الملخص

أظهرت التطورات الأخيرة في الوكلاء القائمة على النماذج اللغوية الكبيرة (LLM) قدرات مذهلة تمتد عبر مجالات متعددة، كما يُبرزها أنظمة البحث العميقة التي تُظهر أداءً متفوقًا في المهام المعقدة المتعلقة بالاستعلام عن المعلومات والتوليف. وعلى الرغم من القدرات المبهرة التي تُظهرها الوكلاء العامة للبحث العميق، فإنها تواجه صعوبات كبيرة في مواجهة التحديات الخاصة بالقطاع الطبي، وهو ما يُظهره أداء الأنظمة التجارية الرائدة التي حققت دقة محدودة في اختبارات طبية معقدة. وتتمثل القيود الرئيسية في: (1) نقص المعرفة الطبية الكثيفة التي تُمكّن النموذج من التفكير السريري، و(2) قيود الإطار النظري الناتجة عن غياب أدوات استرجاع متخصصة مُصممة خصيصًا للسياقات الطبية.نقدّم وكيلاً طبيًا للبحث العميق يعالج هذه التحديات من خلال Innovations رئيسية. أولاً، نطوّر إطارًا جديدًا لتركيب البيانات باستخدام مخططات المعرفة الطبية، حيث نستخرج أطول السلاسل من المخططات الجزئية المحيطة بالكيانات الطبية النادرة، بهدف إنشاء أزواج أسئلة وإجابات معقدة تتطلب عدة خطوات. ثانيًا، ندمج محرك استرجاع طبي خاص مُبنى خصيصًا مع أدوات عامة، مما يُمكّن من توليف دقيق للمعلومات الطبية. يُنتج نهجنا أكثر من 2100 مسارًا متنوعًا عبر 12 تخصصًا طبيًا، بمتوسط 4.2 تفاعلًا أداة لكل مسار.من خلال نموذج تدريب ثنائي المراحل يجمع بين التحسين المُراقب والتعلم التقييمي المباشر مع مكافآت مركبة، يُظهر نموذج MedResearcher-R1-32B أداءً استثنائيًا، ويُسجّل نتائج جديدة في مستوى الحد الأقصى (state-of-the-art) على اختبارات طبية، مع الحفاظ على أداء تنافسي في المهام العامة للبحث العميق. تُظهر دراستنا أن الابتكارات الاستراتيجية المُتخصصة في المجال — من حيث البنية المعمارية، وتصميم الأدوات، وبناء بيانات التدريب — يمكن أن تُمكّن النماذج المفتوحة المصدر الأصغر من تفوق النماذج التجارية الأكبر في المجالات المتخصصة.