精煉生物醫學大型語言模型（LLMs）專注提升單一詞彙的生物醫學任務表現。為了解決這個問題，Taiyi雙語精煉LLM應運而生，處理多國語言的生物醫學自然語言處理任務。透過整合生物醫學數據並實施2階段的精煉策略，Taiyi在命名實體識別、關係提取和文本分類等任務中超越一般的LLMs。雖然Taiyi在生物醫學NLP雙語多任務上有潛力，但在資訊提取等任務上仍面臨挑戰，LLMs在這些任務中的表現不如傳統方法。 PubMed DOI

生成式大型語言模型（LLMs）在自然語言處理表現優秀，尤其在問答和對話系統。MedChatZH是基於Transformer和LLaMA的中文醫學問答模型，透過醫學書籍預訓練並微調在醫學指導數據，在醫學對話數據集中表現優異。有興趣的研究者可在GitHub找到相關資源，支持中醫學和LLMs研究。 PubMed DOI

LLMs如ChatGPT和Med-PaLM在醫學問答表現優秀，但在非英語環境面臨挑戰。KFE框架提升中文醫學表現，整合臨床知識。像ChatGPT和GPT-4在CNMLE-2022有顯著進步，超越人類並通過考試。研究指出結合醫學知識與LLMs的情境學習有效，可橋接全球醫療語言障礙，減少不平等。 PubMed DOI

這項研究致力於開發一個針對傳統中醫的語言模型，旨在提升臨床推理能力，如診斷和處方建議。研究人員創建了三個重要數據集，並開發了Lingdan預訓練模型及兩個專門模型，分別用於症狀分析和草藥處方建議。這些模型在中醫知識回答和處方建議上表現優異，Lingdan-PR的F1-score比最佳基準提高了18.39%。這項研究顯示了人工智慧在改善醫療決策中的潛力，相關資料可在 https://github.com/TCMAI-BJTU/LingdanLLM 獲得。 PubMed DOI

在醫療領域，先進的大型語言模型（LLMs）逐漸被應用，但在傳統中醫（TCM）方面的專業知識仍然不足。為了解決這個問題，我們開發了TCMChat，這是一個專門針對中醫文本和中文問答數據集訓練的生成性LLM。TCMChat基於Baichuan2-7B-Chat模型，經過預訓練和微調，並在六個中醫相關場景中表現優異。我們的資源已在GitHub和HuggingFace上公開，為中醫研究提供了有價值的工具和友好的對話介面。 PubMed DOI

大型語言模型（LLMs）在醫學領域的應用越來越受到重視，但在中醫方面的研究仍然有限。本研究回顧了29項相關研究，發現LLMs在知識提取和輔助診斷方面有潛力。專為中醫設計的模型在執業醫師考試中達到70%的準確率，而通用模型則為60%。不過，LLMs在中醫應用上仍面臨數據質量、安全性及中醫特有的複雜性等挑戰。未來應著重於跨學科訓練和數據標準化等方向。 PubMed DOI

這項研究探討如何利用大型語言模型（LLM）分析媒體對中國的態度，以香港的《東方日報》為例。研究強調分析媒體數據集對理解公眾意見的重要性，並指出傳統方法常忽略隱性態度。研究使用Martin和White的框架來分類態度，並運用Meta的開源Llama2（13b）模型進行分析，針對40,000條與中國相關的表達進行量化。結果顯示，LLM能有效識別顯性和隱性態度，準確率約80%，與人類編碼者相當。研究也討論了實施過程中的挑戰及其解決策略。 PubMed DOI

DeepSeek的開源模型在成本和效率上確實有優勢，對開發者和研究人員來說非常吸引。因為是開源的，使用者可以根據需求自由修改，增加靈活性和自訂性。此外，優化的架構能縮短訓練時間，降低資源消耗，特別適合計算資源有限的人。這種經濟實惠又高效的結合，讓更多人能接觸到先進的機器學習技術。 PubMed DOI

這項研究提出了一種方法，旨在為越南語這種低資源語言的醫療資訊創建訓練數據集，以微調大型語言模型（LLMs）。目的是改善醫療資訊的獲取，增強發展中國家的醫療溝通。研究過程中，選擇基礎模型並彙編約337,000對提示-回應對，使用低秩適應技術進行微調。微調後的模型在多項指標上表現優於基礎模型，顯示出其在越南語健康查詢中的潛力。雖然本地部署可提升數據隱私，但高計算需求和成本仍是挑戰，研究呼籲關注醫療差距，促進全球健康公平。 PubMed DOI

這項研究評估了全球大型語言模型（LLMs）和中文領域的LLMs在回答近視相關問題的表現。測試的模型包括ChatGPT-3.5、ChatGPT-4.0、Google Bard等，還有華佗GPT、MedGPT等中文模型。共評估39個問題，專家用3分制評分。結果顯示，ChatGPT-3.5、百度ERNIE 4.0和ChatGPT-4.0在準確性上表現最佳，且ChatGPT系列在全面性和同理心方面也表現不錯。整體來看，無論是全球還是中文模型，都能有效解決近視問題，特別是全球模型表現優異。 PubMed DOI