研究人员开发了一种新颖的方法来优化大型语言模型（LLMs）在药物警戒中进行因果关系评估，旨在提高识别不良药物事件的准确性。一项利用OpenAI的GPT-5.2模型和美国FDA不良事件报告系统（FAERS）的研究表明，一个特定的指标——熵加权一致性和余弦相似度得分（EWACS）——可以指导贝叶斯优化，显著提高LLM与专家的一致性。虽然温度优化并未显示出普遍效果，但针对具体案例的温度调整产生了有意义的改进，这为实现更可靠的AI辅助药物警戒指明了方向。 AI
影响 提高了LLM在药物警戒等关键安全应用中的准确性，有望改善药物安全监测。
排序理由 研究论文，详细介绍了优化LLM的新方法和指标。[lever_c_demoted from research: ic=1 ai=1.0]
- Consensus-Weighted Cosine Similarity
- Entropy-Weighted Agreement and Cosine Similarity Score
- FDA Adverse Event Reporting System
- Gaussian process
- GPT-5.2
- Information-Weighted Agreement Score
- Maurizio Sessa
- OpenAI
- Weighted Cosine Similarity
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
