从通用到专业：使用ARCoT提升大语言模型在医学物理中的应用
计算与语言
2024-05-21 v1 医学物理
摘要
大规模语言模型（LLM）已取得显著进展，但在医学物理等专业领域的应用仍面临挑战，因需依赖领域特定知识。本研究引入ARCoT（Adaptable Retrieval-based Chain of Thought），一种旨在提升LLM领域特定准确性的框架，无需微调或大规模重新训练。ARCoT整合检索机制以获取相关领域信息，运用step-back与链式思考提示技术引导LLM的推理过程，确保更准确且具上下文感知的响应。在医学物理多选题考试中进行基准测试，本模型超越标准LLM，平均达到人类水平，提升幅度最高达68%，取得高分90分。这一方法减少了幻觉现象，提升了领域特定性能。ARCoT的通用性和模型无关性使其易于适用于多个领域，展示了显著潜力以提升专业领域LLM的准确性和可靠性。
引用
@article{arxiv.2405.11040,
title = {From Generalist to Specialist: Improving Large Language Models for Medical Physics Using ARCoT},
author = {Jace Grandinetti and Rafe McBeth},
journal= {arXiv preprint arXiv:2405.11040},
year = {2024}
}
备注
8 pages, 3 figures, 1 table