arXiv cs.AI· Rui Hua, Yu Wei, Ziri Jin, Zhuo Sun, Kai Chang, Jianan Xia, Zixin Shu, Xiaodong Li, Dongmei Jia, Fei Dong, Runshun Zhang, Jian Yu, Hao Xu, Haibin Yu, Jiansheng Li, Baoyan Liu, Wenjia Wang, Xuezhong Zhou·· 3 天前AI 评分26
Lingdan-V2：面向中医临床推理的大语言模型
Lingdan-V2: Large language models for clinically grounded reasoning in traditional Chinese medicine
AI 导读
研究团队开发了 Lingdan-V2 中医语言模型系列，包含 4B、8B、14B 三种参数规模，采用分阶段临床对齐框架，融合中医与临床记录的大规模持续预训练、推理监督和以处方为中心的强化学习。
正文 · AI 翻译
作者：Rui Hua、Yu Wei、Ziri Jin、Zhuo Sun、Kai Chang、Jianan Xia、Zixin Shu、Xiaodong Li、Dongmei Jia、Fei Dong、Runshun Zhang、Jian Yu、Hao Xu、Haibin Yu、Jiansheng Li、Baoyan Liu、Wenjia Wang、Xuezhong Zhou
摘要：大语言模型推动了医学推理的发展，但中医（TCM）中具有临床依据的推理仍具挑战性，因为处方决策需要整合领域知识、辨证、治则、方剂组成与剂量确定。我们开发了一个中医语言模型系列，包含 40 亿、80 亿和 140 亿参数的模型。其人工智能贡献在于一个分阶段临床对齐框架，整合了在中医与临床记录上的大规模持续预训练、互补推理监督以及以处方为中心的强化学习（RL）。我们进一步将中药处方生成形式化为具有处方级反馈的结构化 RL 问题，使临床决策输出能够被直接优化，而不仅限于知识复现和通用指令遵循。其工程应用为中医临床决策支持，尤其是中药处方推荐。我们在一个包含 13 项中医知识与临床推理任务、25,620 条专家核验条目的公开基准上，以及一个包含 4,348 例脾胃病处方病例的私有回顾性数据集上评估这些模型。140 亿参数、经强化对齐的模型在公开基准上取得处方生成 F1 为 37.0，而总参数达 6710 亿的 DeepSeek-R1 为 32.3；在临床数据集上取得药材级 F1 为 52.8，并改善了剂量一致性。强化后训练在所有规模上持续提升处方推荐，而医师来源分析显示，专家异质性会影响奖励稳定性。这些发现展示了一条从领域基础与推理监督到面向临床的处方决策支持的可扩展路径。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.14705 [cs.CL] |
| （或 arXiv:2610.14705v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14705 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Rui Hua [查看邮箱]
[v1]
2026年10月10日 星期六 08:22:12 UTC（1,154 KB）
来源：arXiv cs.AI · arxiv.org