# HuatuoGPT-o1, Towards Medical Complex Reasoning with LLMs

**Authors:** Junying Chen, Zhenyang Cai, Ke Ji, Xidong Wang, Wanlong Liu, Rongsheng Wang, Jianye Hou, Benyou Wang  
**arXiv:** [2412.18925](https://arxiv.org/abs/2412.18925)  
**Date:** 2024-12-25  
**Summary page:** https://www.summarizepaper.com/fr/paper/2412.18925v1/

## Key points

- Les auteurs ont présenté une étude sur "HuatuoGPT-o1 : Vers un raisonnement médical complexe avec les LLM"
- La recherche met en évidence le potentiel d'amélioration du raisonnement pour les modèles de langage à très grande échelle (LLM)
- Le domaine médical exige un raisonnement robuste pour fournir des réponses fiables
- Les chercheurs proposent des problèmes médicaux vérifiables avec un vérificateur médical pour contrôler l'exactitude des résultats du modèle
- HuatuoGPT-o1 est un LLM médical capable de raisonner de manière complexe qui surpasse les références générales et spécifiques à la médecine
- L'approche en deux étapes consiste à utiliser le vérificateur pour guider la recherche d'une trajectoire de raisonnement complexe et appliquer l'apprentissage par renforcement pour améliorer davantage le raisonnement
- Les expériences montrent que le raisonnement complexe améliore la résolution de problèmes médicaux et bénéficie de l'apprentissage par renforcement

## Summary

Les auteurs Junying Chen, Zhenyang Cai, Ke Ji, Xidong Wang, Wanlong Liu, Rongsheng Wang, Jianye Hou et Benyou Wang ont présenté une étude intitulée "HuatuoGPT-o1 : Vers un raisonnement médical complexe avec les LLM". Cette recherche met en évidence le potentiel d'amélioration du raisonnement pour améliorer les modèles de langage à très grande échelle (LLM). Alors que la plupart des recherches sur le raisonnement se sont concentrées sur des tâches mathématiques, des domaines comme la médecine restent largement inexplorés. Le domaine médical exige également un raisonnement robuste pour fournir des réponses fiables compte tenu des normes élevées en matière de soins de santé. Cependant, la vérification du raisonnement médical est complexe par rapport à celle des mathématiques. Pour remédier à cela, les chercheurs proposent des problèmes médicaux vérifiables avec un vérificateur médical pour contrôler l'exactitude des résultats du modèle. Cette nature vérifiable permet d'avancer dans le raisonnement médical grâce à une approche en deux étapes : (1) utiliser le vérificateur pour guider la recherche d'une trajectoire de raisonnement complexe afin d'affiner les LLM ; (2) appliquer l'apprentissage par renforcement avec des récompenses basées sur le vérificateur pour améliorer davantage le raisonnement complexe. Enfin, ils introduisent HuatuoGPT-o1, un LLM médical capable de raisonner de manière complexe qui surpasse les références générales et spécifiques à la médecine en n'utilisant que 40 000 problèmes vérifiables. Les expériences montrent que le raisonnement complexe améliore la résolution de problèmes médicaux et bénéficie davantage de l'apprentissage par renforcement. Les chercheurs espèrent que leur approche inspirera des avancées dans le domaine du raisonnement dans les domaines médicaux et spécialisés.