модели Phi-4-mini, к которым добавлены вспомогательные головки, специфичные для конкретных задач, обеспечивающие калиброванные показатели уверенности, что позволяет клиницистам регулировать баланс между чувствительностью и специфичностью. Обучение модели проходит в три этапа: сначала выполняется контролируемая тонкая настройка, а затем применяется обучение с подкреплением по алгоритму DAPO, который оптимизирует вознаграждения, специфичные для задач клинической отчетности, диагностической точности и пространственной привязки. На таких эталонных наборах данных, как MIMIC-CXR, IU-Xray, CheXpert-Plus и ReXGradient, CARE-X демонстрирует высокую производительность, достигая 94% точности на эталоне ReXVQA, что превосходит другие опубликованные модели. В отдельном эксперименте команда объединила модель Qwen3-VL-4B-Instruct с детерминированными инструментами измерения для выполнения количественных оценок, таких как кардиомегалия и расширение аорты, что значительно превзошло результаты только визуальной аппроксимации; например, показатель F1 для кардиомегалии улучшился с 74,56 до 96,00. Модель была проверена на реальных клинических данных из Индии, предоставленных сетью больниц Narayana Health, включая редкие патологии отделений интенсивной терапии, однако она является исследовательской моделью и не одобрена для клинического применения.