本研究指出现有编辑方法在提升大型语言模型对长尾生物医学知识理解方面的局限，尽管有所改善，但仍需针对性策略以缩小表现差距。

本研究提出了一种评估大型语言模型生成生物医学知识准确性的方法。通过验证疾病相关联想，发现疾病术语、药物名称和遗传信息的识别准确性较高，而症状术语的准确性较低，为生物医学知识生成的可靠性提供了新视角。

大语言模型Y-Mol在药物研发中展现出强大能力，解决了领域知识不足和数据获取难题，提升了药物-靶标及药物-药物相互作用的预测性能，为药物研发提供了新工具。

本研究使用BERT模型和条件随机场层从临床记录中提取和分析生物医学知识的端到端方法，包括命名实体识别和关系提取等步骤，可构建医学知识图谱并用于问题解答。实验结果表明，该方法对505位真实患者的生物医学非结构化临床记录的准确率分别为90.7%和88%。