开源医疗大模型Llama3-Aloe-8B-Alpha，性能超越 MedAlpaca 和 PMC-LLaMA

前言

近年来，大型语言模型 (LLM) 在医疗领域展现出巨大潜力，能够帮助医生和研究人员更快地获取信息、分析数据，并提高医疗服务效率。然而，目前市场上大多数医疗 LLM 都是闭源模型，限制了其在学术研究和应用领域的推广。为了打破这一现状，促进医疗 AI 的发展，越来越多的研究团队开始致力于开发开源的医疗 LLM。

技术特点

Llama3-Aloe-8B-Alpha 是由巴塞罗那超级计算中心 (BSC) 和巴塞罗那理工大学 (UPC) 联合开发的开源医疗大模型，其基于 Meta 的 Llama 3 模型进行微调，并采用了多种技术手段来提升模型的性能和可靠性。

Huggingface模型下载：https://huggingface.co/HPAI-BSC/Llama3-Aloe-8B-Alpha
AI快站模型免费加速下载：https://aifasthub.com/models/HPAI-BSC

基于 Llama 3 模型，拥有强大语言基础

Llama3-Aloe-8B-Alpha 以 Meta 的 Llama 3 模型为基础，继承了 Llama 3 模型在语言理解和生成方面的优势。Llama 3 模型经过了海量数据的训练，能够理解和生成各种形式的文本内容，为医疗领域提供了强大的语言处理能力。值得注意的是，Llama 3 8B 模型本身已经展现出了令人瞩目的性能，在各种语言、推理、编码和数学基准测试中，都超越了同等大小甚至更大的模型性能。

合成数据增强，提升模型的专业性

为了提升模型在医疗领域的专业性，研究团队采用了合成数据增强技术。他们利用 Mixtral-8x7B 模型，根据医学问答数据集的训练集生成大量的 CoT (Chain of Thought) 答案，并将其加入到模型的训练数据中。CoT 的核心思想是引导模型通过逐步推理来解决问题，例如，在处理多选题时，模型会先概括问题，然后分析每个选项，最后通过推理步骤得出最终答案。这种策略可以帮助模型更深入地理解医学问题，并生成更合理的答案。

模型合并和对齐，提升模型的鲁棒性和安全性

研究团队将多个经过指令微调的 Llama 3 模型进行合并，并通过直接偏好优化 (DPO) 对模型进行了对齐训练，以提升模型的鲁棒性和安全性。模型合并的目的是结合不同模型的优势，提高模型的泛化能力。DPO 训练则通过收集人类对模型生成结果的偏好数据，对模型进行微调，使其更符合人类的价值观和道德规范。

性能表现

Llama3-Aloe-8B-Alpha 在多个医疗领域基准测试中展现出优异的性能，其性能超越了 MedAlpaca 和 PMC-LLaMA 等其他开源医疗大模型。

医疗领域基准测试表现出色

Llama3-Aloe-8B-Alpha 在 MedMCQA、MedQA 和 PubMedQA 等医疗领域基准测试中，展现出了领先的性能。

MedMCQA： 该数据集包含来自印度医学院入学考试的 4,183 个 4 选项选择题。
MedQA： 该数据集包含 1,273 个美国医疗执照考试 (USMLE) 问题，每个问题有 4 或 5 个选项。
PubMedQA： 该数据集包含 1,000 个专业标注的 PubMed 文献问答样本。

在这些测试中，Llama3-Aloe-8B-Alpha 表现出色，例如，在 PubMedQA 测试中，其表现超过了 Meditron 70B 模型，说明了其在医学信息检索和理解方面的优势。

对齐训练提升模型安全性

Llama3-Aloe-8B-Alpha 通过直接偏好优化 (DPO) 对模型进行安全对齐，能够在回答问题时更加安全可靠，降低了模型产生有害或不道德内容的风险。研究团队通过收集人类对模型生成结果的偏好数据，对模型进行了微调，使其更符合人类的价值观和道德规范。

应用场景

Llama3-Aloe-8B-Alpha 可以应用于多个医疗领域的场景，例如：

医学信息检索： 帮助医生快速查找和理解相关文献，提高诊断和治疗效率。
医学问答： 回答医生的专业问题，帮助他们更好地理解疾病、药物和治疗方案。
医学文本摘要： 将大量的医学文献和报告进行摘要，方便医生快速了解关键信息。
医学数据分析： 协助研究人员分析医学数据，寻找疾病的病因和治疗方法。

总结

Llama3-Aloe-8B-Alpha 的开源发布，为医疗 AI 研究和应用领域提供了强大的工具，它不仅展现出了优异的性能，还通过对齐训练提高了模型的安全性，并通过合成数据增强提升了模型的专业性。随着技术的不断发展，相信 Llama3-Aloe-8B-Alpha 会在更多医疗场景发挥重要作用，为人类健康事业贡献力量。