一项 arXiv 预印本研究了医学问答中的语言差异。团队采用两种规模的推理模型,同时训练一个评估器,对回答的中间步骤给出反馈。
随着回答模型变化,评估器也利用新生成的样例更新。团队在 12 种语言上测试 80 亿和 90 亿参数的模型,以观察训练反馈能否跟上模型生成方式的变化。
在 Global-MMLU 和 MMLU-ProX 的医学子集上,作者报告平均准确率较相应 Qwen 基线提升 3.01% 至 7.47%。证据来自题库评测,尚不涉及临床场景验证。
配图为 GETAI 原创 AI 主题插画。
