CLEAR：医学大模型的跨来源证据裁决

医学知识不断发展，而大语言模型 (LLM) 中编码的参数知识在训练时是固定的。外部检索，包括检索增强生成（RAG），可以提供对新可用证据的访问，但检索到的信息可能不相关、不完整或相互冲突。因此，外部检索反过来会降低LLM输出的事实准确性和证据基础。为了应对这一挑战，我们提出了 \textbf{CLEAR}，这是一个用于医学LLM跨源证据裁决的代理框架。 CLEAR 从三个互补途径（参数知识、本地管理语料库和动态检索证据）独立生成候选答案，反映了LLM可用的三种常见信息来源。聚合验证者联合评估候选者、支持证据、出处和源质量信息，以识别源之间的协议和冲突。然后，裁决模块通过互补的超越保护和挑战审计机制确定是否应保留或修改当前结论，而未解决的冲突则触发有针对性的后续搜索和重新裁决。