Meditron 是一款开源医疗语言模型，提供 Meditron-7B 和 Meditron-70B 版本，专注于医学推理，性能超越 Llama-2 和 GPT-3.5。采用 CRATE 架构优化稀疏率，支持 PyTorch 实验，并包含 AI 代码翻译工具和 scikit-learn 机器学习模块。
夸克健康大模型成功通过12门主任医师考试，成为国内首个完成此挑战的大模型。该模型具备“慢思考能力”，通过高质量数据和强化学习提升医学推理能力，吸引了200万医学生和医生使用。
本研究提出了医学推理分割和检测（MedSD）新任务，旨在解决现有医学图像感知方法的局限性。通过引入多视角医学数据集（MLMR-SD）和模型MediSee，研究表明该方法能够有效处理隐含查询，且性能优于传统方法。
本研究提出了MedAgentsBench基准，旨在评估复杂医学推理的不足，尤其是在多步骤临床推理和诊断形成方面。实验结果表明，最新的思维模型在这些任务中表现优异，而高级搜索代理方法具有较高的性价比，推动了医学问答领域的发展。
本研究提出了Med-RLVR，利用医学多项选择题数据通过强化学习探讨医学推理的涌现。结果表明，Med-RLVR在医学问题回答上与传统方法相当，但在跨分布泛化能力上提升了8个百分点，显示出其在知识密集型领域的潜力。
上海交通大学与复旦大学团队开发了新型医学推理系统MedS3，采用自我进化的慢思考范式，能够细粒度验证推理过程。该系统在医疗知识问答和诊断任务中表现优异，显著超越现有模型，解决了医疗数据匮乏的问题，提升了数据利用率和推理能力。
比利时研究团队开发了MetaMedQA评估基准，以测试大语言模型（LLMs）在医学推理中的表现，尤其是识别知识盲区的能力。研究表明，尽管LLMs在准确率上表现良好，但在处理不确定性时存在系统性缺陷，未来需改进评估标准和模型的自我认知能力。
香港中文大学与深圳市大数据研究院的研究人员开发了HuatuoGPT-o1，这是一种增强医学推理能力的大型语言模型。该模型通过40,000个可验证的医学问题进行训练，表现优于传统医学模型。研究表明，复杂推理和强化学习显著提升了医学问题的解决能力，具有广泛的应用前景。
Gemini系列多模态模型具备出色的图像、音频、视频和文本理解能力，分为Ultra、Pro和Nano三种规模。Gemini Ultra在医学推理和常识推理方面表现优异，但在诊断准确性上仍需改进，为多模态应用提供了新的可能性。
完成下面两步后，将自动完成登录并继续当前操作。
