面向医疗智能体的医疗人工智能训练环境（Healthcare AI GYM）

临床推理需多步交互，但缺乏统一训练环境。本文构建了涵盖 10 个领域、3600+ 任务及专用工具的医疗强化学习环境。研究发现，多轮智能体易退化为冗长单轮对话，工具使用率下降，源于稀疏奖励与序列轨迹的不匹配。为此，提出轮级截断在线策略蒸馏（TT-OPD），利用教师模型提供密集正则化。该方法在 18 个基准中 10 个表现最佳，显著提升训练稳定性、控制响应长度并维持多轮工具使用能力。