解读

面试官想知道三件事：

1. 你是否理解 Self-Instruct 在中文医疗场景下的特殊风险（幻觉、合规、隐私）。
2. 能否把“种子数量”与“多样性阈值”这两个超参，与数据质量、领域覆盖、算力预算、合规审查四要素做量化权衡。
3. 是否具备把实验指标翻译成LLMOps 可落地动作的能力（版本管理、自动回滚、灰度发布）。

一句话：不是让你背论文数字，而是让你给出“可复现、可审计、可上线”的调参方案。

知识点

1. 种子指令（Seed Instructions）

   • 中文医疗种子必须“三证合一”：临床指南、药监局说明书、三甲医院专家审校记录，缺一不可。
   • 数量经验：≥200 条才能覆盖 18 个一级科室、62 个常见疾病，低于此数会出现“科室偏差”导致幻觉。

2. 多样性阈值（Diversity Threshold）

   • 常用Sentence-BERT+SimCSE 中文医疗专用向量，余弦距离 <0.72 即判重。
   • 阈值 0.72 对应去重率 85%，既能抑制冗余，又保留罕见病样本。

3. 合规过滤

   • 必须加医疗敏感词黑白名单（国家卫健委 2022 版），触发即丢弃。
   • 生成后需三级医生审核，每百条样本至少 8 条抽查，幻觉率>2% 整批废弃。

4. LLMOps 闭环

   • 把种子池与生成池做成Git-LFS 大文件版本，每次迭代打 Tag；
   • 用DVC+MLflow记录“种子数-多样性阈值-幻觉率”三元组，方便回滚。

答案

给面试官一个可直接抄作业的“三步走”方案：

第一步：冷启动

• 先准备260 条种子，其中 60 条为“罕见病+儿科+肿瘤”长尾，保证科室熵>0.92。
• 用余弦 0.72 去重，得到 220 条核心种子，作为 0.1 版基线。

第二步：Self-Instruct 循环

• 每轮让 130B 模型生成 5 k 条，多样性阈值保持 0.72，但把“科室缺失度”加入奖励函数：
  Reward = 0.7×BLEU + 0.2×(1-重复率) + 0.1×科室熵增量。
• 生成后自动过敏感词过滤器，再随机抽 8% 给三甲医院主治以上医师盲审，幻觉率≤2% 才合并入主分支。

第三步：收敛判断

• 当连续两轮新增有效样本<3% 且科室熵增幅<0.01 时停止，通常 4–5 轮即可。
• 最终池规模控制在18–22 万条，既满足覆盖，又保证单机 8×A100 微调 24 h 内完成。

落地时把以上参数写进YAML 配置模板，通过 Jenkins 流水线一键拉起，符合国内医疗 SaaS 过等保三级审计要求。

拓展思考

1. 如果院方只给10 条私有种子，如何快速扩增？
   答：采用“专家规则模板+外部知识图谱”混合增强：先把 10 条映射到 SNOMED CT 中文概念，再用模板生成 500 条“伪种子”，经0.75 高阈值去重后回注，可在 1 小时内把有效种子拉到 200 条级别，满足最低启动条件。

2. 多样性阈值能否动态调？
   答：可以。上线后通过在线幻觉监控（用户点“反对”即打负标签），当单日幻觉举报率>1% 时，自动把阈值下调 0.02，重新触发 Self-Instruct，实现灰度自愈。

3. 如何与推理加速联动？
   答：生成阶段用FP16+Tensor Parallel，但微调完成后，把最终模型用AWQ 量化到 INT4，显存减半；同时把种子池与生成池做成LoRA 插件，下次只训适配器，2 小时内部署新版本，真正做到“数据-模型-服务”三位一体快速迭代。