NV-Reason-CT vs Grok 4.6：谁读扫描影像，谁读报告

将 AI 接入 CT 流程有两种方式，而其中只有一种与图像本身有关。 NV-Reason-CT是第一种：一个 4.69B 参数的 3D 视觉语言模型，可直接读取 NIfTI 体数据，并于 2026 年 9 月 8 日发布到 Hugging Face，而 NVIDIA 并未发布任何上线公告。 Grok 4.6是第二种：一个 500,000 token 的文本与图像模型，于 2026 年 8 月 12 日推出，每百万输入 token 收费 $2.00，并且非常擅长任务中“有人已经写下发现之后”才发生的那部分工作。把它们放在一起比较，那个常见的问题——哪个更好——结果却是个不成立的问法。它们争夺的并不是流程中的同一个位置。它们争夺的是同一个预算条目。

各方实际交付了什么

NV-Reason-CT 是以仓库、论文和演示 Space 的形式出现的，而非作为产品。NVIDIA-Medtech 下的 GitHub 仓库创建于 2026 年 9 月 2 日；Hugging Face 上的权重于 9 月 8 日紧随其后发布；arXiv 预印本，NV-Reason-CT：用于 CT 分析的 3D 视觉语言模型，于 9 月 23 日发布，共有来自 NVIDIA、NIH 和苏黎世大学的十六位作者。NVIDIA 的新闻编辑室对此只字未提。模型卡描述的是 0.1 版，并将用途限制于研究和教育。

Grok 4.6 则是另一类发布。它是一流的商业端点，在厂商的开发者文档中被列为“Latest”，依据公开的价目表定价，并可作为 OpenAI 兼容模型使用，现有集成只需更改基础 URL 即可接入。它接替 Grok 4.5，拥有相同的上下文窗口、相同的输入接口面和相同的基础定价。

这种不对称正是这一对比的全部关键。一个是碰巧可以下载的研究产物。另一个是基础设施。将二者相互对照来读，就能看出在医学影像领域，“研究产物”与“基础设施”之间的界线目前落在哪里——而它并不在你以为的地方。

投入与产出方面的分工

• 体积输入 — NV-Reason-CT 读取以亨斯菲尔德单位表示的 .nii/.nii.gz NIfTI 体积，仅限胸部或腹部，而 Grok 4.6 读取文本、图像和文件，无体积处理路径 • 空间处理 — NV-Reason-CT 将 384×384×384 毫米的体积转换为 24×24×24 的网格、共 13,824 个 token，并采用 3D MRoPE，无下采样，而 Grok 4.6 将图像视为二维图片 • 上下文 — NV-Reason-CT 一个体积就是一个固定前缀，没有通常意义上的上下文窗口，而 Grok 4.6 为 500,000 个 token • 输出 — NV-Reason-CT 结构化报告、答案或可禁用思考的推理轨迹，而 Grok 4.6 为文本，支持结构化输出和工具调用 • 许可 — NV-Reason-CT OpenMDW-1.1，10.6 GB BF16 权重，而 Grok 4.6 为专有，仅 API • 价格 — NV-Reason-CT 为 GPU 资本支出，无按 token 计费，而 Grok 4.6 为每百万 $2.00 / $6.00，输入超过 200K 时翻倍

这两者读起来像一次自然的分工交接。NV-Reason-CT 从影像中得出发现；Grok 4.6 则是你会把上千条这样的发现一次性放进同一个上下文窗口、交给它去寻找整个队列中规律的那个模型。还没有人公开过这条流水线。这是显而易见的架构，而且值得直说：它尚未经过验证。

Grok 4.6 的数字，以及它们是谁的

关于 Grok 4.6 的两个数字一起流传，但它们并非同一类东西。94.9 的 GPQA Diamond 分数由 Artificial Analysis 测得，而非由厂商报告——这恰恰因为是由第三方运行，所以在这两类中更可信。在指数修订版 v4.3.2 上，Artificial Analysis Intelligence Index 分数为 44，使 Grok 4.6 在其类别中 211 个模型里位列第 28。Artificial Analysis 还记录该模型为专有：权重不公开可用。

在同一榜单上，AA 测得 Terminal-Bench 2.1 为 88.4，SciCode 为 56.5，Humanity's Last Exam 为 42.9，𝜏²-banking 为 50.7，长上下文召回为 80.3。这些都是通用推理测评工具。它们没有一个能跑在 3D CT 体数据上——这并不是在贬低 Grok 4.6，而是在说明这套基准测试套件衡量的是什么。

CT 侧恰好只有一张表，而且它是作者的

NV-Reason-CT 的整个公开证据基础，就是 CT-RATE 18 个标签上的一张分类表，采用固定统一阈值，使用直接 Yes/No 提示，且没有分类头。它报告 Macro-F1 为 0.614、Macro-AUROC 为 0.871，而 VoxelFM 为 0.581/0.870，Pillar-0 为 0.544/0.861，ClinFusion-8B 为 0.442，CT-CLIP 为 0.398/0.733，Merlin 为 0.358/0.662，MedGemma 1.5 为 0.303。

这些是厂商报告的，来自模型卡，我之所以这样标注，是因为尚无独立第三方复现它们。表中有两点值得注意。相对 VoxelFM 的 F1 优势为 0.033，在固定阈值下的 18 个标签上，这是一个真实的差距。相对同一模型的 AUROC 优势为 0.001，这相当于平局。这两个数字出现在同一张表的同一行中，而只有其中一个承载着主张。

表格还告诉你有关论文自身框架设定的另一件事。对比模型是3D对比预训练系统、一个融合2D/3D的生成式MLLM，以及一个基于切片的尖端模型。作者选择以摄入体数据的系统作为基准，因为这里唯一有意义的论断是：生成式3D模型能够在无需分类头的情况下，在分类任务上击败判别式3D模型。这完全没有说明NV-Reason-CT在任何方面与通用尖端模型相比如何，因为这一比较在这个维度上并不存在。

资金流向何处，以及为什么层级边界很重要

Grok 4.6 的价目表里有一个细节，它悄无声息地决定了许多架构选择：输入 token 超过 200K 的提示按基础费率的两倍计费——输入 $4.00，输出 $12.00，缓存读取费率则从 $0.50 涨到 $1.00。一个在单一长上下文中累积发现的群组审查任务，正是会越过这条线的那类工作负载。在这条线以下，每百万 $0.50 的缓存读取费率仅为输入价格的四分之一，正是这一点，让把一大段固定前缀在数千份报告上循环复用变得负担得起，而不仅仅是理论上可行。

通过 OrcaRouter，Grok 4.6 按该提供商的原价提供，零加价，因此上面的阶梯算价就是你实际支付的算价，而且未来对它的任何调整都会当天反映到你的账单上，而不是等到下一次续费。之所以要对这类任务做路由，而不是硬编码某一个端点，是因为临床流水线中的队列复核环节，正是你会想先试三种不同模型再做决定的地方——而在一个兼容 OpenAI 的密钥上，借助跨提供商自动故障转移，这个实验的成本不过是改一下模型名称。

流水线的 CT 那一半没有这样的选项。NV-Reason-CT 并没有托管在 OrcaRouter 上——它是一个 10.6 GB 的检查点，带有自定义模型代码，需要你自己在 Ampere、Hopper 或 Lovelace 芯片上运行，并设置 trust_remote_code=True。我们不会暗示并非如此。如果你在搭建这条流水线，你就是在为其中一半购置 GPU，为另一半购买 token，而两半至少都能从同一个控制台进行管理——这是唯一值得拿出手的集成说法。

第二位读者究竟价值几何

NV-Reason-CT 论文包含一项初步的专家放射科医师研究，报告称“对人工智能辅助阅片的信心评分良好”，且平均报告的判读与报告时间缩短了 50%。这些数字很亮眼，但它们附带一个论文本身已说明的限定条件：属于初步研究，且研究设计出自作者本人。目前尚无已发表的独立重复验证，而在受控阅片研究中，50% 的时间缩短恰恰是那种在重复验证中会缩水的结果。它值得持续关注，但不值得当作已确立的结论来引用。

对照这一点来看，Grok 4.6 对放射学工作流程的贡献根本不是诊断。它是读取报告的那一层——分诊队列、随访信、编码、事先授权资料包。那项工作是文本，量大，单位成本低，而且出错的失败模式是行政性的，而非临床性的。这也正是 500K 上下文窗口和 0.50 美元缓存读取真正体现价值的地方。

所以这个对比得出的分野很直接：NV-Reason-CT 有一条真正的三维通路，却没有分发渠道、没有定价，也没有独立验证。Grok 4.6 有分发渠道、有定价、有独立的基准测试覆盖，却完全没有体成像通路。如果你需要把扫描结果读出来，这两者中只有一个能做到。如果你需要把围绕扫描的那套文书流程处理妥当，只有另一个才算得上是产品。