ResidencyRL：在模拟临床环境中进行强化学习训练
ResidencyRL: Reinforcement Learning in Simulated Clinical Environments
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Valentin Li\'evin, Samuel Schmidgall, Tim Strother, Alex Bijamov, Akshay Goel, Anil Palepu, Chunjong Park, Vahid Balazadeh, Min Woo Sun, Marius Guerard, Justin Chen, Dave Steiner, Vikram Dhillon, Ibrahim Azar, Akhil Mehta, Nicholas Spetsieris, Shilpan Shah, Maen Abdelrahim, Amit Dahiya, Yun Liu, Katherine Chou, Yossi Matias, Avinatan Hassidim, Dale R. Webster, Quoc V. Le, Raia Hadsell, Joelle Barral, Carey Radebaugh, Aleksandra Faust, Shekoofeh Azizi, Mike Schaekermann, Po-Hsuan Cameron Chen, Tao Tu, David Racz, Lin Yang
研究者提出 ResidencyRL，通过最多 60 轮对话和每次轨迹最多 8 次工具调用，在模拟临床问诊环境中用多轮强化学习训练临床 AI 智能体。基于论文摘要，在对抗性条件下，该智能体将诊断准确率从 81.0% 提升至 88.0%，漏诊红旗症状的比例降低 31%；盲法临床专家在 87.6% 的并列比较中更偏好训练后的智能体。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org