摘要
大型语言模型在证据内部不一致时决策性能下降，这在医疗场景中尤为常见。为此，本文构建了 MIMIC-DOS 数据集，专注于重症监护室中症状与体征存在矛盾的情况。针对现有方法难以调和冲突信号的挑战，提出了 CARE 框架：一种多阶段隐私合规的代理推理系统。该系统中，远程大模型在不接触敏感数据的前提下生成结构化类别与转移指导，本地大模型据此进行证据获取与最终决策。实验表明，CARE 在各项关键指标上均优于基线，能更稳健地处理临床证据冲突并保护隐私。
AI 推荐理由
论文核心提出多阶段代理推理框架，解决证据冲突下的鲁棒推理问题。
研究机构
University of Cambridge
McGill University
MBZUAI - Mohamed bin Zayed University of Artificial Intelligence
Columbia University
Mila - Quebec AI Institute
Mohamed bin Zayed University of Artificial Intelligence
论文信息