韩国大学联合耶鲁大学：让AI医生学会"边推理边验证"，小模型也能超越大模型诊断准确率

这项由韩国大学、ETH苏黎世联邦理工学院、耶鲁大学等多所知名院校联合开展的研究，于2025年6月发表在arXiv预印本平台上（论文编号：arXiv:2506.11474v1）。研究的第一作者包括韩国大学的尹在勋（Jaehoon Yun）、孙志雄（Jiwoong Sohn）和朴政宇（Jungwoo Park），通讯作者为ETH苏黎世的迈克尔·摩尔（Michael Moor）教授和韩国大学的姜在宇（Jaewoo Kang）教授。有兴趣深入了解的读者可以通过论文官网Med-PRM.github.io访问完整研究资料和代码。

在医疗诊断中，AI医生面临着一个关键挑战：如何确保每一步推理都是准确可靠的？正如一位经验丰富的医生会在诊断过程中不断对照教科书和临床指南来验证自己的判断，AI医生也需要类似的"自我检查"机制。然而，现有的AI医疗系统往往只能在最终得出诊断结果后才知道对错，就像学生做数学题时只有做完整道题才能知道答案是否正确，而无法在每个解题步骤中及时发现错误。

这个问题的严重性在于，医疗诊断通常需要经过多个推理步骤，比如分析症状、排除可能的疾病、确定最终诊断等。如果其中任何一步出现错误，整个诊断过程就可能走向错误的方向，最终导致误诊。更糟糕的是，传统的AI训练方法往往会错误地"惩罚"那些推理逻辑正确但恰巧没有得出正确最终答案的中间步骤，这就像一个严厉的老师会因为学生的计算结果错误而否定学生完全正确的解题思路一样不合理。

为了解决这个问题，研究团队开发了一个名为Med-PRM的创新框架。这个框架的核心思想是让AI在进行每一步医疗推理时，都能够参考相关的医学知识库进行验证，就像医生在诊断过程中会随时查阅医学文献和临床指南一样。更重要的是，这个系统能够对推理过程中的每个步骤进行独立评估，而不仅仅是看最终结果的对错。

**一、传统AI医疗诊断的困境：只看结果不看过程**

要理解这项研究的重要性，我们首先需要了解传统AI医疗诊断系统面临的根本问题。现在的AI医疗系统就像一个只会"死记硬背"的学生，它们通过大量的医疗数据训练，能够在很多情况下给出正确的诊断结果，但缺乏对推理过程的深度理解和验证能力。

当AI系统进行医疗诊断时，通常需要经历这样的过程：首先分析患者的症状表现，然后结合病史信息，接着考虑各种可能的疾病，最后做出诊断结论。每个步骤都需要基于扎实的医学知识和严密的逻辑推理。然而，传统的AI训练方法存在一个严重缺陷：它们只关注最终的诊断结果是否正确，而忽略了中间推理步骤的质量。

这种做法的问题可以用一个生动的例子来说明。假设有两个医学生都在诊断同一个患者，学生A运用了完全正确的医学原理和推理逻辑，但在最后一步计算中出现了小错误；学生B的推理过程存在多处概念混乱，但碰巧蒙对了最终答案。按照传统AI训练方法的逻辑，系统会认为学生B比学生A更优秀，这显然是不合理的。

更严重的问题是，这种训练方式会让AI系统逐渐"学坏"。它可能会放弃那些医学上完全正确但偶尔得不到正确最终答案的推理路径，转而采用一些看似有效但实际上缺乏科学依据的"投机取巧"方法。这对医疗AI的可靠性和安全性构成了严重威胁。

此外，传统AI系统在进行推理时往往是"闭门造车"的，它们只能依靠训练时学到的知识，无法像人类医生那样在遇到困难时查阅最新的医学文献或临床指南。这就像让一个医生在没有任何参考资料的情况下进行诊断，即使是最优秀的医生也难免会出错。

**二、Med-PRM的核心创新：给AI装上"实时验证器"**

面对这些挑战，研究团队提出的Med-PRM框架引入了一个革命性的概念：让AI在推理的每个步骤都能够获得实时的知识支持和质量评估。这就像给AI医生配备了一个随时可以查阅的电子图书馆，以及一个经验丰富的医学专家来实时检查每个推理步骤的正确性。

Med-PRM的工作原理可以用这样一个场景来理解：当AI开始分析一个医疗案例时，它不再是孤军奋战，而是有了两个强大的助手。第一个助手是一个智能的信息检索系统，它能够根据当前的推理内容，迅速从庞大的医学知识库中找到最相关的信息，包括临床指南、医学教科书、研究论文等。第二个助手则是一个严格的质量监督员，它会仔细检查每个推理步骤，确保其在医学上的准确性和逻辑上的合理性。

这个系统的检索功能特别值得一提。当AI在分析患者症状时，系统会自动搜索相关的医学文献，找到关于这些症状的权威解释和诊断标准。比如，当AI注意到患者出现了眼球突出、眼睑退缩等症状时，系统会立即检索到关于甲状腺疾病的相关资料，明确指出这些症状在不同疾病中的意义和鉴别要点。

更重要的是，Med-PRM采用了一种称为"RAG-AS-A-JUDGE"（检索增强生成作为评判者）的创新方法。这个方法的巧妙之处在于，它不再依赖简单的"对错判断"来评估AI的推理质量，而是结合检索到的医学知识，对每个推理步骤进行更加细致和准确的评估。

举个具体例子，假设AI在分析一个疑似心脏病的案例时，提出了"患者的胸痛可能与冠心病有关"这个推理步骤。传统方法可能会简单地看这个推理是否最终导致了正确诊断，而Med-PRM则会检索相关的心脏病诊断指南，检查这个推理步骤是否符合医学标准，是否考虑了足够的症状特征，是否排除了其他可能的原因等。

**三、技术实现：让机器学会"查阅文献"**

Med-PRM的技术实现涉及多个精巧设计的组件，每个组件都有其独特的作用。整个系统的工作流程可以比作一个高效的医疗团队的协作过程。

首先是数据准备阶段，这就像为医疗团队准备完备的参考资料。研究团队构建了一个综合性的医学知识库，包含了临床指南、医学教科书、权威医学数据库等多种来源的信息。这个知识库覆盖了从基础医学理论到最新临床研究的广泛内容，确保AI在推理时能够获得全面而权威的知识支持。

在推理过程中，系统首先会让一个基础的AI模型生成初步的诊断推理链。这个推理链包含了从症状分析到最终诊断的所有中间步骤，每个步骤都清楚地标示出AI的思考逻辑。然后，系统的检索组件会根据当前的推理内容，从知识库中检索出最相关的医学文献和指南。

接下来是最关键的评估阶段。系统会使用一个经过专门训练的大型语言模型作为"评判者"，这个评判者会综合考虑当前的推理步骤、检索到的医学知识以及正确的诊断答案，对每个推理步骤进行细致的评估。这个过程就像一个资深医学专家在审查年轻医生的诊断思路，不仅要看结论是否正确，更要看推理过程是否符合医学规范。

为了确保评估的准确性，研究团队设计了详细的评估标准。评判者需要检查每个推理步骤是否基于准确的医学事实，是否符合逻辑推理规则，是否与检索到的权威文献一致等。只有在推理步骤通过了这些严格检查后，才会被标记为"正确"。

这种评估方法的优势在于，它能够识别出那些在医学上完全正确但可能因为各种原因没有得出最终正确答案的推理步骤。比如，一个医生可能正确地识别了患者的大部分症状，并做出了合理的初步判断，但在最后的鉴别诊断中选择了一个不够准确的疾病。传统方法会认为整个推理链都是错误的，而Med-PRM则能够识别出前面步骤的价值，只对确实有问题的部分给予负面评价。

**四、训练过程：从"题海战术"到"精准指导"**

Med-PRM的训练过程体现了从传统"题海战术"向"精准指导"的转变。在传统的AI训练中，系统需要处理大量的医疗案例，通过反复试错来学习正确的诊断模式。这种方法虽然在某种程度上有效，但效率不高，而且容易让AI学到一些不良的推理习惯。

Med-PRM采用了一种更加精细化的训练策略。研究团队首先从多个知名的医学考试数据库中收集了训练样本，包括MedQA、MedMCQA、PubMedQA和MMLU等。这些数据库包含了从基础医学知识到复杂临床案例的各种题目，为AI提供了丰富的学习素材。

然而，与传统方法不同的是，Med-PRM不是简单地让AI反复练习这些题目，而是为每个题目构建了详细的推理步骤分析。具体来说，系统会为每个医疗案例生成多个可能的推理路径，然后使用RAG-AS-A-JUDGE方法对每个推理步骤进行评估，创建出高质量的训练标签。

这个过程就像为学生提供了详细的解题指导。传统方法只会告诉学生"这道题的答案是A"，而Med-PRM的方法会详细解释"为什么第一步应该这样分析，第二步应该考虑哪些因素，第三步如何排除干扰选项"等等。

为了确保训练质量，研究团队还设计了严格的数据筛选机制。他们会过滤掉那些推理步骤过少或过多的案例，确保每个训练样本都有适当的复杂度。同时，为了避免训练数据的不平衡，系统会控制正确和错误推理步骤的比例，确保AI能够学会区分好坏推理。

训练过程中还有一个重要的创新，就是将检索功能直接集成到模型的输入中。这意味着AI在训练时就习惯了"边推理边查阅资料"的工作模式，而不是在训练完成后再临时添加这个功能。这种设计确保了AI能够更自然、更有效地利用外部知识。

**五、实验验证：小模型战胜大模型的精彩表演**

为了验证Med-PRM的有效性，研究团队进行了一系列全面的实验测试。这些实验就像一场医学AI的"技能大赛"，参赛选手包括各种规模的AI模型，从小型的80亿参数模型到大型的千亿参数模型，涵盖了专门的医学模型、通用推理模型以及最新的商业AI系统。

实验结果令人惊喜。装备了Med-PRM系统的80亿参数小型模型，在多个医学测试中的表现超越了许多规模更大的竞争对手。这就像一个刚毕业的医学生，因为掌握了正确的诊断方法和工具，竟然在诊断准确率上超过了一些经验丰富但方法陈旧的老医生。

具体来说，在著名的MedQA医学考试中，使用Med-PRM的系统达到了80.35%的准确率，这是80亿参数模型首次在这个测试中突破80%的门槛。要知道，这个测试包含的都是美国医师执照考试的真题，难度相当高。相比之下，一些没有使用Med-PRM的大型模型虽然参数更多、训练成本更高，但准确率却明显较低。

更有趣的是，研究团队发现Med-PRM在不同类型的医学问题上表现并不均匀。在需要复杂临床推理的案例中，比如鉴别诊断、症状分析等，Med-PRM的优势特别明显，性能提升可以达到13.5%。而在一些主要依靠记忆性知识的问题上，提升幅度相对较小。这说明Med-PRM确实在推理能力上有实质性的改进，而不仅仅是增加了更多的知识储备。

实验中有一个特别令人印象深刻的对比。研究团队测试了一个名为UltraMedical的医学专用模型，这个模型的训练成本约为2万美元。而Med-PRM的训练成本还不到20美元，但在多项测试中的表现却超过了前者。这个巨大的成本效益差异充分说明了方法创新的重要性，有时候聪明的方法比蛮力投入更加有效。

**六、真实案例分析：AI如何学会"医学思维"**

为了更直观地展示Med-PRM的工作原理，研究团队提供了几个真实的诊断案例分析。这些案例就像医学院的教学查房，让我们能够跟随AI的思维过程，看看它是如何一步步接近正确诊断的。

第一个案例涉及一位46岁女性患者，她出现了复视（看东西有重影）和眼部疼痛等症状，同时还有闭经、潮热、出汗增多等表现，并且在两个月内体重下降了15磅。这是一个相当复杂的案例，需要AI综合考虑多个系统的症状。

在分析这个案例时，传统的AI系统可能会直接根据症状组合给出答案，但Med-PRM则展现了更加细致的推理过程。首先，系统正确地识别出患者的症状组合提示可能存在甲状腺功能亢进。然后，系统注意到患者的眼部症状，包括眼球突出、双侧眼睑退缩、结膜充血等，这些都是甲状腺相关眼病的典型表现。

关键的转折点出现在推理的第五步。这时，AI错误地认为患者的眼部症状是由于交感神经过度兴奋导致的，并据此选择了错误的答案。然而，Med-PRM系统及时检索到了相关的医学文献，这些文献明确指出：复视和结膜充血等"真正的眼眶病变"只出现在格雷夫斯病（一种特殊类型的甲亢）患者中，而不是由单纯的交感神经兴奋引起的。

基于这个重要信息，Med-PRM给前面正确识别甲状腺问题的推理步骤打了高分，但对后面关于病因机制的错误推理给了低分。这种精确的评估方式确保了AI能够学会正确的医学概念，而不会因为一个错误就否定整个推理链的价值。

另一个案例涉及多羊水症的诊断。在这个案例中，AI需要判断哪种胎儿异常最可能导致多羊水症。初始的推理步骤都是正确的，AI正确地分析了多羊水症的可能原因，并且识别出十二指肠闭锁是一个重要的可能性。然而，在最后一步，AI错误地认为后尿道瓣膜也可能导致多羊水症。

这时，Med-PRM的检索系统发挥了关键作用。它找到的医学文献清楚地说明，后尿道瓣膜会导致尿流梗阻，通常引起的是羊水过少而不是羊水过多。基于这个权威信息，系统能够准确地识别出哪些推理步骤是正确的，哪些是有问题的。

**七、专家评估：AI推理与人类医生的对比**

为了验证Med-PRM生成的推理评估是否真的符合医学标准，研究团队邀请了一位有四年临床经验的医生和两位医学院高年级学生进行人工评估。这就像请真正的医学专家来检验AI"学生"的作业质量。

评估过程非常严格。专家们需要从训练数据中选择一些简单和困难的案例，然后对AI生成的每个推理步骤进行独立评分。评分标准包括事实准确性、问题解决相关性和逻辑连贯性三个维度。只有当推理步骤在医学事实上准确无误、对解决问题有实际贡献、并且逻辑推理合理时，才会被评为正确。

结果显示，Med-PRM的评估结果与人类专家的判断高度一致。在简单案例中，两者的相关性达到了0.74，在困难案例中也有0.71的相关性。更重要的是，传统的自动标注方法在困难案例上的表现急剧下降，相关性从0.64和0.70分别降到0.34和0.31，而Med-PRM的表现保持稳定。这说明Med-PRM不仅在容易的问题上表现良好，在复杂的医学推理任务中也能保持可靠的评估质量。

这种一致性特别重要，因为它表明Med-PRM确实学会了医学专家的思维方式，而不是仅仅在统计上模拟正确答案。当AI的推理评估能够与人类医学专家保持一致时，我们就有理由相信这个系统真正掌握了医学推理的本质。

**八、广泛适用性：即插即用的诊断助手**

Med-PRM的一个重要优势是其出色的通用性。这个系统就像一个万能的诊断助手，可以与各种不同的AI模型配合使用，而不需要对原有模型进行大幅修改。这种"即插即用"的特性使得Med-PRM能够快速提升现有医疗AI系统的性能。

研究团队在多个不同的基础模型上测试了Med-PRM的效果，包括通用的语言模型如Llama-3.1，专门的医学模型如UltraMedical和Meerkat，以及其他各种规模的AI系统。在每种情况下，Med-PRM都能带来显著的性能提升，提升幅度通常在8%到13%之间。

特别值得一提的是，当Med-PRM与目前表现最好的医学模型Meerkat结合时，在MedQA测试中达到了80.35%的准确率。这是一个历史性的突破，因为这是第一次有80亿参数规模的模型在这个权威医学测试中突破80%的门槛。这个成就的意义不仅在于数字本身，更在于它证明了通过正确的方法，小型模型也能达到甚至超越大型模型的性能。

除了在传统的选择题测试中表现出色，Med-PRM在开放式临床任务中也展现了强大的能力。在AgentClinic这个模拟真实临床环境的测试中，Med-PRM取得了11.81%的性能提升，比其他方法高出4.87%。这个测试特别重要，因为它更接近真实的临床诊断场景，需要AI系统具备更加灵活和全面的推理能力。

**九、成本效益分析：智慧胜过蛮力**

在AI发展的今天，很多人认为性能提升必须依靠更大的模型、更多的数据和更高的计算成本。然而，Med-PRM的成功故事告诉我们，有时候智慧的方法比蛮力的投入更加有效。

整个Med-PRM系统的训练成本还不到20美元，这主要是调用大型语言模型API进行推理评估的费用。相比之下，一些传统的医学AI模型需要花费数万美元进行训练，使用大量的计算资源和时间。然而，在实际性能对比中，Med-PRM往往能够超越这些昂贵得多的竞争对手。

这种巨大的成本效益差异来源于Med-PRM在方法论上的创新。传统方法试图通过"喂给"AI更多的数据来提升性能，就像试图通过让学生做更多的题目来提高成绩。虽然这种方法在一定程度上有效，但效率很低，而且容易遇到瓶颈。

Med-PRM则采用了一种更加精妙的策略。它不是简单地增加训练数据的数量，而是提高训练数据的质量。通过RAG-AS-A-JUDGE方法，系统能够为每个训练样本提供更加准确和细致的指导，这就像为学生配备了一位经验丰富的老师，能够针对每个问题提供个性化的解题指导。

这种高效的训练方式不仅降低了成本，还提高了AI系统的可解释性和可靠性。传统的大规模训练往往会产生一些"黑盒"效应，很难理解AI是如何得出结论的。而Med-PRM由于其逐步验证的特性，使得AI的推理过程更加透明和可信。

**十、技术细节：构建可靠的医学推理引擎**

从技术实现的角度来看，Med-PRM涉及多个精心设计的组件，每个组件都经过仔细优化以确保最佳性能。这些技术细节虽然复杂，但对于理解系统的工作原理和优势至关重要。

在模型架构方面，Med-PRM基于Llama-3.1-8B-Instruct模型进行微调。研究团队选择这个模型是因为它在保持相对较小规模的同时，具备了良好的推理能力和知识理解能力。微调过程使用了AdamW优化器，学习率设置为2×10^-6，采用余弦衰减和5%的预热比例，这些参数经过精心调整以确保训练稳定性。

在数据处理方面，系统对输入进行了精细的设计。每个训练样本最多包含4096个token，其中1024个token用于问题和推理内容，剩余的3072个token用于存储检索到的医学文献。这种分配确保了系统既能处理复杂的医学案例，又能获得充足的背景知识支持。

检索系统使用了MedCPT双编码器进行密集检索，并使用交叉编码器进行重新排序。检索范围涵盖了四个主要的医学知识库：临床指南、StatPearls医学百科、医学教科书和罕见疾病语料库。对于每个查询，系统会从每个语料库检索100个文档（总共400个），然后选择前32个最相关的文档进行详细分析。

在推理评估方面，系统使用了特殊的标记来分隔推理步骤，使得模型能够对每个步骤进行独立评估。评估结果以特殊token的形式输出，"+"表示正确，"-"表示错误，置信度通过softmax概率计算得出。

**十一、实验设计的巧思：如何科学地测试AI医生**

为了全面评估Med-PRM的性能，研究团队设计了一系列精密的实验，这些实验就像为AI医生设计的"执业资格考试"，涵盖了从基础医学知识到复杂临床推理的各个方面。

实验设计的核心思想是多维度评估。研究团队不仅测试了Med-PRM在传统医学考试中的表现，还专门设计了一些更接近真实临床场景的开放式任务。这种设计确保了评估结果能够真实反映AI系统在实际医疗应用中的能力。

在传统的选择题测试中，研究团队使用了多个权威的医学数据库。MedQA包含了美国医师执照考试的真题，MedMCQA来自印度医学入学考试，MMLU的医学子集涵盖了从解剖学到专业医学的各个领域，DDXPlus专注于症状检测和自动诊断。这些数据库的组合确保了测试的全面性和权威性。

特别有趣的是AgentClinic测试，这是一个模拟真实临床环境的开放式评估。在这个测试中，AI需要像真正的医生一样分析复杂的临床案例，没有预设的选项可供选择，必须依靠自己的推理能力得出诊断结论。这种测试形式更加贴近真实的医疗场景，也更能检验AI系统的实际应用能力。

为了确保结果的可靠性，研究团队还采用了多种不同的评估策略。除了简单的准确率比较，他们还测试了不同规模的推理生成（从1个到64个候选答案），以及不同的答案选择策略（Best-of-N和Self-Consistency + Reward Model）。这种多角度的评估方法提供了更加全面和深入的性能分析。

**十二、与竞争对手的对比：Med-PRM的独特优势**

在AI医疗领域，已经有多种不同的方法试图提升系统的推理能力。Med-PRM与这些现有方法相比具有明显的优势，这些优势不仅体现在性能数字上，更体现在方法论的根本创新上。

与传统的过程奖励模型（PRM）相比，Med-PRM的最大创新在于引入了检索增强功能。传统PRM主要依靠蒙特卡洛树搜索等方法进行自动标注，这种方法的问题在于它只关注最终结果，容易误判那些逻辑正确但结果错误的推理步骤。Med-PRM通过引入外部医学知识，能够更加准确地评估每个推理步骤的质量。

在与MedS3的对比中，Med-PRM展现出了显著优势。MedS3是目前最先进的医学领域过程奖励模型之一，同样使用80亿参数规模，但它仍然依赖传统的MCTS自动标注方法。实验结果显示，Med-PRM在所有测试中都超越了MedS3，平均性能提升达到2.44%。更重要的是，在困难的推理任务中，Med-PRM的优势更加明显。

与大型商业模型的比较也很有启发性。虽然GPT-4、Claude等大型模型在整体性能上仍然领先，但Med-PRM在成本效益比上具有压倒性优势。一个80亿参数的Med-PRM模型能够达到接近大型商业模型的性能，但计算成本和部署难度要低得多。这对于医疗资源有限的地区和机构来说具有重要意义。

特别值得注意的是，Med-PRM在不同类型医学任务上的表现模式。在需要大量记忆性知识的任务中，大型模型仍然具有优势，但在需要复杂推理和逻辑分析的任务中，Med-PRM表现出色。这说明Med-PRM确实在推理能力上有实质性改进，而不仅仅是知识储备的增加。

**十三、消融实验：解剖Med-PRM的成功要素**

为了理解Med-PRM成功的关键因素，研究团队进行了详细的消融实验。这些实验就像拆解一台精密机器，看看每个部件对整体性能的贡献。

消融实验的结果揭示了几个重要发现。首先，仅仅使用LLM进行步骤级评估（即使没有检索功能）就已经比传统的自动标注方法有显著改进。这说明使用更智能的评估方法本身就是一个重要的进步。

其次，加入检索功能后，性能进一步提升。这个提升虽然在数值上看起来不大，但在医学应用中却具有重要意义。医学诊断往往需要非常高的准确性，即使是1-2%的改进也可能意味着拯救更多生命。

特别有趣的是，在不同的测试时间扩展策略下，Med-PRM始终保持领先。无论是使用Best-of-N策略（选择得分最高的单个答案）还是SC+RM策略（结合自一致性和奖励模型），Med-PRM都表现出色。这说明系统的改进是全方位的，不依赖于特定的使用方式。

消融实验还显示，在更具挑战性的开放式临床任务中，Med-PRM的优势更加明显。在AgentClinic测试中，Med-PRM的改进达到了11.81%，远超传统方法。这进一步证实了Med-PRM在复杂推理任务中的独特价值。

通过这些消融实验，研究团队证明了Med-PRM的成功不是偶然的，而是来自于方法论上的系统性改进。每个组件都对最终性能有积极贡献，而它们的组合产生了协同效应。

说到底，Med-PRM代表了AI医疗诊断领域的一个重要突破。这项研究不仅在技术上有创新，更在理念上有突破。它告诉我们，制造更聪明的AI不一定需要更大的模型或更多的数据，有时候更需要的是更巧妙的方法和更深刻的洞察。

Med-PRM的成功证明了"检索增强生成"在医疗AI中的巨大潜力。通过让AI学会"查阅文献"和"逐步验证"，我们可以构建出更加可靠、更加透明的医疗AI系统。这不仅提高了诊断准确率，也增强了医生和患者对AI系统的信任。

更重要的是，Med-PRM的高成本效益比为AI医疗技术的普及打开了新的可能性。当我们能够用不到20美元的成本训练出一个性能优异的医疗AI系统时，这项技术就有可能真正走进更多的医院和诊所，为更多的患者提供帮助。

这项研究的影响不仅限于医疗领域。Med-PRM展示的"检索增强推理"范式同样可以应用到其他需要专业知识和精确推理的领域，如法律、工程、科学研究等。它为我们指出了一个重要方向：未来的AI系统不应该是孤立的"知识孤岛"，而应该是能够主动学习、持续改进的"智能助手"。

当然，这项研究也有其局限性。目前的实验主要集中在医学领域，在其他领域的适用性还需要进一步验证。另外，由于计算资源限制，实验主要使用了80亿参数规模的模型，在更大规模模型上的效果还有待探索。但这些局限性也恰恰指出了未来研究的方向，相信随着技术的不断发展，这些问题都会逐步得到解决。

对于有兴趣深入了解这项研究的读者，可以访问论文官网Med-PRM.github.io获取完整的论文、代码和数据，研究团队已经将这些资源公开分享，希望能够推动整个领域的发展。

Q&A

Q1：Med-PRM是什么？它能做什么？ A：Med-PRM是一个医疗AI推理系统，它的核心能力是让AI在进行医疗诊断时能够"边推理边查阅文献"，并对每个推理步骤进行准确评估。这就像给AI医生配备了一个随时可查的医学图书馆和一个严格的质量监督员，确保诊断过程的每一步都准确可靠。

Q2：Med-PRM会不会比大型AI模型更好？ A：在某些方面确实如此。Med-PRM使用的是80亿参数的小型模型，但通过巧妙的方法设计，在医疗诊断准确率上超越了许多更大的模型。最重要的是，它的训练成本不到20美元，而一些竞争对手需要花费数万美元，成本效益比极高。

Q3：普通医院能使用Med-PRM吗？有什么要求？ A：是的，Med-PRM的设计考虑了实用性。它具有"即插即用"的特性，可以与现有的各种AI系统配合使用。由于模型规模相对较小，对计算资源的要求不高，普通医院的计算设备就能运行。研究团队已经开源了相关代码和数据，医疗机构可以根据自己的需求进行部署和定制。