DeCode：用于医学问答的内容与交付解耦
计算与语言
2026-03-16 v3 人工智能
摘要
大型语言模型（LLM）展现出强大的医学知识，能够生成事实准确的响应。然而，现有模型往往未能考虑个体患者的背景 context，导致生成的答案虽临床上正确，却未能符合患者的需求。本文引入 DeCode（Decoupling Content and Delivery），一个无训练、模型无关的框架，用于适配现有 LLM 以产生临床场景中的情境化答案。我们在 OpenAI HealthBench 上评估 DeCode，该基准旨在评估 LLM 响应的临床相关性和有效性。DeCode 将零样本表现提升至 49.8%，并实现与现有方法相比的新型最佳成绩。实验结果表明，DeCode 在提高 LLM 临床问答方面具有显著效果。
引用
@article{arxiv.2601.02123,
title = {DeCode: Decoupling Content and Delivery for Medical QA},
author = {Po-Jen Ko and Chen-Han Tsai and Yu-Shao Peng},
journal= {arXiv preprint arXiv:2601.02123},
year = {2026}
}
备注
Preprint