Newest papers

What Language Adds, and at What Cost: Four Controlled Probes of Pathology Vision-Language Models

Wenhao Zhang, Zhongliang Zhou, Yi Ping, Zirui Wang, Sheng Li · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26805 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Các mô hình tự điều hướng (VLMs) hứa hẹn sẽ làm cho bệnh lý tính toán có thể truy vấn và có thể soạn thảo các báo cáo, nhưng ngôn ngữ bổ sung bao nhiêu ngoài xương sống của thị giác là không rõ ràng, bởi vì hầu hết mọi hệ thống được đánh giá bởi các nhà phát triển trên các bộ thử nghiệm của sự lựa chọn của họ. Chúng tôi xếp hạng các bằng chứng được công bố bằng cách nó được sản xuất và kiểm tra bốn tuyên bố với các tàu thăm dò có kiểm soát tái sử dụng các điểm kiểm tra được phát hành và dữ liệu công cộng, thay đổi một đầu vào tại một thời điểm. Văn bản báo cáo thêm tín hiệu dự báo: thêm một nhúng đóng băng của báo cáo được biên soạn giai đoạn vào một nhúng slide làm tăng chỉ số C được tập hợp bằng 0.019 cho khoảng thời gian không tiến bộ và bằng 0.016 cho sự sống sót

Machine translation (Meta M2M100); the English original follows.

Abstract

Vision--language models (VLMs) promise to make computational pathology queryable and able to draft reports, but how much language adds beyond the vision backbone is unclear, because almost every system is evaluated by its developers on test sets of their own choosing. We grade published evidence by how it was produced and test four claims with controlled probes that reuse released checkpoints and public data, varying one input at a time. Report text adds prognostic signal: adding a frozen embedding of the stage-redacted report to a slide embedding raises the pooled C-index by 0.019 for progression-free interval and by 0.016 for overall survival across 1{,}633 TCGA patients, and restoring the stage statement adds nothing. Prompts add no measurable accuracy at inference: with features and pooling fixed, zero-shot classification is statistically indistinguishable from a supervised linear probe for lung and renal cancer subtyping. Slide-level question answering is barely grounded: SlideChat answers 74.82\% of SlideBench-VQA(TCGA) items correctly with the slide and 74.41\% without it, whereas its language backbone alone reaches 43.52\%. Paraphrasing leaves accuracy unchanged but flips 8--23\% of answers. Self-reported gains from agentic navigation and few-shot language priors cannot yet be attributed to language. Language thus adds real but narrow value, and we propose minimum controls that would expose these failure modes in future evaluations.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Pooling, Computer science, Natural language processing, Reuse, Embedding, Artificial intelligence

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange