Journal of Medical Internet Research 该研究构建了由5名受训研究者手工标注1000份葡萄牙语门诊临床笔记的金标准语料库，覆盖患者姓名、日期、标识符、机构与地理位置5类受保护实体，并在500份笔记的留出测试集上比较了两种独立大语言模型（Llama-3.1-8B-instruct、Llama-3.3-70B-instruct）与两种量子增强混合模型（Dynex-QML 8B与70B，通过QUBO形式将LLM最终注意力层转化为全局约束满足问题并由神经形态量子退火求解），结果显示Dynex-QML-70B取得最高宏平均F1为0.855（95% CI 0.823-0.880），高于独立Llama-3.3-70B的0.726、Dynex-QML-8
该研究构建了由5名受训研究者手工标注1000份葡萄牙语门诊临床笔记的金标准语料库，覆盖患者姓名、日期、标识符、机构与地理位置5类受保护实体，并在500份笔记的留出测试集上比较了两种独立大语言模型（Llama-3.1-8B-instruct、Llama-3.3-70B-instruct）与两种量子增强混合模型（Dynex-QML 8B与70B，通过QUBO形式将LLM最终注意力层转化为全局约束满足问题并由神经形态量子退火求解），结果显示Dynex-QML-70B取得最高宏平均F1为0.855（95% CI 0.823-0.880），高于独立Llama-3.3-70B的0.726、Dynex-QML-8
该研究构建了由5名受训研究者手工标注1000份葡萄牙语门诊临床笔记的金标准语料库，覆盖患者姓名、日期、标识符、机构与地理位置5类受保护实体，并在500份笔记的留出测试集上比较了两种独立大语言模型（Llama-3.1-8B-instruct、Llama-3.3-70B-instruct）与两种量子增强混合模型（Dynex-QML 8B与70B，通过QUBO形式将LLM最终注意力层转化为全局约束满足问题并由神经形态量子退火求解），结果显示Dynex-QML-70B取得最高宏平均F1为0.855（95% CI 0.823-0.880），高于独立Llama-3.3-70B的0.726、Dynex-QML-8
该研究构建了由5名受训研究者手工标注1000份葡萄牙语门诊临床笔记的金标准语料库，覆盖患者姓名、日期、标识符、机构与地理位置5类受保护实体，并在500份笔记的留出测试集上比较了两种独立大语言模型（Llama-3.1-8B-instruct、Llama-3.3-70B-instruct）与两种量子增强混合模型（Dynex-QML 8B与70B，通过QUBO形式将LLM最终注意力层转化为全局约束满足问题并由神经形态量子退火求解），结果显示Dynex-QML-70B取得最高宏平均F1为0.855（95% CI 0.823-0.880），高于独立Llama-3.3-70B的0.726、Dynex-QML-8