研究用程序求解接口提升临床语言模型算术可靠性
原文标题：Towards a Deterministic Math Solver for Clinical Language Models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
针对大模型算术不可靠影响临床计算器的问题，论文提出 Program-Solve 接口：模型不直接计算，而是生成个案 Python 代码交由受限本地执行器确定性求解。在 MedCalc-Bench Verified 上，32B 模型准确率从 83.47% 提升至 90.53%，但 7B 提升不显著，说明执行器并非验证公式与变量抽取的替代品。
- 问题
- LLM算术不可靠，临床计算器单个数值错误即改变建议，逐个硬编码计算器成本高。
- 方法
- Program-Solve接口：模型不直接计算，而是生成个案Python代码交由受限本地执行器确定性求解。
- 结果
- MedCalc-Bench Verified上32B模型从83.47%提升至90.53%（+7.05），7B提升不显著（+3.29，区间跨零）。
- 影响
- 执行器对部分开源模型有效，但不能替代已验证公式与可靠变量抽取，需按模型规模评估。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Program-Solve接口让模型写代码交执行器算，32B临床准确率83.47%升至90.53%
- •模型不直接计算，而是生成个案Python由受限本地执行器确定性求解
- •在MedCalc-Bench Verified（1100例、55个计算器）上评测Qwen2.5-7B与32B-AWQ
- •32B提升+7.05个百分点，95%区间[0.47,14.60]；7B仅+3.29，区间跨零不显著
- •手写22计算器库在其支持的440例上精确，但其余弃答，整体仅40.0%
- •审计发现55个计算器中16个存在版本、用途或系数问题
为什么重要：说明执行器并非验证公式与变量抽取的替代品，且收益随模型规模而异，对临床AI落地选型有警示意义。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。