اگر تصور می‌کنید افزایش مقیاس پارامترها برای رسیدن به دقت تشخیصی در پزشکی کافی است، سخت در اشتباهید. مشکل اصلی مدل‌های زبانی (LLM) در پزشکی، نه کمبود داده، بلکه «تداخل استدلالی» است؛ وضعیتی که در آن یادگیری هم‌زمان استراتژی‌های تشخیصی متضاد، منطق مدل را مخدوش می‌کند.
در محیط‌های بالینی، یک پزشک باید بر اساس داده‌های ناقص، مسیرهای استدلالی متفاوتی را طی کند. اکثر عامل‌های (Agents) فعلی از یک رویکرد تک‌پارادایم استفاده می‌کنند که منجر به افت کیفیت منطق در پرونده‌های خاص می‌شود. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی محدودیت‌های استنتاج (Inference) مدل‌های تخصصی اشاره کردیم، ترکیب ساده‌ی داده‌های نظارتی نمی‌تواند جایگزین تفکیک ساختاری شود.
طبق پژوهشی که در ۹ ژوئن ۲۰۲۶ در arxiv.org منتشر شد، چارچوب PACT (Periodic Anchor Consensus Training) دو نوآوری کلیدی را معرفی کرده است:
- DPS (Doctor-Patient-Supervisor): روشی برای سنتز داده‌ها که با استفاده از پرونده‌های الکترونیک پزشکی (EMR)، دیالوگ‌های تاییدشده‌ای در چهار پارادایم تشخیصی خلق می‌کند، بدون اینکه پاسخ‌های پنهان پزشکی نشت کند.
- Branch-Anchor Training: در این روش، برای هر استراتژی استدلالی یک شاخه‌ی LoRA (Low-Rank Adaptation) مجزا آموزش می‌بیند. این شاخه‌ها به‌صورت دوره‌ای از طریق «اجماع علامت» (Sign Consensus) در یک Anchor (لنگر) مشترک تجمیع می‌شوند.
برای اعتبارسنجی این روش، پژوهشگران یک بنچمارک تعاملی و چندمرحله‌ای برای تشخیص پزشکی به زبان چینی طراحی کردند. به گزارش این مطالعه، PACT در هر دو معیار «نتایج تشخیصی» و «فرآیند مشاوره»، عملکرد مدل‌های تجاری و تخصصی را به چالش کشید و از آن‌ها پیشی گرفت.
این معماری پیش‌فرض «یک مدل برای همه وظایف» را به چالش می‌کشد و به جای آن، سیستمی ماژولار و مبتنی بر اجماع را پیشنهاد می‌دهد. با استفاده از شاخه‌های LoRA، PACT به‌طور موثر از تاریِ منطق که در تنظیم دقیق (Fine-tuning) چندوظیفه‌ای رایج است، جلوگیری می‌کند. این نتایج نشان می‌دهد آینده استدلال در حوزه‌های حساس، نه در افزایش مقیاس، بلکه در تجمیع استراتژیک «متخصصان» کوچک است.
گام بعدی شما
- بررسی عملکرد متد اجماع شاخه‌ای در دامنه‌های پیچیده دیگر مانند استدلال حقوقی.
- تحلیل بنچمارک جدید و پویا برای تشخیص پزشکی چینی جهت سنجش مدل‌های تعاملی.
- ارزیابی هزینه استنتاج در سیستم‌های چندشاخه‌ای در مقایسه با مدل‌های یکپارچه.
اما تأثیر این رویکرد بر کاهش توهمات (Hallucinations) در مدل‌های پزشکی بازمتن، موضوع گزارش بعدی ماست.
گفتگو