Исследователи предлагают BiRG-LoRA, метод адаптации с эффективным количеством параметров для ответа на множественные медицинские вопросы, который динамически регулирует ранги адаптеров в зависимости от условий ввода. Метод использует двуосный гейт для выбора разреженного подмножества атомов ранга из одного модуля LoRA на слой, объединяя семантические доказательства с клиническими приоритетами.

  • Достигает 69.31% макро-средней точности на бенчмарках CMB, CMExam, MedQA и MedMCQA с использованием Qwen3-8B.
  • Превосходит MoELoRA на 0.89 процентных пункта, используя на 28.1% меньше обучаемых параметров.
  • Улучшает результаты по сравнению с vanilla LoRA r16 и active-rank-matched LoRA r4 на 0.83 макро-балла.
  • Демонстрирует устойчивость к умеренному шуму тегов через проверки возмущения слабой оси во время оценки.

Результаты указывают на то, что клинически структурированное распределение рангов улучшает производительность медицинского QA между бенчмарками при протоколе с одним совпадающим сидом.