改写患者叙述可缩小临床模型准确率差距

一项研究给 1,000 个 MedQA 病例配上临床、社会经济、文化三种口吻的复述，评测 12 个 3B 至 24B 开源模型（含两个医学微调版）。结果发现，患者用带标记口吻叙述时，模型错误增加 26%，准确率平均下降 9.6 个百分点，且模型规模扩大未见缓解。 研究称，让同一模型先把患者叙述改写成临床小病历、再据此作答，可把上述差距缩小一半，同时使带标记口吻的准确率提高 3.9 个百分点（11 个可运行该流程模型的均值）。相比之下，思维链加显式去偏指令合计只能消除约五分之一的差距；改用结构化模板而非散文的同类流程虽也能消除差距，但在全部 11 个模型上准确率低 7.1 个百分点，加入推理代理或工具代价更高。研究同时指出改写并非没有代价：它比抽取能恢复更多事实，但也会编造看似合理的细节。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。