# 监督微调

研究者从 YouTube 上 219 场、共 12,534 分钟的肿瘤委员会录像中整理出 OpenTumorBoard 基准，包含 611 例患者病例、19,157 轮讨论和十个专科角色，并据此设置“专科单轮回答”与“整场委员会模拟”两项任务，评测 14 个通用与医学大模型后发现最佳模型在临床等价性上仅得 3.43/5、在与真实委员会结论的对齐上仅得 2.78/5，而对 Qwen2.5-VL-3B 做监督微调加强化学习可把对齐分从 1.58 提升到 1.86。

研究者从 YouTube 上 219 场、共 12,534 分钟的肿瘤委员会录像中整理出 OpenTumorBoard 基准，包含 611 例患者病例、19,157 轮讨论和十个专科角色，并据此设置“专科单轮回答”与“整场委员会模拟”两项任务，评测 14 个通用与医学大模型后发现最佳模型在临床等价性上仅得 3.43/5、在与真实委员会结论的对齐上仅得 2.78/5，而对 Qwen2.5-VL-3B 做监督微调加强化学习可把对齐分从 1.58 提升到 1.86。

SkillGym 提出一条自动流水线，从互联网抓取技能并筛选出可离线复现的部分，用 builder-reviewer 智能体系统围绕四种推理结构构造带参考解与可执行验证器的技能关键型任务，再用三个教师模型和四个 agent harness 采集成功轨迹做监督微调，使 2B 到 122B 的六个模型在四个技能使用基准上 24 项比较中 22 项提升，其中 9B 模型在 SkillGym 测试集与 SkillEval 上超过 Qwen3.5-397B-A17B，并把智能体读取相关技能的比例从 28% 提高到 96%。

SkillGym 提出一条自动流水线，从互联网抓取技能并筛选出可离线复现的部分，用 builder-reviewer 智能体系统围绕四种推理结构构造带参考解与可执行验证器的技能关键型任务，再用三个教师模型和四个 agent harness 采集成功轨迹做监督微调，使 2B 到 122B 的六个模型在四个技能使用基准上 24 项比较中 22 项提升，其中 9B 模型在 SkillGym 测试集与 SkillEval 上超过 Qwen3.5-397B-A17B，并把智能体读取相关技能的比例从 28% 提高到 96%。