Fundus-R1：利用公共数据训练具备知识感知推理能力的眼底阅读多模态大语言模型

眼底图像理解因知识密集性而极具挑战，现有方法依赖非公开的高质量临床报告数据。为突破此限制，本文提出 Fundus-R1，仅利用公共数据集（94% 仅为图像级标签）训练推理增强的眼底阅读多模态大语言模型。主要贡献包括：一是提出基于检索增强生成（RAG）的方法，自动构建连接视觉发现与眼科知识的图像特异性推理轨迹；二是在可验证奖励的强化学习（RLVR）中引入过程奖励，鼓励推理轨迹的自我一致性。实验表明，该模型在多个基准测试中显著优于基线模型，证明了利用公共数据训练高性能眼底阅读模型的可行性。