기사가 주장을 뒷받침하는지 평가하는 것은 환각(hallucination) 탐지와 주장 검증(claim verification)에 필수적이다. 대규모 언어 모델(LLM)은 이 작업을 자동화할 잠재력이 있지만, 강한 성능을 달성하려면 GPT-5와 같은 프론티어 모델이 필요하며, 이는 대규모 배포에는 지나치게 비용이 많이 든다. 생의학적 근거 귀속을 효율적으로 수행하기 위해, 우리는 단 30억 개의 파라미터만을 갖춘 소형 언어 모델 계열인 Med-V1을 제시한다. 본 연구에서 새롭게 개발한 고품질 합성 데이터로 학습된 Med-V1은 검증 형식으로 통합된 다섯 가지 생의학 벤치마크에서 베이스 모델 대비 (+27.0%에서 +71.3%) 상당히 우수한 성능을 보인다. 더 작은 크기에도 불구하고 Med-V1은 GPT-5와 같은 프론티어 LLM과 비슷한 수준의 성능을 내며, 예측에 대한 고품질 설명도 함께 제공한다. 우리는 Med-V1을 사용하여 서로 다른 인용 지시(citation instructions) 하에서 LLM이 생성한 답변의 환각을 정량화하는 최초의 사용 사례 연구를 수행한다. 결과는 형식 지시(format instruction)가 인용 유효성과 환각에 강하게 영향을 미치며, GPT-5가 더 많은 주장을 생성하지만 GPT-4o와 유사한 환각 비율을 보인다는 것을 보여준다. 또한 Med-V1이 임상 진료 지침에서 고위험(high-stakes) 근거 오귀속(misattributions)을 자동으로 식별할 수 있음을 보여주는 두 번째 사용 사례를 제시하며, 이는 그렇지 않으면 대규모로 식별하기 어려운 잠재적 부정적 공중 보건 영향을 드러낸다. 전반적으로 Med-V1은 실용적이고 실제 세계의 생의학적 근거 귀속을 위해 프론티어 LLM에 대한 효율적이고 정확한 경량 대안을 제공한다. Med-V1은 https://github.com/NLM-DIR/Med-V1 에서 이용할 수 있다.
인과 방향성 비순환 그래프(DAG)를 구성하는 것은 생의학 인과 분석의 핵심 단계이지만, 여전히 대부분 수동으로 이루어지는 과정이다. 분석가는 연구 변수를 기존 문헌과 연결하고, 불확실한 인과 주장을 평가하며, 전문가 검토를 위해 충분한 출처 정보를 보존해야 한다. 우리는 인과 DAG를 감사 가능하고 증거가 연결된 산출물로 작성하기 위한 브라우저 기반 시스템인 DAGForge를 제안한다. 연구 개념에 대한 자유 텍스트 설명이 주어지면, DAGForge는 재현 가능한 문헌 스냅샷을 생성하고, 대규모 언어 모델(LLM) 기반 추론 모듈을 사용하여 원문 증거 발췌에 근거한 구조화된 쌍별 인과 판단을 생성하며, 이를 제약 조건 검증이 이루어진 그래프로 조립한다. 제안된 각 엣지에는 신뢰도 추정치, 출처 정보, 검토 가능한 근거가 포함된다. 인터페이스는 연구 명세, 진행 모니터링, 증거 검토, 그래프 비교, 조정 집합(adjustment-set) 계산, 내보내기를 지원한다. 간결한 벤치마크 DAG와 게재된 문헌에서 파생된 참조 DAG 모두에 대한 평가에서, DAGForge는 문헌 기반 코호트에서 높은 엣지 재현율을 달성하면서 LLM 단독 기준선에는 없는 검증 가능한 증거 추적을 유지한다. 따라서 DAGForge는 인과 DAG 큐레이션의 부담을 줄이면서 결과적 가정을 감사 가능하게 만들어, 생의학 연구의 설계, 분석, 해석을 지원한다.
복잡한 생의학 데이터를 환자 친화적인 서술로 변환하는 것은 현대 생의학 정보학의 핵심이다. 본 연구는 전문화된 생의학 데이터-텍스트 생성 작업에서 소형 언어 모델(SLM)을 학습하는 것에 대한 비교 분석을 제시한다. 의약품 패키지 설명서 데이터셋에서 Qwen 기반 SLM에 대해 지도 미세조정(SFT), 직접 선호 최적화(DPO), 오즈비 선호 최적화(ORPO), 그룹 상대 정책 최적화(GRPO) 등 널리 채택된 사후 학습 방법을 탐색한다. 데이터셋 간 일반화 가능성을 평가하기 위해 openFDA에서 약품 라벨 데이터도 수집했다. ROUGE와 같은 표준 어휘 중복 지표와 의미 유사도 척도를 모두 사용하여 모델을 평가한다. 실험 전반의 결과는 (1) 정렬된 SLM이 GPT-5와 같은 독점 모델보다 우수한 성능을 보인다, (2) ORPO가 SFT 기준선보다 우수하다, (3) GRPO가 GPT-5를 포함하여 테스트된 정렬 방법 중 가장 견고한 데이터셋 간 성능을 보인다는 것을 보여준다.
프론티어 언어 모델은 생의학 벤치마크에서 점점 더 많이 평가되고 있지만, 두 가지 문제가 대부분의 공개 평가를 약화시킨다: 기존 벤치마크가 포화 상태에 근접해 있고, 개방형 응답이 다른 언어 모델에 의해 채점된다는 점이다. 우리는 Anthropic의 가장 강력한 공개 모델인 Claude Fable 5를 텍스트 4개, 멀티모달 4개로 구성된 8개의 생의학 벤치마크에서 평가하며, 전 과정에서 고정된 정답 키에 대한 결정론적 채점 방식을 사용한다. Claude 전작 모델 두 개와 GPT-5를 기준선으로 포함한다. 거부(Refusal)는 모든 결과 표에서 별개의 결과 유형으로 추적된다. 이 결정이 본 논문의 핵심 발견을 이끌어낸다. Fable 5는 벤치마크에 따라 질문의 8.0%에서 99.4%를 거부하는데, 이 패턴은 전작 모델과 GPT-5 모두에서는 나타나지 않는다. 거부된 항목을 분모에서 제외하면, Fable 5의 정확도는 이 연구의 모든 벤치마크에서 다른 모든 모델을 능가하거나 동등한 수준을 보인다. 우리는 두 가지 구별 가능한 거부 패턴을 식별한다: 하나는 MedQA와 MedXpertQA MM 전반에 걸쳐 기초과학 및 메커니즘 관련 내용에 집중되며, 각 벤치마크 자체의 카테고리 레이블을 활용한 두 벤치마크에서 독립적으로 확인된다; 다른 하나는 RareBench에서 나타나는 별개의 질환 영역 패턴으로, 선천성 대사 질환 사례는 거의 전면적으로 거부되는 반면 성인 발병 자가면역 사례는 거부되지 않는다. Fable 5의 생의학적 유용성을 제한하는 주된 요인은 실제로 참여했을 때의 능력이 아니라 참여하려는 의지이다.
생의학·생명과학 장문 요약을 위해 PMC 기반 188만 건 규모의 PMC-Large 데이터셋을 구축·공개하고, 저자 초록이 본문과 얼마나 정렬되는지 원문 근거·모델 기반 지표로 분석했다. 초록 품질 신호로 학습 데이터를 선별하면 동일 학습 규모에서 무작위 샘플링보다 성능이 좋아지며, 사실성 중심 평가에서는 더 큰 무작위 부분집합과 맞먹거나 능가할 수 있다.
OpenBioRQ는 12개 도메인 12,553개의 미해결 생의학 연구 질문으로 구성된 검색 그라운딩 에이전트형 벤치마크로, 정답 키 없이 에이전트의 충실성(faithfulness)과 기권(abstention)을 평가한다. 에이전트형 모델은 인용을 거의 조작하지 않지만(99% 이상 해결) 약 15.9%는 주장을 뒷받침하지 않는 잘못된 논문에 연결되며, 가장 어려운 질문에서는 프론티어 에이전트도 29–60%만 해결하고 도구 사용을 중단하는 에이전트형 붕괴(agentic collapse)가 관찰된다.
생의학 연구자들은 단백질 수준의 신호를 해석하기 위해 AI가 생성한 분석과 보고서를 점점 더 많이 사용하고 있지만, 정적인 출력물은 증거를 검토하고, 불확실성을 평가하며, 메커니즘을 비교하고, 가설을 정교화해야 하는 연구 의사결정에는 종종 불충분하다. 우리는 정적인 생의학 보고서 생성에서 증거 중심의 상호작용형 인터페이스 생성으로 전환하는 멀티 에이전트 시스템인 BioInsight를 제안한다. 질병명, 단백질 연관성 표, 선택적 코호트 메타데이터가 주어지면 BioInsight는 순위가 매겨진 경로, 문헌 증거 패킷, 단백질 수준 추론 노트, 인용 기반 보고서, 대시보드 스키마, 렌더링된 상호작용형 인터페이스 등 유형화된 중간 산출물을 통해 질병 특이적 증거를 구조화한다. 이 시스템은 증거 검색과 기전적 추론을 분리하고, 결정론적 컴포넌트를 통해 인용을 정규화하며, 보고서에 사용된 동일한 구조화된 증거를 상호작용형 인터페이스로 변환한다. BioInsight를 표준화된 생의학 QA, 어려운 단백질 기능 추론, 종단간 생의학 증거 합성 과제에서 평가한다. 결과는 BioInsight가 최고 성능을 달성함을 보여주며, 생의학 AI 시스템이 텍스트 전용 및 정적 보고서를 넘어 출처 보존형 상호작용형 증거 산출물을 향해 나아가야 함을 시사한다.
바이오메디컬 사실 검증(biomedical claim verification)을 위해 QLoRA를 활용하여 소형 언어 모델을 효율적으로 파인튜닝(fine-tuning)하여 Mistral-7B가 소량의 학습 데이터로 GPT-4o 및 GPT-5를 능가하는 비용 효율적인 성능을 달성했습니다. 또한 데이터셋의 구조적 특성이 도메인 간 일반화(cross-domain generalization)에 중요한 영향을 미침을 규명하고 구조적으로 건전한 데이터 학습의 필요성을 제시했습니다.