本研究提出了一种医学问题回答的对齐策略，通过指令调整和少样本以及连续思考等方法提高了大型语言模型的性能，在USMLE数据集上达到了70.63%的表现。
大型语言模型在临床应用中面临对齐的挑战。
研究提出了 '扩展 - 猜测 - 精化' 的对齐策略。
该策略通过指令调整、少样本和连续思考等方法提高性能。
在USMLE数据集上，该方法达到了70.63%的表现。
完成下面两步后，将自动完成登录并继续当前操作。
