文章总结与翻译一、主要内容本文聚焦医疗领域大语言模型（LLMs）的推理优化问题，针对现有强化学习后训练方法（如GRPO）仅优化答案正确性、与医疗领域对推理的真实性、全面性要求脱节的痛点，提出了临床目标相对策略优化（CRPO）框架，并基于该框架训练了专注于非影像临床推理的轻量级模型Clinical-R1-3B（30亿参数）。核心背景：医疗等高风险领域对LLM推理的要求是多维的，不仅需要答案准确，还需推理过程可验证、符合临床认知逻辑（如双加工思维），而现有RL方法（如PPO、GRPO）或依赖人类标注，或仅追求单一正确性目标，无法满足临床需求。方法设计：CRPO是GRPO的多目标扩展，通过规则化、可验证的奖励函数，联合优化准确性、真实性、全面性三大目标，无需人类标注。设计临床推理奖励机制，要求模型用dx（假设驱动推理，含直觉过程System 1和分析过程System 2）和conclusion（结论合成）标签分离推理与结论，且结论需引用dx中的分析元素，强化推理连贯性。奖励函数包含三部分：准确性奖励（答案正确性）、临床推理奖励（格式合规性+跨引用）、一致性奖励（有效 tokens 占比，避免偏离主题）。 文章总结与翻译一、主要内容本文聚焦医疗领域大语言模型（LLMs）的推理优化问题，针对现有强化学习后训练方法（如GRPO）仅优化答案正确性、与医疗领域对推理的真实性、全面性要求脱节的痛点，提出了临床目标相对策略优化（CRPO）框架，并基于该框架训练了专注于非影像临床推理的轻量级模型Clinical-R1-3B（30亿参数）。核心背景：医疗等高风险领域对LLM推理的要求是多维的，不仅需要答案准确，还需推理过程可验证、符合临床认知逻辑（如双加工思维），而现有RL方法（如PPO、GRPO）或依赖人类标注，或仅追求单一正确性目标，无法满足临床需求。方法设计：CRPO是GRPO的多目标扩展，通过规则化、可验证的奖励函数，联合优化准确性、真实性、全面性三大目标，无需人类标注。设计临床推理奖励机制，要求模型用dx（假设驱动推理，含直觉过程System 1和分析过程System 2）和conclusion（结论合成）标签分离推理与结论，且结论需引用dx中的分析元素，强化推理连贯性。奖励函数包含三部分：准确性奖励（答案正确性）、临床推理奖励（格式合规性+跨引用）、一致性奖励（有效 tokens 占比，避免偏离主题）。 
详解：从内存分配到实战避坑指南)
