SAGE：面向有依据的医学问答数据合成的语义锚点引导演化

开发用于临床任务（如医学问答（QA））的可靠模型，受到高质量专家标注训练数据有限的严重制约。严格的隐私要求，以及在资源受限的临床环境中难以使用大型开源语料库或专有云 API，进一步加剧了这一挑战。为应对这些障碍，我们提出 SAGE（Semantic Anchor-Guided Evolution），一种新型数据合成框架，使本地部署的小型模型能够生成高质量医学训练数据。SAGE 利用 MeSH 等轻量级、公开可用的分类体系作为语义锚点，引入结构化先验，从而有效引导并约束数据生成过程。SAGE 的核心在于迭代交替进行原子式（基于单个概念）和关联式（基于关系）的合成，从极少量种子数据中逐步构建训练数据。该方法无需大规模医学文档集合，也不依赖外部 API，为本地数据创建提供了实用解决方案。在多个医学问答基准上的大量实验表明，使用 SAGE 合成数据微调的模型，其表现始终优于采用自生成或传统基于文档范式训练的模型，凸显了医学 LLM 开发在数据效率和资源利用方面的切实提升。代码地址：https://github.com/DIaacKr/SAGE】【。