TCM-FTP：中药方剂预测的大型语言模型微调
原文中文，约1800字，阅读约需5分钟。
📝
内容提要
本文提出了一种针对中医领域的自适应方法，通过预训练和微调大型语言模型（如TCM-GPT-7B），显著提高了中医任务的准确性。研究引入多个中医数据集，评估不同模型的性能，强调了人工智能在中医诊疗中的潜力与挑战。
❓
Q&A
TCM-GPT-7B模型的准确性提升了多少？
TCM-GPT-7B在两个中医任务上的准确性分别提高了17%和12%。
TCM-SD数据集的特点是什么？
TCM-SD是首个涵盖148种证候的大规模数据集，旨在支持中医证候辨析的研究。
如何评估中医领域大型语言模型的性能？
TCM-Bench提出了TCMScore作为评估中医问题回答质量的指标，综合分析模型的能力和局限性。
人工智能在中医诊疗中面临哪些挑战？
人工智能在中医诊疗中面临数据集不足以支持进一步发展的挑战。
TCM-FTP方法的主要步骤是什么？
TCM-FTP方法结合了专业域持续预训练、监督微调和直接偏好优化等多阶段训练步骤。
Qibo模型的开发目的是什么？
Qibo模型旨在为中医领域提供专业知识，支持中医智能助手的研究和应用。
🏷️
