热点事件持续更新
研究者基于Clef-Flash提出临床诊断与可解释性框架
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
2026年10月14日，研究人员在 arXiv 发布研究成果，基于以 Qwen3.5 为骨干的 9B 决策模型 Clef-Flash 进行了 4-bit QLoRA 微调。测试结果显示，该模型在 Symptom2Disease 的 24 类疾病分类基准上实现了 95.42% 的诊断准确率与 0.9551 的宏 F1 分数。在推理效率方面，该架构在单 GPU 上的单条推理时间低于 80 毫秒，相比生成式 LLM 基线提速达 31 倍。同时，研究人员还提出了 LOSO 反事实扰动框架，成功实现了症状级的临床可解释性。
AI 根据报道生成 · 5 小时前更新
最新进展10月14日 12:00
研究者基于Clef-Flash微调实现95.42%疾病诊断准确率，较生成式LLM提速31倍。报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- arXiv 自然语言处理迈向系统一临床智能：决策基础模型的参数高效微调与反事实可解释性
研究人员基于 Qwen3.5 骨干的 9B 决策模型 Clef-Flash 进行 4-bit QLoRA 微调，在 Symptom2Disease 24 类疾病分类基准上实现 95.42% 诊断准确率和 0.9551 宏 F1 分数。该架构在单 GPU 上单条推理时间低于 80 毫秒，较生成式 LLM 基线提速 31 倍，并通过提出的 LOSO 反事实扰动框架实现了症状级可解释性。
本事件热度走势
当前热度 8·可比范围峰值 9（10月14日 15:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。