在医疗诊断过程中，涉及多个阶段：提取事实、咨询知识、生成差异分析以及选择最佳诊断并提供解释。尽管前沿的LLMs强大，但单次提示往往导致脆弱的诊断推理。我们提出了DeepLens诊断代理，这是一种五阶段的管道，结合了模型能力与严格的过程约束，专注于一个小型医学推理模型（JSL Medical Small 7B v2）和检索增强生成（RAG）。
该管道强制执行结构化的临床提取、严格的检索、受限的候选生成、明确的证据三角测量和可审计的最终决策。在915个案例的DiagnosisArena基准测试中，该代理的顶级诊断准确率达到了60.14%，在小型和中型模型中最高。相比之下，未使用代理工作流的同一模型准确率为23.99%，仅通过工作流设计便提升了36个百分点，尽管在标准医学基准上达到88.2%。这表明，面对不确定性，诊断推理不仅需要知识的回忆。
该代理每个案例成本为0.0072美元（在A100上处理24K个标记），延迟为24秒，比Claude Sonnet 4.5（0.0110美元）和Gemini 3.1 Pro（0.0128美元）便宜35-45%，同时在准确率上超出它们9.70个百分点和9.17个百分点。利用这种方法还可以纠正前沿模型的失败；工作流约束可以超越参数数量或API成本。除了总体准确性外，该管道还生成结构化的中间产物，使每个阶段都可检查，并支持错误定位。这些特性在高风险环境中尤其重要，在这些环境中，可追溯性、可重复性和可审计的证据与基准性能同样重要。
博主点评： DeepLens诊断代理的设计展示了小型模型在医疗领域的巨大潜力，通过严格的工作流设计提升了诊断准确性。相比大型模型，成本更低且效率更高，充分体现了模型与过程结合的重要性，值得进一步探索和应用。