ReasonMed est actuellement le plus grand ensemble de données de raisonnement médical open source, et les résultats des articles associés sont les suivants :ReasonMed : un ensemble de données multi-agents de 370 000 données pour le développement du raisonnement médical", qui vise à former et à évaluer des modèles pour des tâches telles que la réponse à des questions médicales et la génération de texte. L'ensemble de données contient 370 000 exemples de questions-réponses de haute qualité, couvrant plusieurs domaines tels que les connaissances cliniques, l'anatomie, la génétique, etc. Les données sont extraites de 1,75 million de chemins de raisonnement initiaux générés par trois grands modèles de langage (Qwen-2.5-72B, DeepSeek-R1-Distill-Llama-70B et HuatuoGPT-o1-70B), et sont affinées grâce à un processus rigoureux de validation et d'optimisation multi-agents.

Citation

@misc{sun2025reasonmed370kmultiagentgenerated,
title={ReasonMed: A 370K Multi-Agent Generated Dataset for Advancing Medical Reasoning},
author={Yu Sun and Xingyu Qian and Weiwen Xu and Hao Zhang and Chenghao Xiao and Long Li and Yu Rong and Wenbing Huang and Qifeng Bai and Tingyang Xu},
year={2025},
eprint={2506.09513},
archivePrefix={arXiv},
primaryClass={cs.CL},
url={https://arxiv.org/abs/2506.09513},
}
@misc{lasateam2025lingshugeneralistfoundationmodel,
title={Lingshu: A Generalist Foundation Model for Unified Multimodal Medical Understanding and Reasoning},
author={LASA Team and Weiwen Xu and Hou Pong Chan and Long Li and Mahani Aljunied and Ruifeng Yuan and Jianyu Wang and Chenghao Xiao and Guizhen Chen and Chaoqun Liu and Zhaodonghui Li and Yu Sun and Junao Shen and Chaojun Wang and Jie Tan and Deli Zhao and Tingyang Xu and Hao Zhang and Yu Rong},
year={2025},
eprint={2506.07044},
archivePrefix={arXiv},
primaryClass={cs.CL},
url={https://arxiv.org/abs/2506.07044},
}