小模型配Agent工作流诊断准确率超前沿LLM

在医疗诊断这一高风险的推理场景中，大型语言模型（LLM）常因单次提示（single-shot prompting）而产生脆弱的诊断逻辑。近日，一篇来自arXiv的论文提出了DeepLens Diagnosis Agent，通过精巧的Agentic工作流设计，让一个仅有7B参数的小型医疗推理模型在诊断准确率上超越Claude Sonnet 4.5和Gemini 3.1 Pro等前沿大模型，同时大幅降低了推理成本。

该研究由JSL团队主导，核心思路是将医疗诊断拆解为五个结构化阶段：结构化临床事实提取、基于检索增强生成（RAG）的约束性知识检索、受限候选诊断生成、显式证据三角验证，以及可审计的最终决策。整个管线以JSL Medical Small 7B v2模型为推理引擎，通过工作流约束弥补模型参数规模的不足。

在包含915个复杂病例的DiagnosisArena基准测试中，DeepLens Diagnosis Agent实现了60.14%的Top-1诊断准确率，在所有中小型模型中位列第一。作为对比，同一模型在不使用Agent工作流时，准确率仅为23.99%——工作流设计单独带来了超过36个百分点的提升。值得注意的是，该模型在标准医疗知识基准测试中得分高达88.2%，这说明诊断推理在不确定性条件下的表现，远非单纯的知识回忆所能覆盖。

成本与效率方面，该Agent每例诊断仅需0.0072美元（在A100 GPU上处理约2.4万Token），延迟为24秒。相比之下，Claude Sonnet 4.5每例成本为0.0110美元，Gemini 3.1 Pro为0.0128美元——DeepLens不仅成本低35%至45%，而且在准确率上分别高出9.70和9.17个百分点。论文指出，精心设计的工作流约束可以部分弥补模型在参数规模和API成本上的劣势，甚至能够纠正前沿模型在某些案例中的错误。

除了整体准确率，该管线还产生结构化的中间产物，使得每个推理阶段都可被审查、可复现。例如，事实提取阶段会输出结构化的患者病史摘要，检索阶段会列出引用的医学文献，候选生成阶段会展示鉴别诊断的推理链。这种设计支持在诊断错误发生时精确定位问题环节——是事实提取遗漏了关键症状，还是检索到的知识不相关，或是证据三角验证环节权重分配有误。对于医疗等高风险场景，这种可追溯性（traceability）和可审计性（auditability）与基准性能同样重要。

从更广阔的视角看，DeepLens Diagnosis Agent的成果印证了Agentic工作流在专业领域推理中的潜力。当模型规模受限于成本或部署条件时，通过将复杂任务分解为多个可控子任务，并引入外部知识库和结构化约束，小模型同样能够达到甚至超越大模型的水平。这一范式不仅适用于医疗诊断，也可推广到法律分析、金融风险评估、科学文献综述等需要多步推理与证据整合的领域。

该研究的代码和模型权重已在Hugging Face等平台开放，为社区提供了可复现的基准。未来工作可能包括引入多模态数据（如医学影像）作为额外事实源，以及探索动态工作流——根据病例复杂度自动调整推理步骤。在AI医疗落地过程中，DeepLens Agent提供了一条平衡性能、成本与可靠性的务实路径。