注册

GUIDER：用潜决策流奖励提升临床指南推理

论文AI 评分 72/100arXiv cs.AI
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

论文提出 GUIDER 方法，把临床指南中的条件决策流当作过程监督信号，同时训练一个决策流控制器和一个推理策略。控制器从指南监督中学习生成合理的决策流，策略为每个病例生成决策流与最终答案。过程奖励在控制器生成的多个流上计算，以覆盖同一决策对应多条有效路径的情况；该奖励再以答案正确性为门控，处理路径与答案不一致的问题。在 MedGUIDE 上，Qwen3-14B 骨干取得 82.5 加权准确率和 73.5 指南依从度，分别高出最强临床强化学习基线 3.3 和 3.1 个点；在 AMEGA-LLM、RealMedQA、CancerGUIDE 三个域外基准上，Qwen3-14B 与 Gemma4-12B 两种骨干均优于 CRPO、MRPO 和 FaithMed。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

指南为何能当监督信号

临床实践指南把循证建议写成条件式决策流，因此天然可以作为训练推理模型的过程监督来源。但作者指出两个让这种监督难以直接使用的性质：一是与指南一致的决策流本身并不决定某个患者病例的正确答案，作者称之为路径—答案鸿沟；二是同一个临床决策可以由多条有效决策流支撑，作者称之为路径多解。现有做法各自只覆盖了问题的一部分：答案奖励只监督最终决策，对照参考流计算的过程奖励每个病例只监督一条有效流，而在标注流上做监督微调虽能教出符合指南的推理，却把模型限制在每病例单条轨迹上，还可能拉低答案准确率。

控制器与策略的联合训练

GUIDER 的做法是同时优化两个部件。决策流控制器从指南衍生的监督中学习生成看似合理的决策流；推理策略则为每个患者病例生成一条决策流以及最终答案。关键在于过程奖励的计算方式：奖励不是对照单条参考流，而是在控制器生成的若干条流上对策略计算，从而把路径多解纳入考量；同时这道奖励以答案是否正确作为门控，用来处理路径与答案之间的鸿沟。由于两者联合训练，过程监督会随策略一起演化，而不是固定在一份静态标注上。

基准上的具体结果

在 MedGUIDE 上，以 Qwen3-14B 为骨干的 GUIDER 取得 82.5 的加权准确率与 73.5 的指南依从度，两项分别比最强的临床强化学习基线高 3.3 和 3.1 个点。作者还在域外基准 AMEGA-LLM、RealMedQA 和 CancerGUIDE 上做了验证，使用 Qwen3-14B 与 Gemma4-12B 两种骨干时，GUIDER 相对 CRPO、MRPO 与 FaithMed 均有提升，说明该方法并非只在单一数据集上有效。

为什么值得看

把指南决策流变成可训练的过程奖励，并给出路径多解与答案不一致的解法，对做医疗推理与过程监督的团队有直接参考价值。

Qwen强化学习论文

信源1 家

  1. [1]arXiv cs.AI一手信源Latent Decision Flow Rewards for Clinical Guideline Reasoning

关键事实

  • 论文提出 GUIDER，联合优化决策流控制器与推理策略[1]

  • 过程奖励在控制器生成的多个决策流上计算，并以答案正确性为门控[1]

  • MedGUIDE 上 Qwen3-14B 取得 82.5 加权准确率与 73.5 指南依从度，分别高出最强临床强化学习基线 3.3 和 3.1 个点[1]

  • 在 AMEGA-LLM、RealMedQA、CancerGUIDE 上，Qwen3-14B 与 Gemma4-12B 骨干均优于 CRPO、MRPO、FaithMed[1]

相关 · 论文

OpenAI 推出 LifeVal 基准，衡量 AI 完成日常事务的能力

11月2日 周一·AI 72

清华姚期智团队提出代数世界模型AWM，ARC-AGI-3全关卡通关

11月1日 周日·AI 78

新芯航途发布X7 Ultra芯片，700TOPS，用Momenta世界模型做评测

10月31日 周六·AI 72

LSA 稀疏注意力方法：百万级上下文下提速最高 72.4 倍

10月31日 周六·AI 78

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论