GeneGPT：用领域工具增强大型语言模型，以改善对生物医学信息的访问 _医学

文章目录三、总结与讨论
CSDN 叶庭云：
一、论文关键信息
论文标题：:LargewithTools forto
论文地址：
作者团队：Qiao Jin, Yifan Yang,Chen,Lu
? 代码地址：暂无
【GeneGPT：用领域工具增强大型语言模型，以改善对生物医学信息的访问】关键词：大型语言模型、生物医学问答、工具学习
一段话总结：教会 CodeX 使用 NCBI Web APIs，SOTA on 7 # tasks 。
尽管大型语言模型（LLMs）已被成功应用于各种任务，然而它们仍然面临着幻觉的挑战。利用特定于领域的工具（如数据库实用工具）扩展 LLMs 的应用，能够更轻松、更精准地访问专业知识。在这篇论文中，作者提出了，这是一种新的方法，用于教授 LLM 利用国家生物技术信息中心（NCBI）的 Web APIs 来回答基因组学问题。具体而言，作者建议使用 CodeX 进行上下文学习，结合增强解码算法来检测和执行 APIs 调用，从而利用 NCBI Web APIs 解决测试（基因组学问答基准）。

文章插图
经过实验证明，在基准测试中 8 个任务中表现最为优异，平均得分为 0.83 。相比之下，在检索增强的 LLMs 中，New Bing 得分仅为 0.44；而在生物医学 LLMs 中，和的得分分别为 0.08 和 0.04 。此外，相对于 GPT-3 和而言，的表现也更为突出，它们的得分分别为 0.16 和 0.12 。
进一步分析表明：
理解一篇论文的基本逻辑和形式：
二、主要内容 1.
解决什么问题？做这个事儿的意义、挑战？
2. 解决方案关键
通过上下文学习和使用 NCBI Web APIs 来提示 CodeX 。由两个主要模块组成：
利用 NCBI Web APIs 的 E-utils 和 BLAST 工具，提供了访问生物医学数据库和进行 DNA 序列比对的功能。这些 Web APIs 调用是通过中的库实现的。
通过上下文学习和，教授一个 LLM 如何使用 NCBI Web APIs 。展示了提示符的示例，它由四个模块组成：
前三个部分对于所有任务都是固定的，而最后一个部分则是特定于任务的。

文章插图
推理算法。具体而言，我们首先将给定的问题附加到提示符上，并将连接后的文本以温度为 0 的方式提供给Codex 。我们选择使用 CodeX 有两个原因：
3. 实验和结果
实验任务：
主要就是评估在生物医学问答基准上的准确性：
三、总结与讨论
推出了，这是一种新颖的方法，教授 LLMs 如何使用 NCBI Web APIs 。它在 8 个任务上实现了 SOTA 性能，并可以执行链式 API 调用。实验结果表明，数据库实用工具可能比相关网页更优秀，可以增强 LLMs，以忠实地服务于各种生物医学信息需求。
? 相关工作：
论文的主要贡献总结如下：
可能的改进和进一步工作：
参考链接：