GRPO结合方差感知奖励提升心脏医学问答

2026年10月15日，arXiv Artificial Intelligence 刊出 Arash Ahmadi 等作者的研究，将群体相对策略优化（GRPO）用于心脏相关医学问答，并以 RaR-Medicine 的评分标准（rubric）进行监督。研究采用低秩适配器与量化权重的 Qwen3-14B 策略，提出方差感知奖励框架，从准则级结果构建连续奖励，保留部分得分并降低奖励稀疏性。在留出的心脏相关 HealthBench 子集上，最佳 GRPO 变体将准确率从基线的 0.362 提升至 0.502，F1 从 0.532 提升至 0.668，接近 GPT-OSS-120B。一名独立临床医生评定多数回答在临床上可接受（61%）、可用于患者（63%），均高于自动准确率，且不足 2% 不安全。目前进展为该方法在特定子集上的实验评估结果。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。