深度分析
元認知調節驅動的 MedCoG：提升大型語言模型在醫療推理的效能與成本效益
醫療推理受限於大型語言模型的推理規模法則，研究提出MedCoG透過元認知自評，動態調度程序、情境與事實知識。實驗在五大醫學基準上達到5.5倍推理密度，成本下降，同時顯示接近理想Oracle上限，預示未來AI醫療助理將更具效率與可信度，並為臨床決策提供更可靠的參考依據。
深度分析
醫療推理受限於大型語言模型的推理規模法則，研究提出MedCoG透過元認知自評，動態調度程序、情境與事實知識。實驗在五大醫學基準上達到5.5倍推理密度，成本下降，同時顯示接近理想Oracle上限，預示未來AI醫療助理將更具效率與可信度，並為臨床決策提供更可靠的參考依據。
大型語言模型
大型語言模型在醫學考試題目上表現亮眼，研究者以認知醫學推理理論將醫療推理劃分為演繹、溯因與歸納三階段，並整理出七條技術路徑。新推出的 MR-Bench 基於真實醫院資料，測試結果顯示模型在臨床決策上的準確度仍有明顯差距。