MedAgentGym：大规模训练用于基于代码的医学推理的 LLM 代理

我们引入了 MedAgentGYM，这是第一个公开可用的训练环境，旨在增强大型语言模型 (LLM) 代理的基于代码的医疗推理能力。MedAgentGYM 包含 72,413 个任务实例，涵盖 129 个类别，这些实例均来自真实的生物医学场景。任务被封装在可执行的编码环境中，每个环境都包含详细的任务描述、交互式反馈机制、可验证的真实标注以及可扩展的训练轨迹生成。对 30 多个 LLM 进行的广泛基准测试揭示了商业 API 模型与开源模型之间显著的性能差异。利用 MedAgentGYM，Med-Copilot-7B 通过监督微调 (+36.44%) 和持续强化学习 (+42.47%) 实现了显著的性能提升，成为一种经济实惠且隐私保护的替代方案，与 gpt-4o 具有竞争力。通过在一个统一的执行环境中提供全面的基准和可访问、可扩展的训练资源，MedAgentGYM 提供了一个集成平台，用于开发基于 LLM 的编码助手，以促进高级生物医学研究和实践。