选择合适的专家：基于注意力神经过程的任务专用模型选择方法用于智能医疗系统

任务专用模型是智能医疗系统的核心组成部分，使代理能够回答包括疾病诊断、定位和报告生成在内的临床问题。然而，对于给定任务，通常不存在单一的最佳模型。实际上，每个任务更适合由多个竞争的专家模型来处理，不同模型在不同的数据样本上表现优异。因此，对于任何给定的查询，代理必须可靠地从异构的工具候选池中选择合适的专家模型。为此，我们引入了ToolSelect，通过最小化采样专家工具候选的群体风险，使用一致的条件选择损失替代函数，自适应地学习工具选择。具体而言，我们提出了一种基于注意力神经过程的选择器，该选择器根据查询和每种模型的行为摘要，在专家模型之间进行选择。由于缺乏已有的测试平台，我们首次引入了一个智能胸部X光环境，并配备了多种任务专用模型（17种疾病检测、19种报告生成、6种视觉定位和13种视觉问答），并开发了包含1448个查询的ToolSelectBench基准。实验结果表明，ToolSelect在四种不同的任务类别中始终优于10种最先进的方法。