医学问答中的选择性链式思维
计算与语言
2026-02-24 v1 人工智能
摘要
目标：通过避免不必要的推理来提高大型语言模型(LLM)在医学问答(MedQA)中的效率，同时保持准确性。方法：我们提出选择性链式思维(S selective CoT)，这是一种推理时策略，首先预测问题是否需要推理，仅在需要时生成论证。评估了两个开源 LLM(Llama-3.1-8B 和 Qwen-2.5-7B)，在四个医学 QA 基准测试上——HeadQA、MedQA-USMLE、MedMCQA 和 PubMedQA。指标包括准确率、总生成标记数和推理时间。结果：选择性 CoT 将推理时间缩短 13-45%，标记用量降低 8-47%，且准确性损失最小(4%。在某些模型-任务组合中，它实现了更高的准确率和更大的效率。相对于固定长度 CoT，选择性 CoT 在显著降低计算成本的同时，达到或超过相同的准确率。讨论：选择性 CoT 通过仅在有益时调用显式推理来动态平衡推理深度和效率，减少召回型问题的冗余，同时保持可解释性。结论：选择性 CoT 提供一种简单、模型无关且高性价比的医学 QA 方法，将推理 effort 与问题复杂度相匹配，从而增强 LLM 基于临床系统的实际部署可行性。
引用
@article{arxiv.2602.20130,
title = {To Reason or Not to: Selective Chain-of-Thought in Medical Question Answering},
author = {Zaifu Zhan and Min Zeng and Shuang Zhou and Yiran Song and Xiaoyi Chen and Yu Hou and Yifan Wu and Yang Ruan and Rui Zhang},
journal= {arXiv preprint arXiv:2602.20130},
year = {2026}
}