待验证50% 置信事实精确时间
Survprompt框架将结构化患者协变量转换为自由文本形式的临床小故事，再喂给预训练LLM以零样本方式预测生存期
1
来源数
50%
置信度
长期有效
时效性
2026/10/1
首次发现
来源
涉及实体
相关事实
待验证LLM的症状提取过程基于一套由临床医生编写的标准词汇表，确保输出结构化可预测61% 相似待验证特征消融显示LLM在给临床变量排序优先级时与专业生存模型的侧重点高度相似60% 相似待验证arXiv研究《Large Language Models are Approximate Survival Estimators》发现前沿LLM在零样本条件下能给出接近专业模型的生存预后估计59% 相似待验证Parsec引入一个专门训练用于压缩token的小语言模型（SLM），在内容进入主模型之前先做预处理59% 相似已验证GLM采用自回归填空训练目标，通过对文本片段随机遮蔽并要求模型自回归还原58% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/964028API
curl https://kongchang.com/api/v1/knowledge/claims/964028MCP
get_claim(id=964028)