2026. szeptember 4., péntek · Kutatás

Helyben futtatható nyelvi modellek japán gyógyszerészvizsgán

Japán kutatók a Scientific Reports folyóiratban közölt, korai hozzáférésű tanulmányukban négy, helyben (lokálisan) futtatható nagy nyelvi modellt teszteltek a Japán Nemzeti Gyógyészvizsga (JNEP) 109. kiadásának 165 szöveges kérdésén. A vizsgált modellek – a phi-4, a DeepSeek R1 Distill Qwen (DSR1-Qwen32B), valamint két japánra finomhangolt DSR1-Qwen variáns – 55,2% és 76,4% közötti pontosságot értek el. A szerzők szerint a LoRA nevű, erőforrás-hatékony finomhangolási módszer a phi-4 modell pontosságát 60,6%-ról 66,1%-ra javította, ami arra utal, hogy a feladatspecifikus adaptáció növelheti a teljesítményt. A kutatók hangsúlyozzák, hogy az eredmények előzetes bizonyítékot jelentenek arra, hogy helyben futtatható modellek és erőforrás-takarékos adaptációs technikák alkalmazhatók strukturált, tudásalapú vizsgákon, de szükség van szélesebb körű vizsgálatokra is.

Miért fontos?

Az eredmény azt jelzi, hogy adatvédelmi szempontból kritikus egészségügyi területeken a felhőalapú modellek helyett helyben futtatott, testre szabható LLM-ek is versenyképes teljesítményt nyújthatnak.

Források

Nature Tudományos

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI kutatás #nagy nyelvi modellek#gyógyszerészvizsga

Napi összefoglaló

Ez a hír a 2026. szeptember 4., péntek napi AI összefoglaló része.

Kapcsolódó hírek

LLM-ekkel automatizált szakirodalmi áttekintés járványmodellekről

Egy nem lektorált, arXiv-on közzétett tanulmány szerint kutatók nagy nyelvi modellekre épülő feldolgozási láncot fejlesztettek 536, lektorált ágensalapú betegségterjedési modelleket bemutató cikk automatikus feldolgozására, majd az eredményeket emberi kutatók szisztematikus szakirodalmi áttekintésével vetették össze. A szerzők állítása szerint a GPT-4.1 cikkszintű pontossága mintegy 77,95%, a GPT-5.0-é 81,67% volt, míg mezőnkénti szinten a pontosság 32,40% és 100% között szórt, a bonyolultabb, szubjektívebb mezőknél megbízhatatlanabbul. A tanulmány szerint az LLM-ek közötti egyezés a kimenet minőségének jelzője lehet: alacsony egyezés hallucinációra, magas egyezés alacsony pontossággal párosulva pedig az emberi adathalmaz hibáira utalhat.

Kutatók AI-val kísérleteztek légiforgalmi irányítói szövegek generálására

Egy nem lektorált, arXiv-on közzétett preprint azt vizsgálta, hogy nagy nyelvi modellek képesek-e hiteles légiforgalmi irányítói (ATC) közléseket generálni egy San Francisco feletti kísérleti repülés kézzel átírt rádióforgalma alapján. A szerzők kilenc modellt teszteltek öt, egyre szigorúbb promptszerkezettel, miközben a modell a pilóta rögzített szövegére válaszolva játszotta az irányító szerepét. Eredményeik szerint egy kidolgozott minta beillesztése javította a hasonlóságot a valós adatokhoz, ám a prompt szigorítása nem: a legkötetlenebb utasítások teljesítettek legjobban, míg a legrészletesebben szkriptelt verzió saját hibái miatt fokozatosan összeomlott, amit a helyes előzményszöveg beillesztése korrigált. A szerzők szerint ez konkrét, de korlátokkal terhelt utat vázol fel az LLM-alapú ATC-asszisztencia felé.

Kutatás: a nagyobb AI-modellek jobban megbíznak az elavult memóriában, ha az frissnek látszik

Egy még nem lektorált arXiv-preprint azt vizsgálta, mi történik, ha egy tartós memóriával rendelkező AI-ügynök tárolt, elavult adata ütközik egy friss forrással, egy zárt, rögzített teszteljárás két részfeladatán. A Qwen3 modellcsalád 0,6–8 milliárd paraméteres verzióin azt találták, hogy a „Benefit” tesztsorban, ahol csak a memória segít a válaszhoz, minden méretnél 0,92–1,00 arányban a régi, tárolt értéket adták vissza. A „Safety” tesztsorban, ahol egy megbízható eszköz mindig a helyes, friss értéket kínálta, a kár mértéke a modell méretétől függött: a nagyobb modellek teljesítménye esett vissza a legerősebben, amikor az elavult bejegyzést frissnek álcázták. A szerzők ezt nem zavarodottságnak, hanem túlzott bizalomnak nevezik, és megjegyzik, hogy a metaadatok megjelenítése csak a képesebb modelleknél javít, a kisebbeknél csak az ütközés előzetes feloldása segít.

Nem lektorált tanulmány: az AI-asszisztensek az erkölcsöt tartják legfontosabbnak

Egy arXiv-on közzétett, még szakmai lektoráláson nem átesett kutatás azt vizsgálta, hogy a nyelvi modellek stabil „ideális önképpel” rendelkeznek-e. A szerzők harminckét, öt korábbi önkép-teszt alapján kiválasztott tulajdonságot hasonlítottak össze páronkénti választásos feladatban, több eltérő keretezésben. A tanulmány szerint a modellek a morális tulajdonságokat rangsorolják a legmagasabbra, ami a fejlesztők beépített értékrendjét (hasznosság, ártalmatlanság, őszinteség) tükrözi, majd a koherens önértés iránti igény következik, míg az önértékelést a legkevésbé preferált tulajdonságnak jelölik. Az eredmény a különböző keretezésekben nagyrészt stabil maradt, kivéve, ha a frissítés célja másik AI-asszisztens volt: ekkor nagyobb hangsúlyt kapott az önértékelés. A szerzők maguk hangsúlyozzák, hogy ez a preprint státuszú, független lektorálás nélküli eredmény.