三篇刚上线的arXiv论文，分别盯着药物发现、儿童健康和血管器械。合起来看是同一件事：AI进医疗，卡点在数据能不能用、结果能不能验、系统能不能落地，模型多大不是关键。
第一篇做的是"本地可部署的智能体联合科学家"。早期计算药物发现要在多步骤流程里调度各种科学工具，过去基本靠云端大模型。作者提了个轻量框架：小模型负责规划，按需调用异构工具，整套系统跑在本地。对药企和实验室来说，数据不出内网，成本也压得下来。小模型能不能扛住复杂规划，是下一步要盯的。
第二篇是CCQ数据集，覆盖多州的儿童保育质量数据。早期保育质量直接决定孩子的发育轨迹，但这个领域的研究长期被碎片化、不便于研究的数据卡住。CCQ把这些信息整理成AI能直接用的格式，给儿童健康研究用。这类工作不显眼，可基础设施往往比模型更缺。
第三篇偏理论，讲合成血管预测表征里的"干预锚定"。结论有点扎心：拿到完整的正交预测坐标，并不等于能把某个潜在方向对应到一个具体的干预手段。作者用数学推导加合成数据做审计，场景是血管器械与血管的贴合问题。预测得准，不等于因果说得清，医疗AI的表征还得靠科学验证。
三篇放一起看，方向很清楚：小模型本地跑、数据标准化、表征可验证。医疗AI的下半场，拼的就是这些不起眼的地基。