小型智能体组合是数字健康的未来
人工智能
2026-05-29 v2
摘要
大型语言模型（LLM）在数字健康领域的快速普及，源于“规模优先”的哲学，即认为临床智能随模型规模和数据量的增大而提升。然而，真实的临床需求不仅关乎效果，还关乎可靠性以及合理的部署成本。由于临床决策本质上是协作性的，我们挑战单一模型的规模化范式，提出小型智能体组合（Small Agent Group, SAG）能否支持更好的临床推理。SAG 将从单一模型智能转向集体专家，通过分布式的推理、证据导向分析和关键审计，运动协作 deliberation 过程。为评估 SAG 的临床实用性，我们使用涵盖效果、可靠性和部署成本等多样化临床指标开展广泛评估。结果表明，SAG 在有无额外优化或检索增强生成的情况下，均优于单一巨型模型。这些发现表明，SAG 所代表的协同推理可以替代临床环境中模型参数的增长。总体而言，SAG 为数字健康提供了一种更好平衡效果、可靠性和部署效率的可扩展解决方案。
引用
@article{arxiv.2602.08013,
title = {Small Agent Group is the Future of Digital Health},
author = {Yuqiao Meng and Luoxi Tang and Dazheng Zhang and Rafael Brens and Elvys J. Romero and Nancy Guo and Safa Elkefi and Zhaohan Xi},
journal= {arXiv preprint arXiv:2602.08013},
year = {2026}
}
备注
ICML'26