小型代理组是数字健康领域的未来

大型语言模型（LLMs）在数字健康领域的快速应用主要基于一种“优先扩展”的理念，即认为模型规模和数据量的增加会提升临床智能。然而，现实中的临床需求不仅包括有效性，还包括可靠性和合理的部署成本。由于临床决策本质上是协作性的，本文挑战了单一模型扩展范式，提出是否可以通过小型代理组（SAG）实现更优的临床推理。SAG通过协作审议过程，将推理、基于证据的分析和关键审计分散到多个代理中，从而实现集体专业知识。为了评估SAG的临床实用性，我们使用涵盖有效性、可靠性和部署成本的多种临床指标进行了广泛评估。结果表明，无论是否进行额外优化或检索增强生成，SAG的表现均优于单一巨型模型。这些发现表明，SAG所代表的协同推理可以在临床环境中替代模型参数的增长。总体而言，SAG为数字健康提供了一种可扩展的解决方案，更好地平衡了有效性、可靠性和部署效率。