NV-Reason-CT vs Claude Opus 5：一个值得认真对待的范畴错误

把NV-Reason-CT和Claude Opus 5放在同一个句子里是一种范畴错误，但无论如何都值得这么做，因为这个错误很有启发性。NV-Reason-CT 是 NVIDIA 推出的一个拥有 46.9 亿参数的原生 3D 视觉语言模型，它接收以亨斯菲尔德单位表示的胸部或腹部 CT 体数据，并生成结构化的逐项发现报告。它不是医疗器械，其自己的模型卡也明确说明了这一点。Claude Opus 5 是该厂商的通用前沿文本与视觉模型，于 2026 年 7 月 24 日发布，具有 100 万 token 的上下文窗口、128,000 token 的输出上限，以及公布的价格：每百万输入 token 五美元、每百万输出 token 二十五美元。其中一个读 CT，另一个读其他所有内容。

这种比较之所以会被反复提起——而且每当有人看到一个新的医疗 VLM 并顺手拿起一把熟悉的标尺时，它都还会如此——是因为两者都会生成关于图像的散文。这种表面上的相似性正在切实损害人们对这两者的思考方式，因此值得详细拆解。

他们真正共有的那条轴线，以及他们并不共有的那条

它们只在一个地方重叠，而那个地方比看上去要窄。

• 输入模态——NV-Reason-CT 通过专用的三维处理器接收以 Hounsfield 单位表示的单通道 NIfTI 体数据；Claude Opus 5 接收文本、图像和文件，这是面向图片的第二代接口，无法原生摄取容积 CT 检查数据

• 返回的内容——由 NV-Reason-CT 给出的按解剖区域整理的发现列表，对比 Claude Opus 5 输出的通用散文、结构化 JSON 或工具调用

• 工作单元——一个CT体积，重采样为2毫米各向同性，裁剪至解剖结构，切成8 x 8 x 8的图像块；与您放入令牌预算中的任何内容进行对比

• 上下文 — NV-Reason-CT 完全没有聊天窗口；单个卷数据会直接变成 13,824 个视觉 token，且不做任何下采样。Claude Opus 5 可容纳 1,000,000 tokens 的输入，最多可输出 128,000

• 许可证 — OpenMDW-1.1，一个可下载的模型，您可以在自己的硬件上运行；相对于托管 API

• 声明用途——仅用于研究和教育，明确声明非医疗器械，适用于 NV-Reason-CT；反对将其用于 Claude Opus 5 的通用协助

• 价格——没有标价，因为没有什么可买的，只有可供运行的权重；相比之下为每百万 token 5 美元和 25 美元，缓存读取为 0.50 美元

“模态”那一行正是范畴错误的发源地。两者都接受图像，因此看起来都像图像模型，读者于是会合理地追问哪个更擅长图像。但一项CT检查并不是一张图像。它是一个体素阵列，带有以毫米为单位的物理尺度、经过校准的密度单位，以及只有在三维空间中才有意义的解剖结构。Claude Opus 5 的视觉能力确实出色，它能合乎情理地讨论一张X光片或一张病理切片。这与整合一个分辨率为2毫米、边长384毫米的亨氏值立方体，并报告某个结节的分叶情况，是截然不同的任务。

两侧的数字实际测量的是什么

这两个模型的基准记录从不相互参照，而把它们并排阅读却没有注意到这一点，正是糟糕采购决策产生的方式。

NV-Reason-CT 在 CT-RATE 公开胸部 CT 基准上报告了其结果，涵盖十八个标签，使用固定的统一阈值和直接的“是/否”提示，不设分类头，也不做任务特定适配。它录得 0.614 F1 和 0.871 AUROC，领先于 VoxelFM 的 0.581 和 0.870、Pillar-0 的 0.544 和 0.861、ClinFusion-8B 的 0.442 F1、CT-CLIP 的 0.398 和 0.733、Merlin 的 0.358 和 0.662，以及在最多输入 85 张轴位切片时 MedGemma 1.5 的 0.303 F1。还有一个由报告推导出的宏平均 F1，为 0.592。所有这些数字都来自 NVIDIA 自己的论文。没有任何一个被其他人复现，而该模型已经可供下载数周了。

Claude Opus 5 的成绩属于通用型，且在很大程度上是独立的。Artificial Analysis 在其 Intelligence Index 上测得其得分为 50.8，在 Coding Index 上为 78，在 GPQA Diamond 上为 93.2，在 Humanity's Last Exam 上为 54.9，长上下文召回得分为 79.33。这些是第三方在通用推理、代码和知识任务上给出的数字。该套评测中没有任何临床影像基准，而 Claude Opus 5 已公布的记录中也完全没有 CT-RATE 这一项。

所以，诚实的说法并不是其中某一个领先。而是，从来没有人把这两个模型放在同一个任务上测量过。任何“NV-Reason-CT 在医学影像上比 Claude Opus 5 更好”这种形式的句子，按字面表述都不可证伪，因为没有人做过这个实验。NVIDIA 自己的对比表里不包含任何通用前沿模型。

人们在哪里搞错了界面问题

唯一真正有趣的技术交叉点，恰恰是那个无人争论的：CT模型与文本模型之间的接口应该是什么样子。

一种合理的直觉是，把一组CT图像或降采样后的体数据喂给 Claude Opus 5，让它进行推理。在 1,000,000 个 token 的上下文下，这听起来很宽裕；而面对一项仅有 13,824 个视觉 token 的研究，这听起来更是绰绰有余。问题不在于空间不够。Claude Opus 5 的视觉流程把图像当作一张带有像素尺度的二维图片来处理。以这种方式呈现的胸部CT，会丢失让病灶可被测量的层间距，也会丢失使“磨玻璃影”成为一个阈值而非一种描述的密度标定。你可以递给它一幅轴位层面拼图，得到一段听起来连贯的话。但你无法得到的，是一个测量值。

这正是 NV-Reason-CT 的设计将其算力投入之处。来自 384 毫米体积的 24 × 24 × 24 网格以全分辨率交给语言模型，没有空间下采样，也没有合并层，这就是为什么活跃通路是 4.35B 参数，而不是小得多的规模。该架构是一个赌注：保留空间细节值得付出令牌成本。这是一个关于表示的赌注，而非关于语言能力的赌注，Claude Opus 5 并未参与其中。

真正高效的模式其实很乏味：用 CT 模型做体积读取，用文本模型处理它周边的一切。报告生成与规范化、队列摘要、评估工具链、大规模将 DICOM 档案转换为 NIfTI、分诊哪些检查应优先由人工查看。这属于长文档和代码工作，也正是 1M 上下文模型值回其费率的地方。

成本，以两种无法相互换算的单位计

Claude Opus 5 按用量计费。每百万输入 token 五美元，每百万输出 token 二十五美元，缓存读取五十美分，缓存写入十美元。对于一条要对报告语料库进行规范化、或编写并反复修改评估代码的流水线来说，这就能得出一个可供测算的预测：输入 token、输出 token、缓存读取量，而且只要把缓存配置得当，账单就会便宜得多。

NV-Reason-CT 没有标价。你下载 46.9 亿个参数，然后用电力、GPU 小时和工程时间来支付。对于完整的 13,824 token 研究，没有公布的吞吐量数据，也没有提供量化版本，因此运行它的每次研究成本，是一个你必须自己测量的数字。这对研究权重来说很正常，这也是两者之间最大的实际差异：一个有价目表，另一个则有一张在你已经付完之后才能看到的账单。

真正重要的比较是按检查，而不是按 token。一次 CT 阅片是一个工作单位。对同一病例做一遍报告规范化处理，则是一项以数千 token 计量的文本工作。给前者标上美元金额，意味着要了解你的硬件；给后者标上金额，则只是算术。

比较中的陷阱

有一个具体的错误值得点名，因为这正是这种对比容易引发的错误。那就是把 NV-Reason-CT 当作某个通用模型的专用微调版，从而假定那个通用模型在大多数情况下都足够接近，并且灵活得多。

这不是微调。这是一个名为 Primus 的 3D 视觉 Transformer，从 COLIPRI 初始化，通过 3D 多轴旋转位置嵌入挂接到 Qwen3.5-4B 语言主干上，在约 550,000 个结构化问答样本上训练，这些样本取自 CT-RATE、CancerVerse 以及 NIH 内部集合中的 70,111 个 CT 体积，然后用 GRPO 针对一个奖励进行调优，该奖励将异常集 F1 的权重设为 2.0、区域特定报告结构评分的权重设为 0.5，并将软长度惩罚的权重设为 1.0。三维编码器才是这个模型的关键所在。二维或基于切片的前端是一种不同的工具，而论文自身的比较说明了这种差异的价值：MedGemma 1.5 在输入最多 85 张轴位切片时 F1 为 0.303，而原生体积模型为 0.614。

反向的错误同样常见，代价也同样高昂：以为既然 NV-Reason-CT 是专用模型，就应该把它用于所有临床工作。它只支持胸部和腹部，别无其他；它的调用方式是一个 NIfTI 文件，而不是一条聊天消息；它的许可条款写明仅限研究和教育用途。它不会读取病理切片，不会回答关于指南的问题，也不会编写批量进行 DICOM 转换的代码。拿 CT 模型去做文本工作，和拿文本模型去做体积测量一样，都是范畴错误，只是方向相反。

两部分如何融入一个系统

两个模型谁也不能取代谁，合理的架构会同时包含两者——这就引出了一个实际问题：你该如何调用它们。

Claude Opus 5 通过 OrcaRouter 提供服务anthropic/claude-opus-5，按 Anthropic 的提供商标价、零加价计费，涵盖在同一个支持 200 多个模型的 API 之内。对于单次调用来说，这一点没那么重要，但对围绕它的整条流水线却不然：当临床构建中的文本部分只是若干候选模型中的一个时，把它们全部放在同一个密钥之下，意味着你可以在自己的语料上比较它们，而无需第二份合同或改动代码；路由 DSL 让你能把单个请求发送给最适合处理它的模型，同时当某个提供商性能下降时，自动故障转移会为你兜底。

NV-Reason-CT 不在我们的平台上，NVIDIA 的任何模型也都不在。它是你自己下载、在自己硬件上运行的权重，这正是许可证允许你做的事，而且考虑到输入是源自患者的体积数据，这大概也正是你想要的。我们不会暗示我们路由了一个我们并不托管的模型。这个构建的文本部分才是我们能派上用场的地方；体积部分则要你自己带着一个 4.69B 模型和一块 GPU 单干了。

经得起审查的裁决

如果你需要把 CT 体数据解读为结构化发现，有专门的模型可以做到，它出自 NVIDIA 的研究团队，而且是下载使用，而不是 API 调用。如果你需要将报告语料库规范化、编写评估测试框架、编写 DICOM 转换任务脚本，或对队列进行汇总，也有一个模型可以做到，并且它有一张费率表。

应当坚持的立场是：尚未证明两者在任何方面谁比谁更好，因为实验还没有进行。已经得到证明的是，原生三维界面在一个公开胸部CT基准上胜过了基于切片的界面，作者给出的优势幅度约为三个F1点；以及，一个通用前沿模型在推理、代码和长上下文任务上被独立评估为该领域顶尖。这是关于两项不同工作的两种陈述。把它们解读为排名是范畴错误，而且这种错误会一直存在，直到有人发表那项尚无人发表的正面对比。