🔥 今日值得一读
临床计算器别再硬编码了！32B模型写代码求解，准确率飙升7个百分点
Towards a Deterministic Math Solver for Clinical Language Models
👨💼 主理人解读 · 为什么值得关注
开发者可让模型生成并执行Python而非直接算数，用于临床计算器等对数值精度要求高的场景。
📖 AI 总结
本文探讨如何提升临床语言模型在数值计算上的可靠性。由于大模型算术易出错，而临床计算器中单个数值错误即可改变诊疗建议，作者提出“程序—求解”接口：模型不直接计算，而是生成针对具体病例的Python代码，由受限的本地执行器作为确定性求解器运行，模型只负责决定如何使用。研究在MedCalc-Bench Verified（1100个案例、55个计算器）上，以Qwen2.5-7B和32B-AWQ对比直接算术与手写22计算器库，并审计发现55个公式中有16个存在版本、用途或系数问题。结果显示，在公式与金标准变量齐备时，7B模型使用求解器无显著优势（75.31%对72.02%），32B模型则有明显提升（90.53%对83.47%）。手写库在其支持的440例上完全准确，但整体仅40.0%。研究表明，引入执行器对部分开源模型有帮助，但不能替代经验证的公式与可靠的变量提取。
🔑 关键词速览
| Program-Solve interface | 一种接口范式，模型不直接计算，而是生成针对具体病例的Python代码，由受限执行器作为确定性求解器运行。 |
| MedCalc-Bench Verified | 一个经过验证的临床计算器基准测试，包含1,100个病例和55个计算器，用于评估模型在临床数值计算上的表现。 |
| deterministic solver | 确定性求解器，指执行给定代码时输出完全可预测、无随机性的计算程序，用于保证数值结果的可靠性。 |
| calculator-cluster interval | 计算器聚类区间，一种考虑同一计算器内病例相关性的置信区间估计方法，用于评估性能差异的统计显著性。 |
| gold variables | 黄金变量，指基准测试中提供的、从临床记录中人工标注或提取的正确变量值，用于隔离变量提取误差。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅