Are Two LLMs Better Than One A Student-Teacher Dual-Head LLMs Architecture for Pharmaceutical Conten

Are Two LLMs Better Than One? A Student-Teacher Dual-Head LLMs Architecture for Pharmaceutical Content Optimization

Authors: Suyash Mishra, Qiang Li, Anubhav Girdhar

Deep-Dive Summary:

两个大模型优于一个吗？一种用于制药内容优化的师生双头大模型（LLMs）架构

摘要

在大语言模型（LLMs）日益广泛应用于制药等受监管行业的内容创作背景下，确保内容的科学准确性和法律合规性至关重要。传统的传统人工质量控制（QC）过程缓慢、易错且容易导致发布瓶颈。为了解决这一问题，本文提出了一种模块化的、由 LLM/VLM 驱动的 QC 架构，称为 LRBTC（语言、监管、品牌、技术、内容结构）。该架构通过“学生-教师-人机协同（HITL）”架构和“瀑布流（Waterfall）”规则过滤逻辑实现。

实验结果显示，该方法在 AIRegBench 基准测试中达到了 83.0 % 83.0\% 83.0% 的 F1 分数和 97.5 % 97.5\% 97.5% 的召回率，相比 Gemini 2.5 Pro，漏检违规行为减少了五倍。在 CSpelling 数据集上，平均准确率提升了 + 26.7 % +26.7\% +26.7%。尽管模型在拼写检查方面表现出色（召回率 92.5 % 92.5\% 92.5%），但在复杂的语法（召回率 25.0 % 25.0\% 25.0%）和标点符号（召回率 41.7 % 41.7\% 41.7%）错误识别方面仍有待提高。本研究为高风险、合规敏感行业提供了一个实用、即插即用的内容优化解决方案。

1. 引言

传统的 QC 流程涉及语言、法律合规和科学有效性的多层人工审查，费时且易出错。LRBTC 框架将复杂的 QC 流程分解为五个可由机器处理的模块：

• L (Language)：验证语法、语调、清晰度和一致性。
• R (Regulatory & Legal)：检查合规性、禁用词和法律责任。
• B (Brand & Culture)：确保符合品牌基调和文化敏感性。
• T (Technical)：验证技术和科学元素（如剂量信息、引用准确性）。
• C (Content Structure)：控制格式、模板遵循和参考文献管理。

本系统旨在解决三个关键问题（RQ）：如何挖掘规则？如何无延迟地应用上千条规则？以及如何验证这些规则？

图 1：验证规则采用的师生模型架构。教师模型引导知识执行，学生模型验证通用规则并提出冲突或新见解。通过瀑布流建模（IP -> 国家 -> 用例 -> 主题 -> 子任务）减少需要执行的规则数量。

2. 内容质量需求映射

该部分展示了内容优化的综合解决方案架构。

3. 数据集与实验设置

研究主要在两个维度评估了 9 种最先进的 LLM：

1. AIReg-Bench：评估模型根据《欧盟人工智能法案》（AIA）进行监管合规性评估的能力。
2. CSpell 医疗拼写数据集：包含从消费者健康问题中收集的各类拼写和语法错误。

评估指标包括准确率、召回率、F1 分数，以及用于衡量预测与人工标注一致性的 Cohen’s κ \kappa κ 和 Spearman 相关系数等。

4. 师生模型、人机协同（HITL）与瀑布流方法

• 师生模型（Student-Teacher Model）：
  采用双 LLM 结构。教师模型（如 Gemini 2.5 Pro）具有更高的事实准确性和稳定性（低 Temperature 设置）；学生模型（如 Gemini 2.5 Flash）速度更快且更具创造性（高 Temperature 设置）。通过两者的一致性验证来确保知识的稳健性。
• 人机协同（HITL）：
  当师生模型产生冲突时，通过可视化界面引入人工专家介入。专家可以选择或取消标记的规则，并提供反馈以更新系统的知识库，确保可解释性和问责制。
• 瀑布流框架（Waterfall Framework）：
  为了处理庞大的企业规则库，系统按“知识产权（IP） → \to → 国家 → \to → 用例 → \to → 主题 → \to → 子任务”的层级进行过滤。这种分解显著降低了延迟并减轻了模型幻觉。

5. 主要结果

表 3：CSpelling 数据集在各类别上的性能波动（准确率）

表 4：CSpelling 各故障类别的错误检测性能（召回率）

关键发现：

1. 监管合规性能：在 AIReg-Bench 的 120 个测试案例中，师生-HITL 框架的准确率达到 75.9 % 75.9\% 75.9%（对比 Gemini 2.5 Pro 的 65.9 % 65.9\% 65.9%），且召回率高达 97.5 % 97.5\% 97.5%。
2. 高风险违规检测：基准模型漏检了 10 个违规行为，而本文模型仅漏检 2 个，漏检率降低了 5 倍。

图 4：AIReg-Bench 混淆矩阵热图，显示了本模型在检测违规（True Positives）和识别合规（True Negatives）方面的表现。

6. 结论

本研究引入了一个用于 LLM 驱动的内容优化和合规验证的工业框架。

• 合规稳健性：双头 LLM 显著提升了高风险违规的召回率。
• 错误类型不对称：拼写检测已接近饱和，但语法和标点仍是挑战。
• 规则效率：瀑布流过滤机制通过层级剪枝减少了计算开销，提升了吞吐量。

7. 局限性

目前研究主要集中在制药行业的特定应用，未来将探索该方案在金融服务和制造业等其他受监管领域的泛化能力。

附录摘要：附录提供了关于消融实验、代币（Token）成本分析、延迟以及规则提取提示词的详细信息。例如，Gemini 2.5 Flash 的成本极低（每 1.8K Token 约为 0.38 − 0.64 0.38 - 0.64 0.38−0.64 欧分），使得工业级大规模应用成为可能。

Original Abstract: Large language models (LLMs) are increasingly used to create content in regulated domains such as pharmaceuticals, where outputs must be scientifically accurate and legally compliant. Manual quality control (QC) is slow, error prone, and can become a publication bottleneck. We introduce LRBTC, a modular LLM and vision language model (VLM) driven QC architecture covering Language, Regulatory, Brand, Technical, and Content Structure checks. LRBTC combines a Student-Teacher dual model architecture, human in the loop (HITL) workflow with waterfall rule filtering to enable scalable, verifiable content validation and optimization. On AIReg-Bench, our approach achieves 83.0% F1 and 97.5% recall, reducing missed violations by 5x compared with Gemini 2.5 Pro. On CSpelling, it improves mean accuracy by 26.7%. Error analysis further reveals that while current models are strong at detecting misspellings (92.5 recall), they fail to identify complex medical grammatical (25.0 recall) and punctuation (41.7 recall) errors, highlighting a key area for future work. This work provides a practical, plug and play solution for reliable, transparent quality control of content in high stakes, compliance critical industries. We also provide access to our Demo under MIT Licenses.

PDF Link:2602.11957v1

部分平台可能图片显示异常，请以我的博客内容为准