基础模型不是魔法，是一条每一步都学得会的流水线。

❶　从一次 CT 检查说起：医学影像 AI 的第一课

医院给你的 DICOM，模型看不懂——它只懂数字。采样、量化、HU、调窗、插值，这些数字图像处理的地基全部配手算，再落到 rave 仓库的 7 个源码文件：工厂模式、线程池并行、配置分层，一处不落。

DICOM → 体积HU 与调窗工厂模式并行管线

你将带走：亲手把一次真实 CT 检查处理成模型输入的完整能力。

❷　CT 变视频：把 113 MB 压进 3 MB

21 万次扫描 × 113 MB ≈ 24 TB，磁盘和训练都扛不住。答案出乎意料：把 CT 当视频压——熵、DCT、帧间预测、GOP，HEVC 的看家本领一个不缺。还有原子写、幂等、硬件降级这些「能扛事的管线」暗手艺。

熵与 DCTI/P/B 帧GOP 结构工程鲁棒性

你将带走：看懂「能跑的 demo」和「能扛 21 万任务的管线」之间那道门槛。

❸　Atlas 多尺度注意力：全场对讲机，一步直达

标准 Transformer 的 O(N²) 注意力，在百万 token 的 3D CT 上直接算不动。Atlas 用多尺度配对把它压到 O(N·log N)，同样输入快 175 倍。这一章从「什么是注意力」讲起——Q/K/V、softmax、ViT，不做医学影像也原样有用。

Q/K/V 手算自注意力多尺度 MSA175× 提速

你将带走：看懂从 BERT 到 ChatGPT 到 Sora 的整条注意力技术线。

❹　对比预训练：79M 学生跟着冻结的 8B 老师学

CLIP 式对比学习，把 CT 和医生报告配对拉近、不配对推远。最值钱的是那个不对称设计：文本塔是 8B 大模型（Qwen3-Embedding），但冻结 + 离线缓存，根本不进训练显存。还有「两遍式梯度累积」这种教科书不写的工程答案。

训练循环InfoNCE冻结教师梯度累积

你将带走：一整套 CLIP 式训练的工程模板，可以直接抄作业。

❺　RATE：366 道题，考出模型的临床底色

21 万份报告，雇人标注要几年。RATE 用 Qwen3-30B 把报告变成 366 道 Yes/No 临床题——既是预训练的教材供应商，又是评测的出题考官。混淆矩阵、AUROC 从零讲起，82.2 分一步步手算给你看。

LLM 标注线性探针混淆矩阵AUROC

你将带走：「用 LLM 当标注员」这个新范式在医学影像领域的一次完整落地。

❻　Sybil-1.5：把基础模型微调成肺癌预测器（完结章）

最后一跳：通用底座 → 临床工具。在 NLST 肺癌筛查数据上微调，输出未来 1–6 年逐年风险。一个骨干三个头，推理时只有生存头工作，教练退场、知识留下。生存分析、DETR 检测、多任务学习，全部零基础起步。

生存分析目标检测多任务学习灾难性遗忘

你将带走：基础模型落地的通用姿势——六步旅程，就此闭环。

💡 这套教材和论文解读的区别：论文解读讲「它做了什么、效果多好」；这套教材讲「它怎么写的、为什么这么写、你能不能照着写」——所有结论都落在具体文件的具体行上，每一章都能对号入座到开源仓库。

🎁 读者福利｜在公众号后台回复「源码」，获取：① 6 章教材完整 Markdown 合集；② 六大仓库代码地图（每个文件对应哪一章哪一节）；③ 从零到复现的实操路线图。打印出来就是一本免费教材。

⚠️ 合规提示：Pillar-0 / Sybil-1.5 为研究阶段开源模型，未取得 NMPA/FDA/CE 医疗器械注册，不可用于临床诊断；权重协议 ECL-2.0（含专利授权条款，商用需法务复核）；训练与评测数据以 UCSF 单中心、GE 设备为主，跨厂商泛化需独立验证。本系列为技术教学，不构成临床或投资建议。