연구진이 임상 추론과 한약 처방 추천을 위한 대규모 언어 모델 계열 Lingdan-V2를 개발했습니다. 모델 규모는 매개변수 40억 개, 80억 개, 140억 개입니다. 연구진은 13개 중의학 지식·임상 추론 과제의 전문가 검증 항목 2만5,620개를 담은 공개 벤치마크와 비장·위 질환 처방 사례 4,348건으로 구성된 비공개 후향적 데이터셋에서 모델을 평가했습니다.

Lingdan-V2는 단계별 임상 정렬 방식을 사용합니다. 중의학·임상 기록으로 추가 사전학습하고, 보완적 추론 감독을 거친 뒤 처방 중심 강화학습(RL)을 적용합니다. 강화학습은 바람직한 결과에 보상을 주는 훈련 방법입니다. 연구진은 한약 처방 생성을 구조화된 강화학습 문제로 설정하고, 전체 처방에 대한 피드백을 사용해 지식 재현이나 일반 지시 따르기를 넘어 임상적 결정을 최적화했습니다.

공개 벤치마크에서 강화학습으로 정렬한 140억 매개변수 모델은 처방 생성 F1 점수 37.0을 기록했습니다. 총 매개변수가 6,710억 개인 DeepSeek-R1의 점수는 32.3이었습니다. 임상 데이터셋에서는 Lingdan-V2가 약재 단위 F1 점수 52.8을 달성하고 용량 일치도도 개선했습니다. 강화학습 후처리는 세 가지 모델 규모 모두에서 처방 추천 성능을 높였으며, 의사별 자료를 분석한 결과 전문가 간 차이가 보상 안정성에 영향을 미쳤습니다.

연구진이 임상 추론과 한약 처방 추천을 위한 대규모 언어 모델 계열 Lingdan-V2를 개발했습니다. 모델 규모는 매개변수 40억 개, 80억 개, 140억 개입니다. 연구진은 13개 중의학 지식·임상 추론 과제의 전문가 검증 항목 2만5,620개를 담은 공개 벤치마크와 비장·위 질환 처방 사례 4,348건으로 구성된 비공개 후향적 데이터셋에서 모델을 평가했습니다.

Lingdan-V2는 단계별 임상 정렬 방식을 사용합니다. 중의학·임상 기록으로 추가 사전학습하고, 보완적 추론 감독을 거친 뒤 처방 중심 강화학습(RL)을 적용합니다. 강화학습은 바람직한 결과에 보상을 주는 훈련 방법입니다. 연구진은 한약 처방 생성을 구조화된 강화학습 문제로 설정하고, 전체 처방에 대한 피드백을 사용해 지식 재현이나 일반 지시 따르기를 넘어 임상적 결정을 최적화했습니다.

공개 벤치마크에서 강화학습으로 정렬한 140억 매개변수 모델은 처방 생성 F1 점수 37.0을 기록했습니다. 총 매개변수가 6,710억 개인 DeepSeek-R1의 점수는 32.3이었습니다. 임상 데이터셋에서는 Lingdan-V2가 약재 단위 F1 점수 52.8을 달성하고 용량 일치도도 개선했습니다. 강화학습 후처리는 세 가지 모델 규모 모두에서 처방 추천 성능을 높였으며, 의사별 자료를 분석한 결과 전문가 간 차이가 보상 안정성에 영향을 미쳤습니다.