OA 非商用子集，混合 CC-BY-NC / CC-BY-NC-SA / CC-BY-NC-ND	团队取最严格口径整体发布
3	论文文本（arXiv）	CC BY-NC-ND 4.0	论文本体的许可，与数据集许可版本号不同（坑 5）

三层里的关键约束是 **ND（禁止演绎）+ NC（非商用）**的组合：

• ND 对评测的影响有限：跑评测、改 prompt、变换选项顺序属于"使用"而非"演绎作品"——但若要发布"改写版题目"或"图像裁剪增强版"数据集，ND 条款构成直接障碍。
• NC 对商业化产品的影响是刚性的：用本基准评测商业远程医疗产品内部模型属于研究使用边缘，将数据集本身纳入商业产品或付费服务则明确越界。
• 溯源义务可一键履行：qa.csv 自带 pmc_url/title/authors，署名（BY）要求由数据结构天然满足——这是文献溯源设计的意外红利。

使用者还要注意许可版本链：图像的原始许可（个别为 CC-BY-NC-SA）在同一 ShareAlike 条款下可能反向约束衍生品，涉及再分发场景时应对 381 篇来源文献的许可逐一核验，而非只看数据集整体声明。

6.3 三种使用者画像的获取路线

画像	目标	推荐路线	关键提醒
评测工程师	两小时内跑通四模型复现	§6.1 加载 → 附录 A 断言校验 → 附录 C 手册	别跳过 qa.csv 断言（955/484/answer 匹配三件套）
数据集研究者	评估管线可迁移性	§3 全节 → §5.6 编码手册 → §8 启示	注意 §3.8 残余偏差清单，别把"有账目"当成"无偏差"
产品/临床决策者	判断医疗 VLM 能否用于照片场景	§0 → §4.4 → §11	记住三个数字：78/37/53MB——能力上限、专科短板、使用成本

6.4 版本链与维护状态

核验时点（2026-09-30）的状态：HF 仓库单版本（commit aceeb8f，2026-03-18 发布），无历史分叉；论文 arXiv v1 唯一版；无官方排行榜、无官方评测代码库、无 issue 区公告的更新计划。HF 端下载量 45、点赞 0——发布半年，社区生态尚未形成。这既是风险（无第三方复现校验）也是机会（错误分类法、分主题分析都是可复现的论文级开放题）。

§7 生态与影响：一个实验室的产品矩阵

7.1 rajpurkarlab 的 “ReX” 家族

ReXInTheWild 的名字前缀是理解其生态位的第一把钥匙：它是 Harvard Medical School Rajpurkar 实验室（rajpurkarlab）“ReX” 产品矩阵的最新成员。核验时点可确证的家族成员：

成员	形态	数据/对象	与本条目关系
ReXGradient-160K（库内 717）	训练/评测语料	16 万张胸片 + 报告（美国三大影像体系）	同家族不同物种：影像报告 vs 野外照片
ReXrank（rexrank.ai）	在线排行榜	胸片报告生成（ReXGradient 10,000 studies 测试集 + MIMIC-CXR/IU-Xray/CheXpert Plus，8 指标）	排行榜范式，无独立新语料
ReXVal	错误标注基准	胸片报告的临床错误标注（放射科医生参与）	报告质量评测组件
CRIMSON	评估指标	报告生成的临床锚定评分（含 RadJudge/RadPref 配套基准）	指标层，代码开源于 GitHub
ReXecution	评估框架	临床医生中心的医学 AI 助手评估（CXR 解读，2025-12 会议论文）	方法论层
ReXInTheWild（本条目）	评测基准	955 题 × 484 张野外医学照片	家族中唯一离开影像科的一个

家族演进逻辑清晰可读：ReXrank（2024-11）建胸片报告排行榜 → ReXGradient（2025）补最大测试语料 → ReXVal/CRIMSON（2025-2026）深化错误度量 → ReXecution（2025-12）走向临床工作流评估 → ReXInTheWild（2026-03）跳出影像科，把评测半径扩到"普通相机能拍到的全部医学情境"。实验室的长期主张一致：医学 AI 的评测要贴着真实世界的使用方式走。

7.2 上游 BIOMEDICA 与同代基准

上游关系（§2.6 已述）：BIOMEDICA（CVPR 2025）提供图像池，ReXInTheWild 完成从"图文档案"到"临床考题"的价值增殖——这个"大海捞针+精加工"的模式与库内 pmc-oa(320)、pmc-oa-subset(360) 条目描述的 PMC 生态直接衔接。

同代对照系（论文 Related Benchmarks 节引用的坐标系）：

• 专科影像 VQA：VQA-RAD、PathVQA、SLAKE——与本基准互补，分别镇守放射与病理。
• 混合多模态基准：MMMU、PMC-VQA——混入少量照片但无法单独考察，ReXInTheWild 的差异化正在于此。
• 皮肤科专属：DermaVQA（MICCAI 2024）、MM-Skin——本基准主动避让的领域。
• 窄任务碎片集：步态分析、龋齿检测等——论文批评的"碎片化"现状，本基准自称第一个跨专科照片统一基准（“to our knowledge, the first”）。

7.3 BIOMEDICA 深读：上游为什么重要

把 BIOMEDICA 单独拎出来讲，是因为它是理解本数据集"天生上限"的钥匙：

• 规模与噪声并存：2400 万图文对听起来无限供给，但"Natural Images"聚类是 DINOv2 无监督聚类的产物（论文原话 noisily clusters），32,982 张采样里合格率不足 5%——上游的一次聚类误差被下游两步过滤消化。
• 许可预过滤的价值：BIOMEDICA 为每张图带许可标注，ReXInTheWild 直接取"非商用"切片，避免了逐篇回查 PMC 许可的巨大工程——这是"站在档案级上游肩上"的直接红利。
• 聚类标签 ≠ 主题保证：本条目的七主题 tag 是构建时重新人工（+GPT-5）标注的，不是 BIOMEDICA 聚类标签的子集——使用者不要拿 BIOMEDICA 的簇标签去预测本基准的 tag。
• 双上游审计路径：审一道题 = qa.csv 行 → 图像文件名内嵌 PMC 编号 → BIOMEDICA 元数据 → PMC 原文四级链路。任何一级断链都值得在 issue 区反馈。

7.4 引用与影响力轨迹

论文 2026-03-19 提交，核验时点（2026-09-30）被第三方索引（dblp/OpenAIRE/ADS/Scholar）稳定收录，OpenAIRE 引文计数 0、HF 下载量 45——处于"已归档、待发酵"阶段。对一个发布半年的评测基准，这属于正常冷启动；其长期影响力主要押注在两个未兑现的基础设施上：官方排行榜（家族有 ReXrank 的成熟先例可复用）与错误分类法的社区采用率。

§8 方法学启示：五条可迁移的经验

1. "域避让"式数据设计。构建多域基准时主动排除已有专属基准的域（本例：皮肤科让位给 DermaVQA/MM-Skin），既避免重复劳动，又让新基准的贡献边界清晰可测。库内多域数据集（如 omnimedvqa(290) 的整合路线）可对照参考这条"做减法"的路线。
2. "生成+两段审核"的人机分工模板。GPT-5 起草与对抗性编辑负责规模，医生分诊（保留/重写/删除三分法）与资深终审负责质量，文献溯源字段负责可审计——三层各司其职，29% 重写率证明"重写"通道不是摆设。任何"用 LLM 造医学题"的项目都应内置重写通道而非只做通过/不通过二元判定。
3. 错误分类法是评测的二次产出。本基准的可复用资产不止 955 道题：四层错误分类法 + 150 错误的标注样本，本身就是一份可迁移的评测方法论——后来者做新基准时，可以直接借用这套错误编码本做对照分析。评测论文的长期价值往往在错误学而不在榜单。
4. 把账目写进论文。从 32,982 采样到 955 定稿，每一步的流入流出数字（含"不足 5%"这种粒度的披露）都在正文留痕——这让第三方可以重构整条漏斗的效率与损耗，也让"543 不是过滤输出"这类口径问题有据可查。数据集论文的可信度，一半来自这些枯燥的中间数。
5. 溯源字段是许可与人性的双重设计。pmc_url/title/authors 三列同时解决了三件事：CC BY 的署名义务、医学事实的仲裁路径、错误分析的回查入口。一份 CSV 自带的溯源结构，胜过一页许可声明。

§9 与库内条目的关系

9.1 互链图谱

库内条目（rid）	关系	互链建议
rexgradient-160k(717)	同实验室 ReX 家族：160K=胸片影像+报告的生成式语料；本条目=野外照片 VQA 评测。两者共同构成 rajpurkarlab"真实世界医学 AI 评测"的两翼	双向互链，条目内互称家族成员并对比分工
vqa-rad(240)	本基准论文引用的专科影像 VQA 代表；形态对照见 §2.7	从本条目 §2.7 表链出
slake(250)	同上（放射+解剖标注）	同上
pathvqa(260)	同上（病理，大型）	同上
pmc-vqa(270)	论文批评的"混合型"基准——照片混入无法单测；本基准的差异化靶点	本条目 §7.2 叙述链出
vqa-med(280)	医学 VQA 任务系谱参照	§0.1 坐标表链出
omnimedvqa(290)	多域 VQA 整合路线 vs 本条目的域避让路线	§8 方法启示对照
pmc-oa(320) / pmc-oa-subset(360)	PMC 开放获取图文生态的上游叙述（本条目图像的终极源头）	§2.5/§2.6 血缘链出

writing/ 目录内的 rexerr（已完成 FACTS.md）同属 ReX 家族候选，正式入库后可补链；rexgrounding-ct、rexvqa 在核验时点尚无内容，暂不互链。

9.2 与 rexgradient-160k(717) 的分工精述

两条目的互链叙述需精确到数据形态，避免读者把两者当成"同物不同版本"：

• rexgradient-160k：16 万级胸片影像 + 放射报告文本，服务报告生成模型的训练与评测；数据形态是 DICOM 影像对 + 结构化报告；规模是它的价值。
• ReXInTheWild：955 道多选题，服务多模态大模型的零样本评测；数据形态是 CSV 题 + 照片包；跨专科跨度是它的价值。
• 共同点仅三层：同一实验室（rajpurkarlab）、同一品牌前缀（ReX）、同一主张（真实世界评测）。图像模态（X 光 vs 自然照片）、任务（生成 vs 选择）、规模（16 万 vs 955）、许可结构（各自独立声明）全部不同。

一句话给互链定调：160K 是"让模型学会写胸片报告"的操场，InTheWild 是"看模型能不能看懂手机照片"的考场——操场再大也替代不了考场，反之亦然。

9.3 互链落地建议（供主会话发布时参考）

• rexgradient-160k(717)：在其 §7 生态节（或对应位置）增补一段"ReX 家族新成员"引述，指向本条目；本条目 §7.1/§9.2 已回链。
• vqa-rad(240)/slake(250)/pathvqa(260)：在各自"相关基准"或"对比"小节补一句"普通照片形态的跨专科评测另见 rex-in-the-wild"；本条目 §2.7 已列出对照表。
• pmc-vqa(270)：本条目 §7.2 引用了论文对其"混合型"的批评——建议 pmc-vqa 条目侧以"局限与后续"口吻回链，形成批评-回应的成对叙述。
• pmc-oa(320)/pmc-oa-subset(360)：作为图像上游生态，在其"下游应用"类目下补挂本条目。
• 暂不落地：rexerr（已有 FACTS，待其入库）、rexgrounding-ct/rexvqa（空目录）、BIOMEDICA（库内无条目，经由 pmc-oa 叙述衔接）。

§10 避坑清单：九个已踩过或必踩的坑

坑 1：把 ReXInTheWild 当胸片报告数据集

名字带 ReX、出自 rajpurkarlab、常与 ReXGradient 并列出现在检索结果——极易被二手信息转述成"胸片报告数据集"（本条目的派发 brief 即如此误记，见 FACTS.md 第 9 节存照）。实核：论文 §2.1 明确把 X 光片列为过滤剔除对象；摘要、HF 卡、字段结构均无任何胸片/报告元素。所有"胸片"预期都应清零后再读这份数据。

坑 2：ReX 家族成员混用

ReXGradient-160K（语料）、ReXrank（排行榜）、ReXVal（错误标注）、CRIMSON（指标）、ReXecution（框架）、ReXInTheWild（本基准）是六个不同层次的产物，引用时需精确到形态。最常见错误是把 ReXrank 的测试集当成独立数据集引用、或把 ReXGradient 的报告语料说成本基准的图像来源。

坑 3：用 wc -l 数 qa.csv 得 960

CSV 的 title/authors 字段含引号包裹的换行，wc -l 按物理行数得 960；RFC 4180 口径（csv 解析器）按记录数得 955——与论文、README、HF 卡三方一致。任何统计脚本必须用 csv 模块而非按行 split。

坑 4：错误多类占比的 17% vs 0.16

论文正文写"only 17% belonged to multiple categories"，Table 1 均值行 2+ Types 为 0.16（分模型 0.08/0.22/0.18 的算术均值）。两口径差 1 个百分点，疑为加权 vs 算术均值的差异。引用时以 Table 1 分模型数字为准，如需总括值注明口径。

坑 5：license 版本号双口径

数据集 = CC BY-NC-ND 3.0（HF README frontmatter cc-by-nc-nd-3.0）；论文文本 = CC BY-NC-ND 4.0（arXiv HTML 页头）。数据集相关的引用与再分发一律以 3.0 为准；两个版本号不得互相套用（4.0 的条款特性不适用于本数据集）。

坑 6：543 与 32,982 的口径错位

32,982 是 BIOMEDICA 采样数（步骤 1 输入）；543 是出题后留存图像数（步骤 2 输出）。步骤 1 过滤后的图像张数论文未披露（仅给"不足 5%“合格率），不得把 543 记为"过滤后图像数”。管线各步数字：32,982 → （<5% 合格，张数未披露）→ 543 图出题 → 1,086 题进审 → 955 题定稿。

坑 7：把 MedGemma 37% 读成"医疗模型不行"

MedGemma-4B 与三个旗舰存在规模与推理算力的数量级差距，且其训练分布（受控影像+医学文本）与本基准的考察面（自然图像分布下的临床推理）错位。论文自身的解读是"医学照片理解可能主要需要自然图像暴露"，而非医疗路线的失败。二次传播时带上下文，防止断章。

坑 8：获取渠道的非官方变体

论文与 HF 卡均未链接任何 GitHub 代码仓库——第三方镜像或个人复现仓库都不是官方渠道。大陆网络下 hf-mirror.com 网页端会跳转主站（非大陆 IP 检测），但 API/raw/resolve 端点功能完整；以 hf-mirror API 抓取的元数据与主站一致。引用数据集时一律指向 HF 官方仓库。

坑 9：answer 字段按槽位字母处理

answer 是选项原文文本而非 “A”/“B” 字母（实测 955/955 题的 answer 均精确匹配某个非空选项槽），且选项数 3-5 不等（3 选项 4 题 / 4 选项 440 题 / 5 选项 511 题）。评测脚本若假设"四选一、按字母判分"会同时踩中两个错：槽位错配与选项数越界。另有一个隐蔽变体：极少数选项的原文自带字母前缀（如实测一例选项原文为 “C (immediate push-off after landing)”——文献子图标注残留在选项文本里），简单的"取首字母"启发式在这种题上会翻车；按全文精确匹配并保留原文展示是唯一稳的口径。

§11 总结

ReXInTheWild 用最小的数据体量（955 题、484 图、53 MB）完成了一次考场建制：把"普通照片里的医学理解"从混合基准的背景噪声里单拎出来，配齐了溯源（381 篇 PMC 文献逐题可查）、质控（两阶段医生审核、29% 重写率）、透明度（推理参数全披露）与方法论（四层错误分类法）。它的主榜结果——通用旗舰 68-78%、医疗专用 37%——为"医疗 VLM 需要自然图像暴露"的论点提供了首个建制化证据；它的管线为"LLM 生成 + 专家裁决"的基准构建提供了带成本结构的模板；它的许可（CC BY-NC-ND 3.0）与单 eval split 设计则提醒使用者：这是一份评测资产而非训练资产。在 AI-Ready 光谱上，它属于"数据就绪、工具链欠奉"的一端——数据本身拿起就能用，排行榜、代码库与社区生态则留给论文之外的后来者。

FAQ（高频问答 50 问）

Q1：ReXInTheWild 里有多少道题、多少张图？
955 道多选题，484 张照片。每图配 1-2 题（471 图 × 2 题 + 13 图 × 1 题），全部题目经两阶段临床医生审核。

Q2：数据存在哪里、怎么下载？
HuggingFace rajpurkarlab/ReXInTheWild，gated=false 无需登录。核心是 data/qa.csv（约 0.54 MB）与 data/images/ 下 484 个 JPG（约 50.5 MiB）。load_dataset("rajpurkarlab/ReXInTheWild") 一步加载，或走 resolve 直链。

Q3：整包下载要多少流量？
约 53 MB。这是它"轻量评测"定位的直接体现——半张图的钱跑一次完整多模态评测。

Q4：题目是什么格式？
每题一行 CSV：一张图 + 问题 + 3-5 个选项（choice_a 至 choice_e，未用槽位留空）+ 正确答案原文 + 主题标签 + 来源文献三件套（pmc_url/title/authors），共 12 个字段。

Q5：选项一定是 5 个吗？
不是。实测 3 选项 4 题、4 选项 440 题、5 选项 511 题。解析时以空串判空槽位，不要假设固定数量。

Q6：answer 字段是字母还是文本？
选项原文文本（如 “Narrowed palpebral fissure from upper-lid edema causing mechanical ptosis”），不是 A/B/C 字母。955 题实测全部如此，评测脚本要按文本匹配。

Q7：七个主题怎么分布？
躯干四肢 372、头颈 246、眼 148、口颌 116、皮肤毛发 37、外科操作 26、其他 10。头两区合计约 65%。

Q8：为什么皮肤科只有 37 题？
主动避让：生成阶段被明确指示跳过皮肤主导图像，把该领域让给 DermaVQA、MM-Skin 等专属基准。不要用本基准下皮肤科结论。

Q9：图像是从网上爬的吗？
不是。全部选自 PubMed Central 开放获取文献（381 篇），经 BIOMEDICA 档案二次选取，每张图带 pmc_url 可回溯原文。患者已通过论文发表渠道授权。

Q10：“in the wild” 到底指什么？
拍摄场景与图像质量的"非受控"——普通相机、非标准体位、随意光照。不是指数据获取渠道的野生（未授权）状态。

Q11：图像里是真实患者吗？
是已发表文献中的临床病例照片与健康人照片（论文图示含"healthy subjects and patients with medical conditions"），无个体标识、无人口学信息。部分图像带文献特有的标注、拼版或涂黑。

Q12：有训练集吗？
没有。官方只发布 eval 一个 split，设计用途就是零样本评测。想拿它训练属于用途越界且数据量不支持。

Q13：题目是谁出的？
GPT-5 起草：每图 5 道候选题，两轮自动编辑（删提示短语、精炼干扰项），四维评分后每图精选 2 题，共 1,086 题进入人工审核。

Q14：题目是谁审的？
两阶段：第一阶段住院医或医师逐题分诊（保留/重写/删除三分法），第二阶段 6 年以上经验资深临床医生终审。结果 645 保留、310 重写、131 删除。

Q15：审核淘汰了多少？
131/1086 ≈ 12% 直接删除，310/1086 ≈ 29% 重写。近四成题目被医生动过——这是 clinician-verified（医生核验）与"AI 出题人类盖章"的本质区别。

Q16：哪些模型被评测过？成绩如何？
Gemini-3 78%、Claude Opus 4.5 72%、GPT-5 68%、MedGemma-4B-IT 37%（95% CI 见 §4.1 表）。医疗专用模型垫底是论文最核心的发现。

Q17：MedGemma 为什么只有 37%？
三层原因：模型规模与推理算力差距（4B vs 旗舰）、训练分布错配（受控影像 vs 野外照片）、任务形态错配（照片理解 vs 影像识别）。不能简化为"医疗模型不行"（坑 7）。

Q18：评测时用了什么推理配置？
论文全披露：GPT-5 temperature=1/top_p=1；Claude temperature=1/max_tokens=512；Gemini-3 temperature=1/top_p=0.95/top_k=64/thinking=True；MedGemma 非采样 num_beams=1。左右方位统一按患者视角解释，选项打乱。

Q19：模型错在哪？
四类：测量/几何（左右不分、屈伸混淆）、定位（从耳廓亚结构到"脚在地上"）、特征描述（颜色形状质地）、因果（逻辑链断裂）。150 个抽样错误中几何 0.30/定位 0.33/特征 0.38/因果 0.15。

Q20：错误分类法能复用吗？
可以。99% 的抽样错误能归入四类框架，仅约六分之一跨类——分类法有覆盖度也有区分度，可直接作为其他医学照片评测的错误编码本。

Q21：license 是什么？商业项目能用吗？
CC BY-NC-ND 3.0。NC 禁止商用、ND 禁止演绎（改题/裁图再分发受限），署名义务由自带溯源字段天然满足。商业产品将其用于内部研究性评测属灰色地带，纳入产品或付费服务明确越界。

Q22：为什么是 3.0 不是 4.0？
底层 PMC 图像混合许可（CC-BY-NC/NC-SA/NC-ND）中含 3.0 版本条款，团队按最严格兼容口径统一到 3.0。论文文本本身是 CC BY-NC-ND 4.0——两个版本号各管各的对象，不要混用（坑 5）。

Q23：有官方排行榜或评测代码吗？
核验时点都没有。论文的 4 模型成绩是唯一公开基线；论文与 HF 卡均未链接 GitHub 仓库。家族先例 ReXrank 提供了排行榜的可能性，但尚未落地。

Q24：和 VQA-RAD/SLAKE/PathVQA 是竞争关系吗？
互补。它们守放射/病理的专科影像考场，本条目守"野外普通照片"考场——图像类型、专科跨度、题型、规模全不同（对照表见 §2.7）。训练用大供给基准，评测野外泛化用本条目。

Q25：和 rexgradient-160k 什么关系？
同实验室（rajpurkarlab）同前缀（ReX）的两个不同物种：717 是 16 万张胸片+报告的生成式语料，本条目是 955 题的野外照片 VQA 基准。图像模态、任务、规模、许可全部不同（§9.2）。

Q26：和 PMC-VQA 的区别？
PMC-VQA 把照片混进大量其他临床图像里无法单独考察；本条目把照片单拎出来且跨七专科统一出题——论文正是以此为差异化立足点。

Q27：图像源头 BIOMEDICA 是什么？
CVPR 2025 发布的 PMC-OA 全量图文档案（约 2400 万图文对、27 TB、WebDataset 流式），带主题聚类与许可标注。本条目从其"非商用+Natural Images"切片采样 32,982 张起步。

Q28：32,982 怎么变成 484 的？
GPT-5 两步过滤（caption 级 + 图像级）合格率不足 5% → 出题后 543 图留存 → 审核后 484 图。注意步骤 1 的输出张数论文未披露，543 不是过滤输出数（坑 6）。

Q29：qa.csv 用 Excel 打开会出问题吗？
会有隐患：title/authors 字段含逗号与内嵌换行，需 UTF-8 + RFC 4180 兼容解析；wc -l 会数出 960 行（物理行）而非 955 题（逻辑记录）。统计一律用 csv 解析器（坑 3）。

Q30：这份数据的 AI-Ready 短板是什么？
数据层几乎满血（直链、轻量、自解释字段、逐题溯源），工具链层欠奉：无官方排行榜、无评测代码库、无第三方复现校验、HF 下载量低（45，2026-09-30 抓取）。评测者需要自建评分脚本与统计口径。

Q31：可以用它做训练或微调吗？
设计上不可以（仅 eval split、许可 ND 限制演绎、数据量不支持），但"用它的题做 few-shot 示例"或"用它的错误分类法设计训练目标"属于合理的研究性使用——边界在于不要把它变成训练语料本身。

Q32：题目难度有官方分级吗？
没有官方难度字段。可用作代理的信号：GPT-5 四维评分只用于内部精选、未随数据发布；使用者可自行按主题（眼/头颈更难）、按选项数（5 选项题干扰更密）做难度分层。

Q33：一次完整评测要花多少算力/费用？
数据侧近乎零（53 MB）；推理侧取决于模型：MedGemma-4B 本地可跑（单卡）；三个旗舰按 955 题 × 单图输入计，API 费用在数十美元量级（含思维链的 Gemini-3 最高）。

Q34：论文的置信区间是怎么算的？
题目级二项分布的 95% 置信区间（正文方法名以 “Wil” 开头，按上下文为 Wilson 类口径；本条目按"95% CI"中性表述引用）。分主题 CI 同理但样本更小（如 Eyes 148 题），区间相应更宽。

Q35：能自己往里加题吗？
技术上可以（schema 简单），许可上受 ND 限制（衍生数据集不能以原许可再分发）。合规路线：自建扩充题集，发布时标注"评测协议参照 ReXInTheWild"而不混用原始题目。

Q36：七主题题量悬殊（372 vs 10），统计上要注意什么？
分主题报告时 Other（10 题）与 Surgical & Procedural（26 题）的 CI 极宽，"某模型在 Other 上更强"之类结论没有统计意义。建议合并报告或只做点估计。

Q37：图像有没有患者隐私风险？
图像全部来自 PMC 已发表文献（出版流程已含知情同意与去标识审查），数据集不含姓名/ID 等新标识。使用者仍应履行 BY 署名义务——这是许可要求也是学术伦理要求。

Q38：和 omnimedvqa(290) 的"大杂烩"路线比，哪个更值得接进评测流？
看目的：要"广覆盖回归测试"用 omnimedvqa（域多、量大）；要"照片场景专项体检"用本条目（域窄、颗粒细、有错误学框架）。两者在评测矩阵里正交，不是二选一。

Q39：论文为什么特意声明"跳过皮肤科"？
防止照抄式重复建设——皮肤照片 VQA 已有 DermaVQA/MM-Skin 两个成熟基准。这条声明同时也是对使用者的警告：Skin & Hair 37 题只是"非皮肤主导"的残留，不是皮肤科评测集。

Q40：MedGemma 为什么选 4B 版本？
论文未解释。合理推测：4B 是当时可单卡复现的尺寸，且论文卖点是"专用小模型 vs 通用旗舰"的现实差距。复现者若要控制规模变量，应自行补测同家族更大参数版本——这是论文留下的开放题。

Q41：数据里有没有重复题？
实测 955 题的 file_name+question 组合唯一；同图两题被审核规则强制区分知识点。但"考点相似的不同题"（如两张图都考 MRD 测量）天然存在——这是"同一临床技能多题采样"的设计特征，不是缺陷。

Q42：能拿它的错误分类法标注自己模型的错误吗？
可以，这正是它作为"二次产出"的价值。要点：分类定义见 §5.1；允许多重归类；建议两名标注者独立标注后算一致性（论文只用单标注者，这是它自己可改进的点）。

Q43：HF 下载量为什么这么低？
发布半年 + 无排行榜导流 + 评测论文常见"论文即用"模式（作者自评后社区跟进滞后）。低下载量不构成对数据质量的否证，但意味着"论文成绩之外没有第二来源可交叉验证"。

Q44：这份数据会被更新吗？
核验时点无官方更新信号。按家族惯例（ReXrank 持续运营），排行榜化是最可能的方向；但截至 2026-09-30，一切"将要更新"的说法都是推测。

Q45：如果只记住一件事？
ReXInTheWild 证明了"模型在标准化影像上的能力不能自动外推到患者随手拍的照片"——通用旗舰 68-78%，医疗专用 37%。给模型做体检时，别忘了这份 955 题的野外考卷；记住四个锚点：955 题/484 图、CC BY-NC-ND 3.0、eval 单 split、医疗专用垫底。

Q46：直接拿论文成绩当自己模型的对标线合理吗？
方向合理，数字要打折使用：论文成绩是特定版本字符串 + 特定提示协议下的单次结果，模型 API 迭代后会有漂移。对标时复刻协议（附录 C）比复刻数字重要。

Q47：这个基准测得出"模型会不会给危险医疗建议"吗？
测不出。它测的是照片理解与临床推理的准确率，不是安全性；错误分类法里也没有"危险建议"这一类。安全评估要用专门的 red-teaming 基准，两者不能互相替代。

Q48：九百多题对统计功效够吗？
对全量比较够（955 题下 5 个百分点的差异 CI 不重叠）；对分主题比较勉强（148 题的眼部差异要 >10 个百分点才可信）；对 Other/Surgical 两主题不够（10/26 题）。用前先算自己关心层级的功效。

Q49：五十三 MB 里最值钱的是什么？
按复用价值排序：①pmc_url 溯源列（审计基础设施）；②四类错误分类法（方法论资产，虽不在数据文件里）；③955 道医生核验过的题目本体；④图像本体（多数可从 PMC 公开渠道再获得）。这个排序解释了为什么 ND 许可对本数据集的伤害相对有限。

Q50：千方库为什么值得收录一个"只有 955 题"的小数据集？
因为 AI-Ready 不等于 AI-大。这个条目的价值在类型稀缺性（库内唯一的普通照片 VLM 基准）、方法论完整性（管线账目 + 错误学 + 复现手册）与家族坐标（补全 rajpurkarlab 图谱、锚定 rexgradient-160k 的另一翼）——三者都不随题目数量缩水。

事实清单（硬事实 46 条）

1. 数据集全称 ReXInTheWild: A Unified Benchmark for Medical Photograph Understanding；slug rex-in-the-wild。
2. 发布方 rajpurkarlab（Harvard Medical School 生物医学信息系）；HF 仓库 rajpurkarlab/ReXInTheWild。
3. 论文 arXiv:2603.19517 [cs.CV]（跨列 cs.LG），v1 提交 2026-03-19 22:54:28 UTC，11 页 4 图。
4. 论文 DOI 10.48550/arXiv.2603.19517；作者 12 人；一作 Oishi Banerjee（通讯邮箱 oishi_banerjee@g.harvard.edu）。
5. HF 仓库 lastModified 2026-03-18T07:57:05Z，commit sha aceeb8ff56ee5b0d9bb7b48a0c947895d0119b19。
6. 规模：955 道多选题 × 484 张照片；381 篇独立 PMC 来源文献。
7. 每图题数：471 图 × 2 题 + 13 图 × 1 题。
8. qa.csv 542,925 字节、12 字段；images 共 52,947,394 字节（484 个 JPG）。
9. 选项数分布：3 选项 4 题 / 4 选项 440 题 / 5 选项 511 题；answer 全部为选项原文且必在选项集合内（955/955 实测）。
10. 七主题实测分布：Trunk & Extremities 372 / Head & Neck 246 / Eyes 148 / Mouth & Jaws 116 / Skin & Hair 37 / Surgical & Procedural 26 / Other 10；与论文百分比 39/26/15/12/4/3/1 逐项吻合。
11. HF 元数据：size_categories n<1K；task_categories visual-question-answering + question-answering；format csv；config default 单 eval split；gated=false。
12. 图像上游：BIOMEDICA（CVPR 2025，arXiv:2501.07171，约 2400 万图文对）"非商用 + Natural Images"切片随机采样 32,982 张。
13. 图像过滤：GPT-5 两步（caption 级 + 图像级），合格率不足 5%；步骤 1 输出张数论文未披露。
14. 出题：GPT-5 每图 5 候选题（3-5 选项）；跳过无医学内容与皮肤主导图像；543 图留存。
15. 自动编辑两轮：删提示性短语（论文含大腿切口示例）；精炼干扰项（含"图像正常"策略）。
16. 精选：GPT-5 四维评分（clarity/medical relevance/medical difficulty/visual difficulty，各 1-5 求和），每图取前 2 题，1,086 题进审。
17. 人工审核两阶段：Stage 1 住院医/医师三分法（Q_acc/Q_rew/Q_del）；Stage 2 一名 6+ 年经验资深临床医生终审。
18. 审核结果：645 保留 + 310 重写 + 131 删除 = 1,086；终版 955 题（955 = 645 + 310）。
19. 评测模型与成绩：Gemini-3 78%（CI 0.75-0.81）/ Claude Opus 4.5 72%（0.69-0.75）/ GPT-5 68%（0.65-0.71）/ MedGemma-4B-IT 37%（0.34-0.40）。
20. 推理配置：GPT-5 temp=1/top_p=1（版本 “2025-08-07”）；Claude temp=1/max_tokens=512（claude-opus-4-5-20251101）；Gemini-3 temp=1/top_p=0.95/top_k=64/thinking=True（Gemini-3-Pro-Preview）；MedGemma num_beams=1 非采样。
21. 统一协议：左右按患者视角解释；选项打乱；GPT-5 API 版本 “2024-12-01-preview”。
22. 分主题最弱项：GPT-5 与 Claude 弱在 Eyes（59%/67%）；MedGemma 与 Gemini-3 弱在 Head & Neck（31%/74%）。
23. 错误研究：3 模型 × 50 错 = 150 个，一名有经验临床医生归类；四类均值几何 0.30/定位 0.33/特征 0.38/因果 0.15。
24. 错误覆盖：99% 落入至少一类；多类占比正文口径 17%、Table 1 均值口径 0.16（分模型 0.08/0.22/0.18）。
25. 许可：数据集 CC BY-NC-ND 3.0（HF frontmatter cc-by-nc-nd-3.0）；论文文本 CC BY-NC-ND 4.0；底层图像为 PMC-OA 非商用子集混合许可取最严。
26. 获取：HF 公开直链 gated=false，无登录门槛；核验时点无官方 GitHub 代码仓库、无官方排行榜。
27. HF 社区指标（2026-09-30 抓取）：downloads 45，likes 0。
28. 资助：O.B. — Biswas Family Foundation Transformative Computational Biology Grant（与 Milken Institute 合作）；S.E.K. — 韩国 KHIDI（保健福祉部）Grant # RS-2024-00403047。
29. 机构 7 个：Harvard DBMI（5 人）、Seoul National University Hospital 研究所、MGH 消化科、Heidelberg 大学医院神经放射、King Abdulaziz Medical City（3 人）、University of Cincinnati 肺科（详见 FACTS 第 3 节双挂靠说明）。
30. 论文关键词：Patient-Generated Health Data、Domain Shift、Diagnostic Reasoning、Multimodal Large Language Models、Vision-Language Models。
31. 自述局限四条：文献图像带标注/拼版/涂黑；长尾与重症偏倚；GPT-5 出题偏置（受 Gemini/Claude 更优所缓解）；静态图像能力边界。
32. 家族成员：ReXGradient-160K（库内 717）、ReXrank（rexrank.ai）、ReXVal、CRIMSON（GitHub 开源）、ReXecution——本条目为家族中唯一非影像科数据集。
33. 论文引用的对照基准：VQA-RAD、PathVQA、SLAKE、MMMU、PMC-VQA、DermaVQA、MM-Skin 及步态/龋齿等窄任务集。
34. 论文自我定位：“to our knowledge, the first benchmark to evaluate vision–language models across multiple clinical specialties using ordinary photographs”。
35. 图像文件名内嵌 PMC 编号与图序（如 PMC3115275_SNI-2-72-g006.jpg），肉眼可对回原文。
36. qa.csv 独立标题 377 个（对应 381 个 pmc_url，4 处标点级变体）——标题数不作为正文口径。
37. 审核者被要求交叉回查原始 PubMed 文献验证有挑战性的题目（论文原文 cross-referenced）。
38. 论文给出两轮自动编辑的具体示例（大腿切口题删定位描述）与干扰项策略（"图像正常"选项）。
39. 缓解策略分层：几何/定位→关键点/目标检测工具；特征描述→术语检索；因果→思维链；全局→RAG/工具调用，融合训练主张。
40. 同图两题须考察不同知识点：审核规则允许医生提出全新题目替换，但要求与同图另一题区分。
41. hf-mirror.com 网页端对非大陆 IP 跳转主站，但 API/raw/resolve 端点完整可用（本条目全部 HF 数据经此实抓）。
42. 本条目成稿期间遭遇 /tmp part 池并发覆写事故（同名代理实例覆写 part1-5），已按五步处置迁移私有区并全量重写——见文末事故附记。
43. 覆写事故鉴别的覆写版指纹：keywords 含 “Pranaj Rajpurkar” 拼写错误、“人工关” 笔误 ×7、patient_tags 无据含"儿童"——这些特征串可作为 /tmp 池中覆写残留文件的快速鉴别器。
44. 实测每主题第 2 题样本：Trunk 题答案 “C (immediate push-off after landing)” 证明个别选项原文自带字母前缀（文献子图标注残留），坑 9 的隐蔽变体。
45. qa.csv 的 question 中存在跨子图指代题（如 “In subfigure B…” / “Compared with subfigure a…”）——多格拼版图上的空间指代是该基准的固有难度构成。
46. 本条目全部 HF 元数据与文件均于 2026-09-30 经 hf-mirror API 抓取，抓取脚本为一次性只读操作，未向 HF 写入任何数据。

术语表（40 条）

术语	英文	释义
野外照片	in the wild photograph	普通相机在非受控环境拍摄的照片，光照/角度/构图非标准化
医学照片	medical photograph	含医学相关内容的普通照片（区别于 X 光/CT/病理等专用影像）
患者生成健康数据	patient-generated health data, PGHD	由患者而非临床流程产生的健康信息，手机照片是主要形态之一
视觉语言模型	vision-language model, VLM	同时处理图像与文本的多模态模型
多模态大语言模型	multimodal large language model, MLLM	在大语言模型基础上扩展视觉输入的多模态模型，本文与 VLM 互换使用
视觉问答	visual question answering, VQA	给定图像与问题、输出答案的任务范式
多选题	multiple-choice question, MCQ	提供 3-5 个选项、要求选出唯一正确项的题目形态
域偏移	domain shift	训练分布与测试分布不一致导致的性能退化；本基准考医疗模型从影像到照片的域偏移
干扰项	distractor	多选题中除正确答案外的迷惑选项；对抗性精炼指让其更难排除
提示性短语	leading phrase	题干中泄露答案线索的描述（论文示例：题干含切口位置与长度描述）
分诊三分法	Q_acc / Q_rew / Q_del	审核阶段对题目的三种处置：原样保留 / 重写 / 删除
临床医生核验	clinician-verified	题目由模型起草、医生逐题核验修正（区别于 clinician-annotated 医生原创）
错误分类法	error taxonomy	将模型错误按抽象层级归类的编码体系；本基准提出四类框架
测量/几何错误	measurement/geometry error	左右侧不分、屈伸关节混淆等基础几何判断失败
定位错误	localization error	空间定位失败，谱系覆盖耳廓亚结构到"脚在地上"
特征描述错误	characterization error	对颜色/形状/质地的定性描述失败
因果错误	causality error	因果与意图推理失败；多与低层错误共现
思维链	chain-of-thought, CoT	推理时让模型先产出中间推理步骤；论文列为因果错误的缓解手段
检索增强生成	retrieval-augmented generation, RAG	生成前先检索外部知识；论文列为全局缓解方向
零样本评测	zero-shot evaluation	不经任何本基准训练数据微调，直接测试；本基准仅支持此用法
单评测集	eval-only split	只发布评测划分、无训练/验证划分的数据组织方式
PMC 开放获取子集	PubMed Central Open Access subset	PMC 中以开放许可发布的文献集合，本基准全部图像的最终来源
WebDataset	WebDataset	以 tar 分片流式读取的大规模数据集格式；BIOMEDICA 的序列化形态
CC BY-NC-ND	CC BY-NC-ND	署名-非商用-禁止演绎许可组合；本数据集整体许可（3.0 版）
拼版	panel	学术文献图中多子图合并排版的形态；论文局限性提及的图像差异来源之一
排行榜	leaderboard	持续收集模型成绩的在线评测设施；家族内 ReXrank 为先例，本基准暂无
DAIMS	Discoverability/Accessibility/Interoperability/Metadata/Sustainability	本库数据集 AI-Ready 五维评估框架（附录 B）
睑裂宽度	palpebral fissure width	眼科测量指标，qa.csv 眼部题目的典型考察对象
MRD	marginal reflex distance	眼睑位置测量（角膜光反射至上睑缘距离），眼部细粒度测量题实例
螺旋缘	helical rim	耳廓外缘解剖结构；定位错误实例中与对耳轮褶皱混淆的对象
对耳轮褶皱	antihelical fold	耳廓对耳轮的折返结构；同上
唇纹形态学	cheiloscopy	以唇纹形态做个体识别的法医学分支；qa.csv 口颌题实例
束搜索	beam search	保留多条候选序列的确定性解码方式；MedGemma 评测采用（num_beams=1）
Wilson 区间	Wilson interval	二项比例的置信区间算法；论文正文方法名以 “Wil” 开头，按中性口径引用
确定性解码	greedy/deterministic decoding	固定输出消除采样随机性；小模型评测常用
过滤漏斗	filtering funnel	采样→过滤→出题→精选→审核的逐级收敛结构；本管线 32,982→955
域避让	domain avoidance	建基准时刻意排除已有专属基准的领域；本例为皮肤科
溯源字段	provenance fields	qa.csv 的 pmc_url/title/authors 三列，支撑逐题审计
训练-评测边界	train/eval boundary	本数据集"只能评不能练"的使用限制（单 eval split + ND 许可）
版本锚点	version anchor	HF commit sha（aceeb8f）与 arXiv v1（2026-03-19）构成的双固定引用点

附录

附录 A：数据字典与加载规范

qa.csv 完整数据字典（12 列，实测口径）：

#	列名	非空数	约束与说明
1	file_name	955	形如 images/PMC<编号>_<文件标识>.jpg；484 个唯一值；与 images 目录一一对应
2	question	955	自然语言问题；部分含情境限定语（如 “Compared with subfigure a…”）
3	choice_a	955	选项槽 a，恒非空
4	choice_b	955	选项槽 b，恒非空
5	choice_c	951	3 选项题留空（4 题）
6	choice_d	515	5 选项题才非空
7	choice_e	511	仅 5 选项题非空
8	answer	955	选项原文；955/955 可在 choice_a-e 中精确匹配
9	tag	955	七枚举值之一（见 §2.3 表）
10	pmc_url	955	形如 https://pmc.ncbi.nlm.nih.gov/articles/PMC<编号>/；381 个唯一值
11	title	955	来源文献标题；377 个去重值（4 处标点级变体）
12	authors	955	缩写格式作者串

稳健加载片段（Python，处理内嵌换行与空槽位）：

import csv
from collections import Counter

with open("qa.csv", newline="", encoding="utf-8") as f:
    rows = list(csv.DictReader(f))

assert len(rows) == 955                     # 逻辑记录数，非 wc -l 的 960
assert len({r["file_name"] for r in rows}) == 484

def options(r):
    return [r[k] for k in ("choice_a","choice_b","choice_c","choice_d","choice_e") if r[k].strip()]

for r in rows:
    assert r["answer"] in options(r)        # 答案必在选项内（文本匹配，非字母）
print(Counter(r["tag"] for r in rows))      # 应得 §2.3 七主题分布

评测计分建议：按 tag 分组报告准确率与 95% 置信区间（与论文口径可比）；选项顺序打乱前固定随机种子以保复现；MedGemma 类小模型建议非采样解码以消除方差。

附录 B：DAIMS 评估全表

评分框架：DAIMS 五维（可发现性 Discoverability / 可获取性 Accessibility / 互操作性 Interoperability / 元数据完备性 Metadata / 可持续性 Sustainability），每维 0-10 分，子项 0/0.5/1 三档。评分为本库编辑部口径（2026-09-30，基于对 HF 仓库、论文与 qa.csv 的逐项实核），反映"AI 系统与研究者拿起来就能用的程度"。

B.1 总览

维度	得分	一句话依据
可发现性 Discoverability	8.5/10	arXiv+HF+六大索引齐备，但名称易与 ReX 家族混淆、无排行榜聚合入口
可获取性 Accessibility	9/10	直链公开、gated=false、53 MB 轻量；扣分在 NC-ND 许可与大陆网络可达性
互操作性 Interoperability	8/10	CSV+JPG 最小形态、12 字段自解释；answer 文本匹配与内嵌换行需防呆
元数据完备性 Metadata	7.5/10	逐题文献溯源是亮点；患者/人口学/图像技术元数据完全缺失
可持续性 Sustainability	5.5/10	单版本无更新机制、无代码库、无排行榜、社区指标冷清
加权总评	7.7/10	数据即用型评测资产；短板集中在生态与维护层

B.2 可发现性 Discoverability：8.5/10

子项	得分	依据
正式出版物配套	1	arXiv:2603.19517，DOI 注册，论文-数据互链
跨库索引覆盖	1	dblp/OpenAIRE/ADS/Google Scholar/BIP!/CatalyzeX 全部收录
官方仓库唯一性	1	HF 单一官方仓库，无镜像混淆（第三方镜像非官方）
检索关键词覆盖	0.5	标题词明确；但 “ReX” 前缀与家族成员高度易混，二手转述常见类型误标（坑 1）
社区聚合入口	0.5	无排行榜/论文代码榜收录
命名可读性	0.5	“ReXInTheWild” 含驼峰与缩写，跨语言检索易失配
描述质量	1	HF 卡含概览/结构/许可三节；论文摘要自包含
引用就绪度	1	论文给出 HF 链接，数据引用路径清晰
术语标准化	1	tag 枚举、字段名直白
版本可追溯	1	arXiv v1 与 HF commit 双锚点

说明：本维度的唯一实质风险是"名字撞车"——ReXInTheWild/ReXGradient/ReXrank/ReXVal 在检索中互相稀释，且二手信息（包括本条目的派发 brief）常把本基准误标为胸片数据集。库内条目的价值之一即是把正确的类型边界（照片 VQA vs 胸片报告）固定下来。

B.3 可获取性 Accessibility：9/10

子项	得分	依据
无门槛下载	1	gated=false，无登录/无协议墙
总量轻量	1	53 MB，普通带宽分钟级
结构简单	1	两类文件（CSV+JPG），无嵌套归档
载入即用	1	load_dataset 单行加载
镜像可达性	0.5	hf-mirror API/raw/resolve 可用，网页端会跳主站
许可开放度	0.5	CC BY-NC-ND 3.0：研究自由、商用禁止、演绎受限
图像许可透明	1	混合许可策略公开声明（取最严口径）
溯源自足	1	pmc_url 内嵌，署名义务自动履行
API 稳定性	1	resolve 端点带版本锚点（commit sha）
备用渠道	0.5	无 Zenodo/机构库副本；HF 单点

说明：可获取性是本数据集最强的维度——"无门槛 + 轻量 + 自解释"三连使其成为少见的"5 分钟冷启动"评测资产。两个 0.5 的扣分项均非数据方过错：NC-ND 是继承图像许可链的被动选择；网络可达性是部署环境问题。

B.4 互操作性 Interoperability：8/10

子项	得分	依据
格式通用性	1	CSV（RFC 4180）+ JPG，零专用格式
字段自解释	1	12 字段名即文档
编码规范	1	UTF-8；引号转义合规
答案机读性	0.5	answer 为文本非字母，需文本匹配；无标准化选项编号列
内嵌换行防呆	0.5	title/authors 含引号内换行，朴素按行解析会错位（坑 3）
图像-表格关联	1	file_name 精确关联，无孤儿记录（实测 484/484 命中）
类别枚举稳定	1	tag 七值封闭集合
多框架兼容	1	datasets/pandas/polars/mlcroissant 官方标签齐备
评测脚本参考	0.5	论文披露推理参数但无官方评测代码
与同类基准对齐	0.5	单选题型与 VQA-RAD 等的开放题不直接互通；tag 与专科体系无官方映射

说明：CSV+JPG 是互操作性的"最大公约数"选择，配套 mlcroissant 标签说明团队考虑过机器可读元数据标准。answer 文本匹配这一设计在评测工程上略反直觉（多数基准用字母槽位），评测脚本需要一条额外的规范化管道（大小写/空白处理），但不构成实质性障碍。

B.5 元数据完备性 Metadata：7.5/10

子项	得分	依据
逐条溯源	1	每题带 pmc_url/title/authors，可回溯同行评议原文
领域标注	1	tag 七主题封闭枚举
题目属性	1	选项/答案结构完整，选项数实测可枚举
许可元数据	1	仓库级许可声明 + 底层图像许可策略说明
构建过程元数据	1	论文披露完整管线数字（采样/过滤/审核各步）
评测元数据	0.5	推理参数全披露，但成绩无逐题明细表发布
图像技术元数据	0.5	无分辨率/设备/拍摄条件的结构化字段（可从 JPG 头提取但未提供）
患者/人口学元数据	0	无年龄/性别/族裔字段；公平性分析不可行
标注者元数据	0.5	审核角色披露但人数未披露
数据质量标识	1	审核三分类的去向（保留/重写/删除）在论文中量化披露

说明：这是一份"文献型数据集"的典型元数据画像——溯源链极强（比多数 VQA 基准好），个体级信息极弱（无人口学、无临床诊断标签）。对"可审计性"要求高的场景（监管、复核）它表现优异；对"人群代表性"要求高的场景（公平性、流行病学推断）它几乎不提供抓手。

B.6 可持续性 Sustainability：5.5/10

子项	得分	依据
仓库可用性	1	HF 托管，机构实验室背书
版本固定	1	commit sha 锚点 + arXiv v1 双锚点
更新机制	0	无版本路线/变更日志；发布半年零更新
官方代码库	0	无评测脚本/排行榜代码仓库
第三方复现	0	下载量 45、点赞 0，未见独立复现报告
维护方响应	0.5	HF Community 区无公告核验；实验室活跃（家族持续产出）但本仓库无维护痕迹
引用持续性	0.5	OpenAIRE 引文 0，影响力待发酵
许可长期确定性	1	许可条款清晰且与上游一致，无收回风险信号
机构承诺	1	Harvard DBMI 实验室 + 论文资助方（Biswas/KHIDI）双重背书
资源备份	0.5	无 Zenodo/机构库冗余副本

说明：可持续性是最弱维，且弱因高度结构化——"论文即终态"的发布模式（数据随论文一次性放出，无配套基础设施）在评测型数据集中常见。改进杠杆也清晰：官方放出一个 50 行的评测脚本加一个静态排行榜页，即可把该维拉到 7.5 以上；家族内 ReXrank 的基础设施可直接复用。

B.7 AI-Ready 综合判词

ReXInTheWild 的 AI-Ready 形态可概括为"即用型考卷，未装配考务系统"：数据本体（考卷）在可发现、可获取、可机读三个维度都接近满配；评测基础设施（考务——排行榜、脚本、复现网络）完全缺位。对立即要跑评测的团队，它是库内最轻的入口之一；对要建立持续评测体系的团队，它提供的是考题与错误分类法两份资产，考务系统需要自建。与库内 rexgradient-160k(717) 对照——后者胜在规模与生态位（家族排行榜承托），本条目胜在即用性与跨专科覆盖——两者共同补全 rajpurkarlab"真实世界医学 AI 评测"的图谱。

B.8 评分敏感性说明（分数在什么情况下会变）

DAIMS 五维分不是物理常数，以下敏感性供后续复评者校准：

情形变动	影响维度	方向	幅度估计
官方上线排行榜或评测代码库	可持续性	升	+1.5 至 +2.5（5.5 → 7-8）
出现 Zenodo/机构库冗余副本	可获取性、可持续性	升	各 +0.5
论文期刊版发表或被正式会议收录	可发现性	升	+0.5
HF 下载量破千 / 出现独立第三方复现报告	可持续性	升	+1（"第三方复现"子项 0→1）
发现官方 GitHub 仓库确实存在（本代理受沙箱限制未证实）	可持续性、互操作性	升	各 +0.5 至 +1
数据集改用 CC BY-NC 4.0（放宽 ND）	可获取性	升	+0.5
库内 BIOMEDICA 条目入库	可发现性（互链）	升	+0.5
反向情形：HF 仓库失效/论文撤稿	全维	剧降	直接触发条目重写而非调分

说明：最可能的近期变动是前两行——家族有 ReXrank 基础设施先例，排行榜化的边际成本低。复评者应先核对 FACTS.md 第 6/9 节的核验时点快照，再决定是否重跑全部子项。

附录 C：复现论文评测的操作手册

按论文协议复现四模型评测的最短路径（约半天工作量）：

第一步：环境与数据（约 10 分钟）

pip install datasets pillow
python -c "from datasets import load_dataset; ds = load_dataset('rajpurkarlab/ReXInTheWild'); print(ds)"
# 断言：ds['eval'].num_rows == 955
# 大陆网络不可达主站时：export HF_ENDPOINT=https://hf-mirror.com

第二步：提示词构造（约 30 分钟）

按论文协议拼装：系统指令（按患者视角解释左右、从选项中选择）+ 图像 + 打乱后的选项列表。两个必须复刻的细节：①选项顺序打乱且固定随机种子；②答案匹配按选项原文精确比较（坑 9），比较前做 strip() 规范化。

第三步：四模型推理（约 1-3 小时）

模型	接入方式	关键参数
GPT-5	官方 API	temperature=1, top_p=1；固定版本字符串
Claude Opus 4.5	官方 API	temperature=1, max_tokens=512；固定版本字符串
Gemini-3	官方 API	temperature=1, top_p=0.95, top_k=64, thinking=True
MedGemma-4B-IT	HF Transformers 本地	num_beams=1（确定性解码）

第四步：计分与报告（约 30 分钟）

全量准确率 + 95% CI（Wilson 或 bootstrap）；按 tag 分组报告，Other/Surgical 两组只做点估计；与论文成绩对照时允许 ±2 个百分点内的版本漂移（模型 API 随时间更新）。若复现值偏离论文超过 5 个百分点，优先排查：①选项未打乱导致的位置偏置；②左右视角指令缺失；③answer 文本匹配未规范化。

常见翻车点速查：wc -l 数行（坑 3）、按字母判分（坑 9）、把 543 当过滤输出（坑 6）、用未经授权的第三方镜像（坑 8）。

附录 D：与库内相邻条目的 AI-Ready 横向对照

以库内同属"医学图像 + 模型评测"光谱的条目为参照（评分为本库口径，供选型者建立相对坐标）：

维度	ReXInTheWild（本条目）	rexgradient-160k(717)	pmc-vqa(270)	vqa-rad(240)
数据形态	955 MCQ + 484 照片	16 万胸片 + 报告文本	混合影像 VQA	放射影像 VQA
主用途	零样本评测	训练/评测报告生成	训练+评测	评测为主
规模量级	10²	10⁵	10⁴⁺	10³
专科跨度	七主题跨科	胸科单科	多科混合	放射单科
溯源能力	逐题 PMC 链接	数据集级来源说明	部分溯源	数据集级
评测基础设施	无（论文单点）	ReXrank 排行榜承托	无	无
许可开放度	CC BY-NC-ND 3.0	独立声明	各自声明	各自声明

对照读法：本条目在"溯源能力 × 轻量度"两个格子是光谱上的极值点——没有任何一个相邻条目能做到"每道题一键回查同行评议原文 + 全包 53 MB"。它的不可替代性不在规模，而在这两个极值与错误分类法三件套。

附录 E：qa.csv 原题速览（每主题前 2 题，实测摘录）

下表从 qa.csv 按文件顺序取每主题前 2 题（共 14 题）原文摘录，供未下载数据的读者感受题目形态；完整 955 题请以官方 qa.csv 为准。

#	主题	问题（中文转述）	选项数	正确答案要点
1	Eyes	演示的是哪种评估眼睑松弛度的操作？	5	用尺测量的上睑垂直牵拉（松弛度）试验
2	Eyes	右侧子图中，睑缘与瞳孔中心的距离是多少？	4	19 mm
3	Head & Neck	颅骨修补术后图中观察到什么表现？	5	术区毛发再生、无缝线敷料引流物
4	Head & Neck	哪些耳廓亚结构畸形或缺如？	5	对耳轮与舟状窝
5	Mouth & Jaws	图中测量的是哪段距离？	4	最大张口距离（张口度）
6	Mouth & Jaws	该测距操作对评估哪个临床问题最直接有用？	5	张口受限（trismus）程度
7	Trunk & Extremities	图中哪个关节屈曲幅度最大？	4	膝关节（股胫关节）
8	Trunk & Extremities	哪个子图显示落地后的立即蹬伸？	4	“C (immediate push-off after landing)”——注意该选项原文自带字母前缀（文献子图标注残留）
9	Skin & Hair	左图中脱发模式最符合哪个诊断？	4	雄激素性（男性型）脱发伴双侧额颞部退缩
10	Skin & Hair	面部皮损的描述匹配（第二题，依原文件顺序）	4-5	形态学描述词匹配
11	Surgical & Procedural	疤痕最符合哪种手术入路？	5	股骨干骨折固定外侧入路
12	Surgical & Procedural	从胸部延伸向面部的皮瓣是哪种？	5	带蒂胸三角肌皮瓣（pedicled deltopectoral skin flap）
13	Other	视频问诊中哪条指令最能改善画面？	5	调整握持勿让手指挡住镜头
14	Other	图中哪个可见迹象最提示疲劳或情绪低落？	4	右手撑头、含胸坐姿

速览读法：前 8 题已经能看出"干扰项真实、测量颗粒细、拼版图指代"三大特征；13-14 题展示 Other 主题其实是"远程医疗实用指南"性质——它们是整份数据里离"患者真实使用场景"最近的题。

尾注

本条目由写手代理 agent-f-rexinthewi 撰写于 2026-09-30，全部硬数字经三源互证（arXiv 论文全文实抓 / HuggingFace 仓库 API 与文件实核 / 第三方学术索引交叉），其中数据本体统计（955 题、484 图、七主题分布、选项分布、答案完备性、例题画廊）由代理对 qa.csv 逐行解析实测。事实档案见同目录 FACTS.md；双口径冲突与遗留疑点的逐条存照见 FACTS.md 第 9 节。条目归类与互链以千方病案医数集受控词表为准；发布由主会话串行负责。

事故附记（成稿过程存档）

2026-09-30 00:14-00:21（+0800）期间，本代理按纪律包以 /tmp/rex-in-the-wild_agent-f-rexinthewi_part1-5.md 前缀直写五个 part；写至 part5 后经内容核对发现 part1-4 已被另一进程覆写（特征：keywords 出现 “Pranaj Rajpurkar” 拼写错误、“人工关” 笔误 ×7、patient_tags 无实核依据添加"儿童"、章节编排整体重构），随后发现备份前的 part5 亦被同名实例覆写（FAQ 题数与事实清单条数均与本人原稿不符；因覆写者同为 agent-f-rexinthewi 身份，签名特征鉴别失效）。处置：①弃用 /tmp 共享池，改用本目录 .parts_agent-f-rexinthewi/ 私有区；②part1-5 全量重写（内容依据本代理独立完成的 FACTS.md 与实抓原始数据 qa.csv/论文 HTML，未采用覆写版任何段落）；③重拼后按章节序核对（§0-§11→FAQ→事实清单→术语表→附录 A-D→尾注）；④本附记即事故第⑤步存档。建议主会话：排查同名代理 agent-f-rexinthewi 的并发实例，后续派发避免同名代理前缀。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• rexvqa — 共享标签：多模态 / 视觉问答 / 医学问答 / 评测基准
• pathvqa — 共享标签：多模态 / 视觉问答 / 评测基准
• derm1m — 共享标签：多模态 / 视觉问答 / 评测基准
• medreco-db — 共享标签：多模态 / 视觉问答 / 医学问答
• 3dreasonknee — 共享标签：多模态 / 视觉问答 / 评测基准
• vqa-med — 共享标签：多模态 / 视觉问答
• tdc — 共享标签：多模态 / 评测基准
• pmc-vqa — 共享标签：多模态 / 视觉问答
• omnimedvqa — 共享标签：视觉问答 / 评测基准
• healthsearchqa — 共享标签：医学问答 / 评测基准

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。