面向临床自然语言推理的分区式智能体推理
人工智能
2026-01-16 v2
摘要
大型语言模型能够为临床自然语言推理生成流畅的判断，但当决策需要正确的推理模式而非表面匹配时，它们常常失败。我们引入了CARENLI，这是一个分区式智能体框架，它将每个前提-陈述对路由到一个推理族，然后应用带有显式验证和针对性细化的专用求解器。我们在包含200个实例的扩展CTNLI基准上进行了评估，涵盖四个推理族：因果归因、组合基础、认知验证和风险状态抽象。在四个当代骨干模型上，CARENLI将平均准确率从直接提示的约23%提高到约57%，提升了约34个百分点，在结构要求高的推理类型上获益最大。这些结果支持将分区与验证作为实现更可靠、可审计临床推理的实用途径。
引用
@article{arxiv.2509.10222,
title = {Compartmentalised Agentic Reasoning for Clinical NLI},
author = {Maël Jullien and Lei Xu and Marco Valentino and André Freitas},
journal= {arXiv preprint arXiv:2509.10222},
year = {2026}
}