GUIDER
一种用于临床指南推理的强化学习方法，通过联合训练决策流控制器和推理策略，采用多流采样和答案门控的过程奖励来同时解决路径-答案鸿沟和路径多样性问题。
时间轴 (近 90 天)
GUIDER 方法联合训练决策流控制器与推理策略两个组件。
决策流控制器从指南衍生的监督中学习生成多条合理的决策流。
GUIDER 在控制器生成的多条流上评估策略过程奖励，并用答案正确性门控该奖励。
GUIDER 的联合训练属于在线策略强化学习范式，过程奖励随策略更新重新计算。
在 MedGUIDE 基准上，Qwen3-14B 骨干的 GUIDER 取得 82.5 加权准确率和 73.5 指南依从性。
GUIDER 在 MedGUIDE 上分别比最强临床强化学习基线高出 3.3 和 3.1 个点的加权准确率和指南依从性。
在 Qwen3-14B 和 Gemma4-12B 骨干上，GUIDER 在 AMEGA-LLM、RealMedQA 和 CancerGUIDE 域外基准上优于 CRPO、MRPO 和 FaithMed。
GUIDER 的“多流采样 + 答案门控”思路可借鉴于多步工具调用、复杂规划等需要过程监督的领域。
全部知识事实 (8)
GUIDER 方法联合训练决策流控制器与推理策略两个组件。
50%待验证决策流控制器从指南衍生的监督中学习生成多条合理的决策流。
50%待验证GUIDER 在控制器生成的多条流上评估策略过程奖励，并用答案正确性门控该奖励。
50%待验证GUIDER 的联合训练属于在线策略强化学习范式，过程奖励随策略更新重新计算。
50%待验证在 MedGUIDE 基准上，Qwen3-14B 骨干的 GUIDER 取得 82.5 加权准确率和 73.5 指南依从性。
50%待验证GUIDER 在 MedGUIDE 上分别比最强临床强化学习基线高出 3.3 和 3.1 个点的加权准确率和指南依从性。
50%待验证在 Qwen3-14B 和 Gemma4-12B 骨干上，GUIDER 在 AMEGA-LLM、RealMedQA 和 CancerGUIDE 域外基准上优于 CRPO、MRPO 和 FaithMed。
50%待验证GUIDER 的“多流采样 + 答案门控”思路可借鉴于多步工具调用、复杂规划等需要过程监督的领域。
50%