большие языковые модели

Исследователи из НИУ ВШЭ работают над созданием специализированной большой языковой модели (LLM), адаптированной под специфику русскоязычного научного дискурса. Основная задача проекта заключается в обучении нейросети глубокому пониманию сложной научной терминологии, что позволит автоматизировать процессы анализа и систематизации исследовательских данных. Методология включает тонкую настройку (fine-tuning) существующих архитектур на корпусах специализированных текстов из различных областей знаний. Ожидается, что внедрение данной разработки значительно ускорит поиск научной информации и поможет в написании академических текстов. Проект имеет высокую значимость для развития научной инфраструктуры в России, обеспечивая более точную работу ИИ с профессиональным контентом. Результаты работы могут быть применены в автоматизированных системах поддержки принятия решений для ученых и инновационных центров.

Исследование ClinicRealm представляет собой сравнительный анализ эффективности больших языковых моделей (LLM) и традиционных методов машинного обучения для задач клинического прогнозирования, не требующих генерации текста. Авторы пересматривают актуальность применения LLM в клинической практике, где требуется точность предсказаний, а не креативность. Методология включает бенчмаркинг различных моделей на реальных клинических наборах данных с использованием метрик точности, чувствительности и специфичности. Ключевой вывод работы заключается в том, что для многих негенеративных задач традиционные алгоритмы (логистическая регрессия, градиентный бустинг, SVM) могут превосходить LLM по точности при меньших вычислительных затратах. Исследование подчёркивает необходимость критической оценки целесообразности использования ресурсоёмких LLM в клинических системах. Результаты имеют практическое значение для выбора архитектуры моделей в медицинских приложениях, где важны интерпретируемость и воспроизводимость. Работа публикуется в npj Digital Medicine — ведущем рецензируемом журнале в области цифрового здравоохранения.

Мини-обзор посвящён применению больших языковых моделей в клинической практике, сравнивает общие и специализированные медицинские модели. Статья анализирует преимущества в эффективности документации и диагностических рассуждениях, а также проблемы галлюцинаций, приватности и валидности метрик оценки. Описываются перспективные направления развития, включая retrieval-augmented generation и агентные архитектуры.

Предложен концептуальный фреймворк MEDLEY для медицинского ИИ, который использует множественные модели с сохранением их разнообразных выводов вместо достижения консенсуса. Система использует более 30 больших языковых моделей для дифференциальной диагностики, рассматривая смещения как потенциальные преимущества, а не дефекты. Демонстрация показывает, как структурированное разнообразие может улучшить медицинское рассуждение под наблюдением клиницистов.