医学大模型训练数据配比研究揭示非对称迁移

医学大语言模型的训练数据通常由两部分混合而成：一类是教科书、临床指南等教学性文本，另一类是病历、电子健康记录等临床数据。然而，这两类数据各自如何塑造模型能力，此前一直缺乏系统性研究。一篇最新公开的论文通过严格控制词元数量的对照实验，考察了教学数据与临床数据的配比变化如何影响模型在不同任务上的表现、能力画像以及错误模式。

研究团队采用词元匹配的实验设计，即在不同配比条件下保持训练数据总量一致，只改变教学数据与临床数据的比例。评估覆盖知识密集型任务与临床导向任务两大类。结果显示，两类数据之间存在明显的非对称迁移效应：临床数据不仅能提升临床导向任务的表现，在知识密集型任务上也能保持竞争力；而教学数据主要提升的是知识密集型任务，对临床任务的帮助有限。这一发现打破了以往认为两类语料可以简单互换的直觉。

错误分析进一步揭示了一种知易行难的落差。模型在知识召回层面的改善，并不能可靠地转化为临床推理能力的提升。这意味着，即便模型能够准确复述教科书中的医学事实，在面对需要多步推理、结合具体情境做出判断的临床问题时，仍可能出现明显失误。研究者认为，这一现象提示单纯增加知识性语料并不足以弥合知识与实践之间的鸿沟，能力画像的差异最终会体现在错误类型的分布上。

在基于电子健康记录的任务上，研究还发现一个值得关注的规律：只需要加入少量临床数据，就能获得大部分的收益，继续提高比例带来的边际回报明显递减。与此同时，最优的混合比例并非固定不变，而是随下游任务对知识储备与临床推理的不同需求而变化。推理要求越高的场景，越需要更高比例的临床数据支撑。

基于上述发现，论文提出医学大语言模型的数据治理应当以应用场景为驱动。对于以知识问答、医学考试类题目为主的应用，教学数据仍然具有不可替代的价值；而对于病历理解、临床决策支持等推理密集型场景，则应显著提高临床数据的占比。这种按用途定制的数据配比思路，比追求单一的最优比例更符合实际部署需求。

该研究的价值在于把数据配比从经验性选择转变为可量化的实验问题。它同时提醒开发者，评估医学模型时不能只看知识类基准的分数，还需要引入贴近真实临床流程的推理任务，否则容易高估模型的实际可用性。未来工作可进一步探索不同科室、不同病种数据分布下的配比规律，以及数据质量与配比之间的交互影响。