Brendan P. Murphy

临床多轮智能体要在信息不全时决定问什么、何时停、做什么。研究在药物续方分诊、急性诊断检查、抗凝滴定三个可控模拟环境中比较奖励设计：只按最终结果给分的GRPO常靠少问问题抬高平均收益，却出现过早决策和高危病例退化；在诊断任务中，对降低隐藏状态不确定性的提问额外记分，三个训练种子下留出价值与中等病例支持均提高，且未出现只按结果训练时的高危种子崩塌。

临床多轮智能体要在信息不全时决定问什么、何时停、做什么。研究在药物续方分诊、急性诊断检查、抗凝滴定三个可控模拟环境中比较奖励设计：只按最终结果给分的GRPO常靠少问问题抬高平均收益，却出现过早决策和高危病例退化；在诊断任务中，对降低隐藏状态不确定性的提问额外记分，三个训练种子下留出价值与中等病例支持均提高，且未出现只按结果训练时的高危种子崩塌。