DiagLoop

新的DiagLoop系统通过合成数据提高大语言模型的诊断准确性

研究人员开发了DiagLoop，一种新颖的反事实数据飞轮，旨在提高大型语言模型的诊断能力。该系统通过改变原因、上下文和观察结果来生成合成训练数据，确保仅使用有效场景进行训练。DiagLoop采用阶段局部强化学习来更新模型的特定部分，防止灾难性遗忘，并通过症状抽象和因果链构建来增强推理能力。使用DiagLoop训练的80亿参数模型在工业系统和疾病类别的路径正确性方面表现出显著的改进，优于传统基线甚至专有参考模型。