ChiMed-GPT：一款具有完整训练机制和更好人类偏好的中国医学大型语言模型

最近，对优质医疗服务的需求日益增长，突显了医疗基础设施的差异。随着大数据，尤其是文本，成为医疗服务的基础，急需有效的针对医疗领域的自然语言处理（NLP）解决方案。传统方法依赖于预训练模型，在该领域展示了有希望的结果，而当前的大型语言模型（LLMs）为医学文本处理提供了先进的基础。然而，大多数医学LLM仅通过监督微调（SFT）进行训练，尽管这有效地赋能LLM理解和响应医学指令，但在学习领域知识和与人类偏好对齐方面效果不佳。在这项工作中，我们提出了CHIMED-GPT，一个明确为中国医学领域设计的新基准LLM，并经过全面的训练机制，包括预训练、SFT和RLHF。对信息提取、问答和对话生成等任务的评估表明，CHIMED-GPT的表现优于通用领域LLM。此外，我们通过提示CHIMED-GPT进行有关患者歧视的态度量表分析可能的偏见，以此为医学领域LLM的进一步负责任的发展做出贡献。