Clef-Flash 疾病分类与反事实可解释性研究

2026年10月15日，一项发表于 arXiv Artificial Intelligence 的研究将基于 Qwen3.5 骨干的 90 亿参数决策模型 Clef-Flash 适配到 Symptom2Disease 基准的 24 类疾病分类任务。研究采用 4-bit 量化低秩适配（QLoRA）与差异化学习率，并使用 960 例训练、240 例测试的分层划分，报告诊断准确率 95.42%、宏 F1 分数 0.9551。在推理方面，该研究通过单次前向传播评估候选 logits、不进行自回归解码，报告单 GPU 上每条记录推理耗时低于 80 毫秒，相对生成式大模型基线取得 31 倍加速。研究同时涉及 LOSO 反事实可解释性框架。上述准确率、F1、推理耗时与加速倍数均为该研究在所述实验设置下报告的结果。

AI 根据报道生成 · 59 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。