2026年6月17日，一篇题为《Scaling Generative Foundation Models for Chest Radiography with Rectified Flow Transformers》的论文以预印本形式提交至arXiv，编号为2606.19460v1，归类于计算机视觉与模式识别（cs.CV），同时交叉涉及人工智能（cs.AI）与机器学习（cs.LG）。论文由Fabio De Sousa Ribeiro博士领衔，共有10位作者参与，提交时间为协调世界时2026年6月17日18:01:18，全文文件大小约23,990 KB。
研究团队在摘要中提出，这是首个从零开始训练、参数规模达到十亿级别的胸部X射线生成式基础模型。作者指出，现有放射影像AI模型在跨患者亚群、跨医疗机构以及不同采集设置下往往泛化能力不足，导致其在真实临床环境中的效用有限。因此，可控且高保真的胸部X射线合成被视为一种有前景的路径，可用于丰富临床数据集的多样性，并评估诊断模型的鲁棒性。
该模型被描述为迄今为止针对胸部X射线规模最大的专用生成式基础模型，参数量超过13亿，训练消耗1.6万亿个token，所用数据为经过整理、具备异质性的数据集，包含120万张X射线影像以及由临床专家指导的元数据。模型支持在多个人口统计学亚组、多种采集视图以及十余种病理类型之间进行可控的X射线生成与编辑。作者还表示，该工作在X射线合成保真度上显著推进了现有技术水平，生成的图像在临床专家看来与真实X射线难以区分。
论文提供了项目页面链接，读者可通过arXiv查看PDF版本、实验性HTML版本以及TeX源码，并附有许可信息。该论文的DOI为10.48550/arXiv.2606.19460，由DataCite颁发，目前处于待注册状态。除正文外，arXiv页面还提供NASA ADS、Google Scholar、Semantic Scholar等引用工具，以及Connected Papers、Litmaps、scite.ai等文献关联与引文分析服务，同时列出了alphaXiv、CatalyzeX、DagsHub、Gotit.pub、Hugging Face、ScienceCast等代码、数据与媒体关联入口，以及Replicate、Hugging Face Spaces、TXYZ.AI等演示资源。页面还包含arXivLabs相关说明，强调arXivLabs是允许合作者直接在arXiv网站上开发和共享新功能的实验性框架，参与方需认同开放、社区、卓越与用户数据隐私等价值观。
从研究意义看，这项工作的核心贡献在于将生成式基础模型的规模扩展至胸部放射影像领域，并通过大规模、专家标注的数据与可控生成能力，回应了医学影像AI在泛化性与数据多样性方面的长期痛点。作者强调合成图像与真实图像在专家评估中不可区分，但摘要未披露具体的定量评估指标、外部验证数据集或临床部署细节，这些信息需查阅论文全文才能进一步确认。该预印本目前为v1版本，后续可能根据同行评审或社区反馈进行修订。