OpenMedLM: Prompt engineering can out-perform fine-tuning in medical question-answering

最新推荐文章于 2025-05-10 22:39:11 发布

UnknownBody

最新推荐文章于 2025-05-10 22:39:11 发布

阅读量361

点赞数 8

本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/138838015

版权

LLM Daily 同时被 3 个专栏收录

1201 篇文章 ¥99.90 ¥299.90

订阅专栏

超级会员免费看

LLM Training

69 篇文章

订阅专栏

LLM Prompt

40 篇文章

订阅专栏

研究表明，通过提示工程，开源（OS）大型语言模型（LLM）OpenMedLM在多个医学问答基准上超越了微调模型，实现了最先进的性能。OpenMedLM在无需专门微调的情况下，于MedQA和MMLU医学子集上展现出优秀的准确率，降低了对昂贵计算资源的需求，为医疗AI的发展开辟新路径。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文是LLM系列文章，针对《OpenMedLM: Prompt engineering can out-perform fine-tuning in medical question-answering with open-source large language models》的翻译。

OpenMedLM：Prompt engineering可以在使用开源大型语言模型的医学问答中进行微调

摘要
1 引言
2 方法
3 结果
4 讨论
5 结论

摘要

背景：LLM越来越有能力完成一系列专业任务，并可用于扩大公平获得医学知识的机会。大多数医学LLM都涉及广泛的微调，利用专门的医学数据和大量的计算能力，因此成本高昂。许多表现最好的LLM都是专有的，其访问权限仅限于极少数研究小组。然而，开源（OS）模型代表了医疗LLM的一个关键增长领域，因为其性能显著提高，并且具有提供医疗保健所需透明度和合规性的内在能力。在这里，我们介绍了OpenMedLM，这是一个提示平台，可在医疗基准上为操作系统LLM提供最先进的（SOTA）性能。
方法：我们在四个医学基准（MedQA、MedMCQA、PubMedQA、MMLU医学子集）上评估了一系列OS基础LLM（7B-70B）。Yi 34B在基线时表现最好，因此被用于开发OpenMedLM。我们采用了一系列提示策略，包括零样本、少搜索、思维链（随机选择和kNN选择）和集合/自主投