医療視覚質問応答（Med-VQA）は、医療分野へのファインチューニングや大規模モデル、複雑なマルチエージェントパイプラインを必要とすると一般に考えられている。2026年9月3日にarXivへ投稿された論文は、MedProbと呼ばれる軽量なプロービングフレームワークを提案し、この前提に挑戦している。MedProbは、凍結された視覚言語モデル（VLM）の内部表現から直接、多肢選択式の回答を予測する。自由文の生成を行わないため、生成に伴うノイズや評価バイアスを回避できる。
研究チームは、PATH-VQA、SLAKE、VQA-RADという3つの医療用ベンチマークで実験を行った。その結果、MedProbはプロンプティングよりもはるかに多くの回答関連信号を抽出でき、医療特化VLMやエージェントシステムよりも高い性能を示した。このことは、医療VQAにおいて大規模なドメイン適応や巨大なモデルが必ずしも必要ではないこと、凍結モデルの内部表現に十分な意思決定信号が含まれていることを示唆している。
特に興味深い発見として、プロービングを用いると、小規模なVLMと大規模なVLMの性能差が大幅に縮小した。これに対し、生成ベースの評価では小規模モデルが一見するとかなり弱く見える。この結果は、小規模VLMにも生成評価が示す以上に多くの回復可能な医用質問応答信号が含まれていることを意味しており、評価方法の選択がモデル能力の認識に大きな影響を与えることを示している。
論文ではさらに、汎用モデルと医療適応モデルのペアを14組比較し、医療適応が線形可読性（リニアデコーダビリティ）を一貫して向上させるわけではないことを明らかにした。つまり、医療データで調整されたモデルほど内部表現から回答信号を抽出しやすいとは限らない。この結果は、一般的な「適応してから評価する」というアプローチに再考を促すものだ。
加えて、著者らは生成式の自由文評価において、正解の選択肢の位置がモデルの性能に影響する「回答位置バイアス」を発見した。その影響は最大10パーセンテージポイントに達する。MedProb自体にも位置バイアスは存在するが、その現れ方はプロンプティングとは異なる。この違いは、VLMの意思決定メカニズムを理解する手がかりとなり、精度比較の際には選択肢の順序を考慮する必要があることを示している。
MedProbの主な実験は、多肢選択・多クラス設定に焦点を当てている。ただし、論文ではリジェクションサンプリングによるスコアリング手順を導入し、プローブを自由回答形式の医療QAに拡張できることも示している。本論文はEMNLP Findings 2026に採録されており、Erfan Nourbakhsh氏らによって執筆された。