Авторы представляют Fathom-Vaidya, модель с 30B параметров, которая использует синтетические данные и подкрепляющее обучение на основе рубрик для улучшения как диагностического, так и клинического медицинского рассуждения. Процесс обучения сначала направлен на повышение точности диагностики с использованием вопросов, полученных из MedBullets, а затем решает задачи многооборотного клинического взаимодействия через 5.3k сгенерированных сценариев с многомерными рубриками.
- Модель достигает точности 50.1% на HealthBench-Hard, превосходя проприетарные базовые модели, включая GPT-5 (thinking).
- Она демонстрирует улучшение более чем на 10% на бенчмарке MedXpertQA.
- Подход систематически улучшает сложные диагностические сценарии и возможности контекстного диалога.
Эта работа демонстрирует, что целевые синтетические наборы данных и обучение на основе рубрик могут эффективно устранять устойчивые недостатки медицинских LLM.