GUIDER 用多流过程奖励加答案门控提升临床指南推理。
资讯摘要
论文提出 GUIDER，联合优化决策流控制器与推理策略：控制器从指南监督中生成合理的决策流，策略为每个病例生成决策流和最终答案；过程奖励在多个控制器生成流上计算以应对路径多样性，并以答案正确性为门控以应对路径—答案差距。作者报告在 MedGUIDE 上，Qwen3-14B 版 GUIDER 取得 82.5 加权准确率和 73.5 指南依从度，分别比最强临床强化学习基线高 3.3 和 3.1 分，并在 AMEGA-LLM、RealMedQA、CancerGUIDE 上优于 CRPO、MRPO 和 FaithMed。
要点速读
- 论文指出临床推理存在路径—答案差距与路径多样性两个难点，现有答案奖励、过程奖励和监督微调各有局限。
- GUIDER 联合训练决策流控制器与推理策略，过程奖励跨多个控制器生成流计算，并以答案正确性门控。
- 作者报告在 MedGUIDE 上 Qwen3-14B 版达 82.5 加权准确率、73.5 指南依从度，并在三个域外基准上优于 CRPO、MRPO、FaithMed。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。