摘要
语言模型在医疗问答方面表现出色，某些情况下甚至超过了普通医生的准确性。然而，关于可穿戴健康数据的问答仍然面临挑战且研究不足，因为这些普遍存在的传感器生成连续的、高维的和纵向的数据，这与 LLM 预训练中的文本中心分布对齐并非易事。传感器模式和用户意图的多样性无法通过固定的推理工作流或单一的预训练基础模型有效处理。
为了解决这些挑战，我们提出了 WEQA，一个查询自适应代理框架，将 LLM 推理与专业的可穿戴分析和建模工具统一起来。该框架使用 LLM 控制器来合成执行计划，并动态地将每个查询路由到适当的传感器分析和预训练模型组合，同时进行基于外部知识的响应审计。
我们还策划了一个基准，涵盖四个开放可穿戴数据集，包括三个不同健康领域中的分析和预测任务。实验表明，我们的框架在准确性上比 LLM 和代理基线高出 24%，并且与 12 位医学专家和 8 位用户的盲测研究显示在实用性和临床有效性上有显著提升。
博主点评： WEQA 通过将 LLM 与可穿戴技术的深度结合，展示了个性化医疗问答的新方向。其查询自适应的设计不仅提升了准确性，还增强了用户体验，预示着未来智能健康管理的潜力。值得关注的是其在实际应用中的有效性及可扩展性。