基于过程监督的多智能体强化学习用于可靠的临床推理

临床决策需要对异质性证据进行细致的推理，并提供可追溯的依据。尽管最近的LLM多智能体系统（MAS）展现出潜力，但它们主要优化结果准确性，而忽视了与临床标准一致的过程导向推理。本文以基因-疾病有效性整理为例，引入了一个基于工具的强化学习框架，旨在确保推理遵循有效的临床路径，并通过分层多智能体系统实现高效协调。在ClinGen数据集上的评估表明，仅使用结果奖励时，GRPO训练的Qwen3-4B监督智能体显著提升了最终结果准确性，但过程一致性较差；而在结合过程与结果奖励的情况下，该方法不仅提高了结果准确性，还显著改善了过程一致性。