Больной Ю, Лань Яо, Цзиннань Лю, Чжэ Чен, Цзяцзюнь Инь, Юань Ван, Синьхао Ляо, Жилин Е, Цзи Ли, Юнь Юэ, Ханьсон Сяо, Хуалей Чжоу, Чуньсяо Го, Пэн Вэй, Цзиньцзе Гу Недавние разработки в области агентов на основе большой языковой модели (LLM) продемонстрировали впечатляющие возможности, охватывающие множество областей, примером чему служат глубокие исследовательские системы, демонстрирующие превосходство выполнение сложных задач по поиску и синтезу информации. Хотя агенты глубоких исследований общего назначения продемонстрировали впечатляющие возможности, они серьезно борются с проблемами в медицинской сфере: тест MedBrowseComp показывает, что даже GPT-o3, ведущая запатентованная система глубоких исследований, достигает точности только 25,5% при выполнении сложных медицинских запросов. Ключевые ограничения: (1) недостаточные глубокие медицинские знания для клинических рассуждений и (2) отсутствие медицинских инструментов поиска. Мы представляем агента для глубоких медицинских исследований, который решает эти проблемы с помощью двух основных инноваций. Во-первых, мы разрабатываем новую структуру синтеза данных, используя графы медицинских знаний, извлекая самые длинные цепочки из подграфов вокруг редких медицинских объектов для создания сложных многошаговых пар контроля качества. Во-вторых, мы интегрируем специально разработанный…
Модальности:
Генерация текста
Области применения:
Диалог / чат
Задача: Генерация текста
Автор: AQ-MedAI
Теги: qwen2, conversational, text-generation-inference, endpoints_compatible
Лайков: 32 | Загрузок: 8
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
