医学视觉语言模型（VLM）在回答问题时常常因为问题中提到了某个病灶而直接报告该病灶，即使图像中并不存在。这类偏差在传统基准测试中难以捕捉。我们利用公开的分割数据集，自动生成三类对照图像：\n\n1. 病灶抹除图：使用图像修复（inpainting）技术将原始病灶区域填补为正常组织；\n2. 同形控制编辑：在图像的其他位置以相同形状进行抹除，以排除模型对编辑本身的敏感性；\n3. 未编辑的无病灶图：原始图像中本就不含该病灶。\n\n基于这些对照，我们定义 证据敏感性差距（Evidence Sensitivity Gap, ESG）：\n$$ ESG = \text{Absent-or-Refer Rate}{\text{lesion‑erased}} - \text{Absent-or-Refer Rate}{\text{control‑edit}} $$\n\n如果模型完全忽视图像内容或对两种编辑的反应相同，ESG 将为 0。\n\n我们在 Qwen3.5‑4B 基础上通过 LoRA 微调并加入图像处理工具，得到 MedScope‑4B。训练数据来源于标签生成的轨迹，严格遵循预注册规则进行样本筛选。模型在一次性评测中与九个最前沿的 VLM 和六个公开模型进行比较，并通过四项预注册检查进一步验证机制。\n\n在 507 条涵盖五种成像模态的内部测试案例中，MedScope‑4B 达到 ESG 0.758，仅在 9.6% 的案例中错误声称发现已被抹除的病灶；相比之下，最前沿模型的 ESG 介于 0.27‑0.47，错误声称率在 41%‑62% 之间，差异均具有统计显著性（p < 0.05）。\n\n点评：该工作通过巧妙的反事实编辑构建了更具挑战性的评估框架，显著提升了小模型在医学图像报告任务中的真实性与可靠性，为未来 VLM 的安全评估提供了可复制的思路。