Pengfei Hu等提出TIR-EC框架用工具调用强化学习做急诊预测
热点事件持续更新
Pengfei Hu等提出TIR-EC框架用工具调用强化学习做急诊预测
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Pengfei Hu 等在 arXiv 论文（arXiv:2610.21449）中提出 TIR-EC，一个工具集成强化学习框架，用于急诊科预测：将 EHR 特征组暴露为可调用工具，由梯度提升树教师提供参考工具集与分级风险目标来训练 LLM，并通过逆向课程在强化学习中逐步移除提示词，把临床技能蒸馏进模型权重。 论文称其 4B 模型在三项临床预测任务上取得所有对比模型中最高的 macro F1，超过传统机器学习基线，并与更大的前沿 LLM 相当，同时以更少的工具调用选出更有用的证据。
AI 根据报道生成 · 1 小时前更新
最新进展10月23日 12:00
TIR-EC：用工具调用强化学习提升急诊入院预测报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- arXiv cs.AITIR-EC：用工具调用强化学习提升急诊入院预测
TIR-EC 是一个工具集成强化学习框架，通过将 EHR 特征组暴露为可调用工具，并以梯度提升树教师提供参考工具集与分级风险目标来训练 LLM，同时用逆向课程在 RL 中逐步移除提示词以将临床技能蒸馏进模型权重。其 4B 模型在三项临床预测任务上取得所有对比模型中最高的 macro F1，超过传统 ML 基线，并与更大的前沿 LLM 相当，且以更少工具调用选出更有用的证据。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。