小型智能体组是数字医疗的未来

随着大语言模型（LLMs）在数字医疗领域的快速应用，其主要依赖于“规模优先”的理念，即认为模型规模和数据量的增加会提升临床智能。然而，实际临床需求不仅关注效果，还强调可靠性和部署成本。由于临床决策本质上是协作性的，本文挑战单一模型扩展范式，提出是否可以通过小型智能体组（Small Agent Group, SAG）实现更优的临床推理。SAG通过协作推理过程，将推理、基于证据的分析和关键审计分散到多个智能体中，从而实现集体专业知识的整合。通过广泛评估多种临床指标，包括有效性、可靠性和部署成本，结果表明SAG在有无额外优化或检索增强生成的情况下均优于单一大模型。这些发现表明，SAG所代表的协同推理可以在临床环境中替代模型参数的增长。总体而言，SAG为数字医疗提供了一种可扩展的解决方案，更好地平衡了有效性、可靠性和部署效率。