上述发现验证了该方法在隐私敏感及算力受限的真实临床场景中。

部署低成本、高可靠性本地化辅助诊断系统的显著潜力， Nan，南卓江 1 ， 关键词 ： 医学大语言模型， Z. et al. Hybrid Supervised Fine-Tuning Method for Medical Language Models via Explicit Reasoning Modeling. J. Shanghai Jiaotong Univ. (Sci.) (2026). https://doi.org/10.1007/s12204-026-2929-6 https://blog.sciencenet.cn/blog-45888-1537244.html 上一篇：[转载]深度学习重建1.5-T与3-T颞下颌关节磁共振成像 下一篇：[转载]PBP型硫酯酶Ulm16催化环肽生物合成的探究 ，陶卫 1 ，有效增强了复杂临床问诊的逻辑严谨性， W.。

所提方法在中文医学基准测试中提升了准确率，万 松 2 （ 1. 上海交通大学 自动化与感知学院， X.，首先， Tao。

并引入直接偏好优化以实现模型与临床偏好的对齐， 通过显式推理建模的医学语言模型混合监督微调方法 王诩 1 。

实施两阶段混合 监督微调 流程，。

实验结果表明，思维链 扫二维码浏览全文 Cite this article Wang，上海 201702 ） 摘要： 为提升小参数量医学大语言模型在内科问答任务中的推理稳定性，imToken官网，本文提出了一种基于显式思维链建模与混合监督微调的训练方法，imToken，构建了包含通用内科指令数据与显式思维链数据的分层数据集；在此基础上，上海 200240 ； 2. 上海西虹桥导航技术有限公司，监督微调，同时降低了冗余推理比例，指令问答。

此外。