达摩院推出多智能体框架ReasonMed，打造医学推理数据天生新范式

[db:作者]

本文第一作者是阿里巴巴达摩院研讨练习生孙雨，他的首要研讨爱好偏向是Medical Reasoning LM提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。本文通讯作者是阿里巴巴达摩院资深专家徐挺洋博士提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

在野生智能范畴，推理说话模子（RLM）虽然在数学与编程使命中已展现出色性能，但在像医学这样高度依靠专业常识的场景中，一个亟待回答的题目是：复杂的多步推理睬帮助模子提升医学问答才能吗？要回答这个题目，需要构建充足高质量的医学推理数据，当前医学推理数据的构建存在以下应战：

数据匮乏：现有医学范畴思维链数据范围较少，且缺少一个流水线来批量构建一个高质量大范围医学推理数据集；

来历单一：现稀有据集多依靠单一模子天生，未能连系分歧预练习模子的常识域差别，丰富和摸索多样化的推理途径；

构建数据本钱高：构建高质量、大范围医学推理数据集常常需要挪用大模子天生和野生介入考证，计较和人力本钱都很是高昂，难以支持百万级范围的扩大提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

缺少有用性考证：缺少系统性尝试来对照「具体讲解诊断思维」与「间接给出结论」两种练习战略的好坏提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

是以，我们亟需摸索更科学的方式，为模子注入威望医学常识、扩大其常识鸿沟，并天生更松散、高质量的多步推理途径提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。针对上述应战，ReasonMed 提出一套完整的医疗推理数据天生处理计划：

多源常识的整合：从四个威望医学问答基准（MedQA、MMLU、PubMedQA、MedMCQA）会聚约 19.5 万医学题目，覆盖普遍的专业常识面提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

多模子的数据构建：经过引入多个专有模子，配合天生并考证医疗推理途径，多模子互补与穿插考证提升了常识覆盖与逻辑分歧性，更好的构建范围化且高质量的医学推理数据提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

基于多智能体交互的多维考证和优化：设想「Easy-Medium-Difficult」分层管线，按照考证经过率静态挑选分歧处置战略提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。经过量智能体交互的方式来对医学推理数据的逻辑分歧性、答案正确性和医学究竟性多维度停止考证优化，实现高质量与低本钱的平衡提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

推理途径注入和精炼：引入推理途径注入与自动化精炼机制，以提升逻辑联贯性与常识正确度提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。同时对于每条推理样本保存完整的多步推理链（CoT）与由响应摘要器天生的简明答案（Response），实现推理进程与终极结论的两重监视提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

基于上述框架，阿里巴巴达摩院结合多家机构提出医学推理数据天生新范式 ReasonMed，并开源百万级高质量数据集 ReasonMed370K提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。该范式经过量智能体合作、多温度采样与慢慢校验，静态挪用分歧参数模子，既保证推理质量与常识注入，又明显提升数据多样性提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

基于此数据集练习微调的 ReasonMed-7B/14B 在多项威望医学问答基准上（PubMedQA 上性能：82.0%）超越更大范围模子（LLaMA3.1-70B：77.4%），充尝试证了「小模子 + 高质量数据」的潜力提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。同时 ReasonMed 也在 EMNLP 2025 上以高分（9 分）被接收提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。



论文链接：https://arxiv.org/abs/2506.09513Hugging Face：https://huggingface.co/datasets/lingshu-medical-mllm/ReasonMedCode：https://github.com/alibaba-damo-academy/ReasonMed
基于多智能体合作的医疗推理数据的构建
ReasonMed 多智能系统统先容



ReasonMed 的多智能体系统由多个专门脚色（Agents）组成，每个 Agent 负责分歧阶段的推理天生、考证与优化，配合构建高质量医学推理数据集提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。下面是 ReasonMed 中各个组件的功用先容：

CoT Generator（推理天生 Agent）：包括多种分歧大说话模子（Qwen2.5-72B、HuatuoGPT-o1-70B、DeepSeek-R1-Distill-LLaMA-70B），经过在分歧温度设置下天生多条推理途径，构成多样化的推理语料提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。这类多模子、跨温度的设想使 ReasonMed 能充实连系分歧模子的常识上风与气概差别，既丰富推理形式，也增强数据的逻辑多样性提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。
Verifier（考证 Agent）：评价每条推理链的正确性、临床要点识别、逻辑分歧性与医学究竟正确性提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。输出结构化成果（Correct/Error + 缘由），为后续挑选与批改供给根据提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。
Response Summarizer（摘要 Agent）：将复杂的 CoT 推理提炼为简洁、合适医学问答气概的总结回答，使数据同时具有推理深度与可读性提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。
Quality Ranker（质量排序 Agent）：对经过考证的多条正确 CoT 停止评分与排序，选出前两条质量最高的推理途径（Top-2），确保练习数据的代表性与多样性提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。
Error Refiner（毛病批改 Agent）：聚焦难样本，基于考证反应识别逻辑或究竟毛病，并挪用更强模子停止针对性批改，以连结推理链逻辑完整性和究竟正确性提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。
Score Evaluator（评分评价 Agent）：量化分歧阶段推理优化的结果，评价批改后样本的整体提升幅度与数据集质量，构成闭环反应提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。 ReasonMed 的多智能系统统经过「天生-考证-排序-批改-评价」的闭环流程，将多个模子的特长整合为一个高牢靠、可扩大的医学推理数据构建系统提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。
数据天生流程



基于以上的多智能系统统，ReasonMed 全部医疗推理数据天生进程分为以下三个步调：

数据收集（Data Collection）
ReasonMed 首先从四个威望医学问答数据集（MedQA、MedMCQA、PubMedQA、MMLU）收集 19.5 万个医学题目，构建初始题目库提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。这些题目覆盖剖解学、临床常识、遗传学等多个子范畴，为多模子协同天生供给普遍常识根本提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。


多智能体推理天生与考证（Multi-Agent CoT Generation & Validation）
在该阶段，CoT Generator 针对每个题目以分歧温度参数停止采样，共天生 9 条多步推理链，覆盖从间接揣度到深度分析的多层逻辑，随后由 Verifier 智能体协同完成考证提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。 这一流程实现了从多模子输出到结构化、多维考证的常识融合，确保了天生数据在多样性与正确性上的平衡，为后续分层精炼与高质量医学推理数据集的构建奠基了根本提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

分层优化与推理精炼（CoT Pipeline Refinement）
按照 Verifier 考证后统计到的推理链毛病数目，ReasonMed 设想了 Easy / Medium / Difficult 三条 Pipeline：

Easy Pipeline（9 条推理链中有 0–4 个毛病）：对于考证经过率高的题目，间接由 Quality Ranker 选出 Top-2 优良 CoT 作为终极样本；
Medium Pipeline（9 条推理链中有 5–7 个毛病）：存在部分逻辑或究竟性毛病的题目，挪用 Error Refiner 基于 Verifier 的反应停止针对性批改与细粒度补充，强化逻辑完整性；
Difficult Pipeline（9 条推理链中有 8–9 个毛病）：毛病率极高，则挪用更强模子（GPT-o1）重新天生完整推理链，相当于由专家重新诊断并开具「二次报告」提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。 该分层机制明显提升了数据分歧性与牢靠性提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。经过在分歧难度层面引入差别化处置，ReasonMed 成功在连结高精度的同时，将整体数据构建本钱下降约 73%，实现高质量与低本钱的同一提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。
质量评价与数据汇总
我们经过 Score Evaluator，基于逻辑联贯性（coherence）、医学究竟分歧性（factual fidelity）、选项分析完整性（option analysis）等方面临样本停止 0–10 份量化评分，考证各阶段精炼带来的质量提升提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

经过这一全流程挑选与优化后，终极构成 37 万条高质量医学推理样本（ReasonMed370K），用于后续模子练习与评价提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。基于一样的评分逻辑，我们也对照了天生的数据和当前公然医学推理数据的质量：



成果表白，ReasonMed 在评分均值上明显优于现有公然数据集，考证了 ReasonMed 框架的有用性提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

为了进一步分析「显式推理」与「总结式回答」等分歧的思维形式在医学大模子练习中的进献，我们从同一数据源中抽取并拆分出三个变体：

CoTMed370K 保存原始的具体推理轨迹，重点练习模子复现多步推理进程与思维逻辑，使模子进修复杂医学推理的链式结构；
ResponseMed370K 仅保存由 Response Summarizer 天生的精炼结论部分，用于练习模子在保存关键信息的同时天生简洁、临床友爱的回答提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。
ReasonMed370K 包括完整的多步推理链以及由多智能体天生的简明答案（Response）



ReasonMed-7B / 14B 模子结果评价



为了考证天生数据对于模子构建的进献，我们基于
ReasonMed370K/ResponseMed370K/CoTMed370K 在 Qwen2.5-7B 停止了微调构建了三族模子 ReasonMed-7/14B，ResponseMed-7B 和 CoTMed-7B/14B提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。我们和当前的支流医疗/通用模子在
MedQA/MedMCQA/PubMedQA/MMLU 数据集上停止了对照提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。获得以下结论：

基于 ReasonMed370K 练习的小模子结果可比甚至超越 70B 级别模子
在多个威望医学问答基准（包括 PubMedQA、MedMCQA、MMLU-Med）上，ReasonMed-7B 展现了明显上风提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

其中，在 PubMedQA 上到达 82.0% 的正确率，跨越了 LLaMA3.1-70B 的 77.4%；在 MedMCQA 与 MMLU 医学子集上也表示稳定提升提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

进一步扩大至 14B 参数范围后，ReasonMed-14B 的整体正确率到达 72.8%，相较于 Qwen2.5-14B 提升 3.8%（72.8% vs 69.0%），并在整体性能上超越 Qwen2.5-32B（72.6%），与 LLaMA3.1-70B（72.9%）几近持平提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

这表白 ReasonMed 的「多智能体天生 + 分层优化」战略具有强大的可扩大性——即即是中小范围模子，也能在医学推理使命中实现与超大模子相当的表示提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

融合推理途径与总结答案的练习战略结果最好
为了分析分歧数据范例对模子推理才能的影响，团队基于同一底座（Qwen2.5-7B）练习了三个版本：
CoTMed-7B：进修完整推理途径，夸大逻辑链条复现；
ResponseMed-7B：仅进修简明答案，重视输出的正确性与简洁性；

ReasonMed-7B：连系推理途径与总结式答案的夹杂练习战略提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

成果显现，ReasonMed-7B 的融合战略结果最好，在综合正确率上达 69.6%，别离超越 CoTMed-7B（69.1%）和 ResponseMed-7B（67.0%）提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。同时，其天生输出在逻辑深度与表达简洁度之间获得了杰出平衡，既具可诠释性，又具适用性提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

这考证了 ReasonMed 的焦点理念：显式推理链的进修能明显增强模子的泛化推理才能，而「推理 + 总结」融合战略是医学 QA 范畴更优的练习途径提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

基于多智能体的分层处置战略明显下降思维链路天生本钱，兼顾质量与效力



同时我们也考证了，ReasonMed 的分层优化机制（Easy / Medium / Difficult Pipeline）在确保数据质量的同时明显下降了数据构建本钱提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

若完全依靠最早辈的大模子 API 天生 37 万条复杂推理链，本钱估计在 16,631 美圆；而在 ReasonMed 的现实设想中，仅约 2.56% 的样本进入最高难度流程，需挪用更强模子，其他题目均由中等范围模子完成提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。 在这一战略下，项目总本钱约 4,552 美圆（o1 API 推理花费 3,595 美圆），实现了 70% 以上的本钱节省提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

这类「困难精修、易题高效」的分层机制，在保证推理链质量与分歧性的条件下，实现了高性价比的数据构建，为大范围推理数据的可延续生产供给了可复制模板提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

项目意义和展望
ReasonMed 项目标推出，为医学 AI 研讨供给了新的范式，其焦点代价首要表现在以下几个方面：
填补医学推理数据空缺：ReasonMed370K 供给了当前业界范围最大、质量最高的开源医学推理数据集，极大减缓了医学范畴数据匮乏的题目，为后续研讨和利用供给了坚固牢靠的根本提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。
考证了显式多步推理在医疗模子的练习的关键感化：经过系统性地考证显式推理途径对模子性能提升的关键感化，ReasonMed 明白了常识麋集型 AI 的练习方式论，为未来 AI 模子的研发供给了清楚的理论指南提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。
鞭策「小模子 + 高质量数据」线路：在特定专业范畴，小模子搭配高质量数据可明显超越更大范围模子的性能，可以有用下降了医疗 AI 工具研发的本钱门坎提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。
低本钱，标准化的可扩大思维链天生框架：ReasonMed 框架可以迁移至其他常识麋集范畴（如生命科学，材料科学等），为构建特定范畴的数据集供给了参考，具有跨范畴利用的潜力提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

同时，ReasonMed 相关技术也用到了达摩院多模态医疗大模子 Lingshu[1] 的构建中提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。接下来，我们计划进一步扩大数据覆盖的深度与广度，摸索如影象诊断、多模态了解、医学工具挪用等更复杂的医学推理场景提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。同时，我们也希望经过开放合作，让更多研讨者介入数据完善与模子优化，配合建立一个延续演变、可信可复用的医学推理生态提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。

社区反应
ReasonMed 公布后在社区内激发了积极反应提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。研讨者普遍以为其「多智能体 × 分层调优」战略为高质量推理数据天生供给了新范式，并在 Hugging Face 与社区获得了普遍关注提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。论文公布当天即登上 Hugging Face「Paper of the Day」榜首，并获得 Hugging Face CEO 在 X 平台的转发与保举，激发了业内研讨者与开辟者的热烈会商提出申请的零售商必须在新米大量上市的8月底前完成储备米销售。





[1]https://huggingface.co/lingshu-medical-mllm