基于Llama 3的最强开源医疗AI模型发布，刷新榜单

一家名为Saama AI Labs发布了他们基于Llama 3 微调的开源医疗AI大模型OpenBioLLM-Llama3-70B 和 OpenBioLLM-Llama3-8B，刷新抱抱脸上的医疗大模型榜单，并占据榜首。其在生物医学领域的测试性能超越 GPT-4、Gemini、Meditron-70B、Med-PaLM-2等行业巨头。

基准测试表现

OpenBioLLM-70B 展示了卓越的性能，在 9 个不同的生物医学数据集中超越了 GPT-4、Gemini、Meditron-70B和 Med-PaLM-2 等更大的模型。尽管与 GPT-4 和 Med-PaLM 相比，其参数数量较少，但它取得了最优的结果，平均得分高达 86.06%，令人印象深刻。

详细的医学主题准确性的评测结果

微调过程

微调过程分两个阶段进行，对使用 LLama-3 70B 和 8B 型号作为基础进行微调

1、策略优化：利用直接偏好优化DPO 数据集和微调配方。《直接偏好优化：你的语言模型实际上是一个奖励模型》arxiv.org/abs/2305.18290

2、微调数据集：自定义医疗指导数据集。耗时约 4 个月收集数据，纳入 3000 个医疗保健和 10 多个医学主题数据，与医学专家合作审查其质量，并过滤掉不合格的例子。该数据集详细信息尚未发布。

官方应用示例

总结临床记录

OpenBioLLM 可以高效地分析和总结复杂的临床记录、EHR 数据和出院摘要，提取关键信息并生成简洁、结构化的病历摘要。

病例摘要

**主诉：**呼吸急促，进行性加重，伴心电图异常。

相关病史：

结肠炎和憩室炎，目前正在接受治疗。

高血压病史。

心脏杂音，未定期随访。

长期呼吸急促。

体格检查：

未明确提及，但根据心电图结果推测：

二尖瓣反流严重。

大量胸腔积液。

诊断：

未明确说明，但根据心电图结果推测：

二尖瓣反流。

充血性心力衰竭（CHF）。

治疗方案：

目前药物：

速尿（利尿剂）。

钾补充剂。

肼屈嗪（抗高血压药）。

抗生素治疗。

甲状腺补充剂。

可能需要进一步评估和治疗二尖瓣反流和充血性心力衰竭。

其他信息：

患者为 86 岁女性，因腹痛和血便入院治疗。

患者活动能力有限，多年来一直呼吸急促。

患者有大量胸腔积液，但未定期随访。

有高血压病史，但无糖尿病、血脂异常病史，不吸烟。

家族史无特殊。

患者正在服用多种药物，包括：氨氯地平、卡维地洛、布洛芬。

患者不吸烟，不喝酒，无娱乐性药物使用史。

回答医疗问题

OpenBioLLM 可以为广泛的医学问题提供答案。

医疗文档分类

执行各种生物医学分类任务，例如疾病预测、情感分析、医疗文档分类

临床实体识别

可以通过从非结构化临床文本中识别和提取关键医学概念（例如疾病、症状、药物、手术和解剖结构）来执行高级临床实体识别。通过利用对医学术语和上下文的深刻理解，该模型可以准确地对临床实体进行注释和分类，从而从电子健康记录、研究文章和其他生物医学文本源中实现更高效的信息检索、数据分析和知识发现。此功能可以支持各种下游应用，例如临床决策支持、药物警戒和医学研究。

医疗标志物提取

识别并自动删除患者信息

检测并删除医疗记录中的个人身份信息 (PII)，确保患者隐私并遵守 HIPAA 等数据保护法规。

模型下载及使用

OpenBioLLM-70B 下载地址：huggingface.co/aaditya/Llama3-OpenBioLLM-70B

OpenBioLLM-8B 量化模型下载地址：huggingface.co/aaditya/OpenBioLLM-Llama3-8B-GGUF

在使用中需要注意的是要使用 Llama-3 指导版本提供的聊天模板。否则，性能将会下降。有用户和我本人在实际使用Llama 3 的过程中，已经遇到过因为提示词模板的问题，导致Llama 3 进入自循环回答错误问题了。
官方还宣称，虽然 OpenBioLLM-70B 和 8B 利用高质量的数据源，但其输出仍可能包含不准确、偏差或不一致，如果在没有进一步测试和完善的情况下依赖其进行医疗决策，可能会带来风险。该模型的性能尚未在随机对照试验或现实医疗环境中经过严格评估。

如果在医院本地部署该模型，挂上医院本地知识库，已经能想象到超多的实际应用了，应该能成为医疗行业的超级效率工具。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】