检索、生成、评估：基于小型语言模型的医学改写生成案例研究
计算与语言
2024-07-24 v1
摘要
近年来，大型语言模型（LLMs）的可获取性提升，使得其被用于医学相关推荐的使用变得难以追踪。通过LLM进行语言生成存在两个关键问题：首先，它们容易产生幻觉，因此对于任何医学目的都需要科学和事实依据的支撑；其次，LLM因模型规模庞大而对计算资源构成巨大挑战。本文引入了pRAGe（Retrieval Augmented Generation and evaluation of medical paraphrases generation using Small Language Models的管道），用于小型语言模型（SLM）的医学改写生成进行检索、生成和评估。我们研究了SLM的有效性以及外部知识库对医学改写生成（以法语为例）的影响。
引用
@article{arxiv.2407.16565,
title = {Retrieve, Generate, Evaluate: A Case Study for Medical Paraphrases Generation with Small Language Models},
author = {Ioana Buhnila and Aman Sinha and Mathieu Constant},
journal= {arXiv preprint arXiv:2407.16565},
year = {2024}
}
备注
KnowledgeableLM 2024