微软探讨大型语言模型在医疗领域错误检测与修正的应用，并推出了名为MEDEC的全新基準测试集。然而，这篇论文同时也估计了市面上多个商业模型的规模，研究团队认为OpenAI GPT-4o-mini仅约80亿参数，远小于外界先前的预期。

该篇论文评估大型语言模型在辨识并修正临床纪录医疗错误的能力，在实验过程中，研究团队使用目前多个先进型语言模型进行测试，包括OpenAI的GPT-4、GPT-4o、GPT-4o-mini、o1-preview、o1-mini，Anthropic的Claude 3.5 Sonnet，以及Google的Gemini 2.0 Flash。

在研究人员的评测中，虽然这些大型语言模型展现出一定的医疗错误检测与修正能力，但仍不如两位执行相同测试的医生。在标记出错误的準确度上，Claude 3.5 Sonnet表现最佳，达到70.16％，其次是o1-mini的69.08％，但皆低于第一位医生的79.61％和第二位医生的71.61％。

而在错误修正任务上，o1-preview取得最佳的综合评分0.698，其次是GPT-4的 0.639，但同样低于第二位医生的0.7118。评测结果显示当前的大型语言模型，在处理複杂的医疗文本时还有很大的进步空间。

除了论文本身的研究成果，其中提及的各模型参数规模估计值也引发关注。其中，OpenAI的上一代旗舰模型GPT-4，其参数规模约为1.76兆，虽然OpenAI并未正式公开，但是此为外界普遍估计值。而其后继者GPT-4o的参数规模估计约为2,000亿，虽仍属于大型模型範畴，但已较GPT-4有所下降。OpenAI其他模型的规模估计还有o1-preview约为3,000亿参数，o1-mini约为1,000亿参数。

而令人惊讶的是GPT-4o-mini，其参数规模仅约为80亿，与OpenAI其他动辄千亿甚至兆级参数的模型相比，规模明显缩减。论文中提到，相较于大型语言模型，GPT-4o-mini是为了特定任务而设计，和Phi-3同属小型语言模型。

Anthropic的Claude 3.5 Sonnet根据网路上洩露的资讯，预估约为1,750亿参数，与GPT-3.5相近。而Google的Gemini 2.0 Flash参数规模虽然具体数字未知，但参考Google专为医疗用途设计的Med-PaLM模型5,400亿参数，研究人员将Gemini 2.0 Flash归类在1,000-3,000亿参数等级。

值得注意的是，微软论文中提供的参数规模数字为研究团队的估计值，并非各家公司官方公布的资料。此外，这些资料也显示，模型的效能并非完全取决于参数规模，模型架构、训练资料、最佳化方法以及针对特定任务的调校，都在模型的最终表现上扮演着重要角色，例如GPT-4o-mini虽然估计仅有80亿参数，但在MEDEC测试的部分指标，仍能与更大模型相媲美，突显出小型化、专注特定任务的模型，在特定应用场景下所具有的潜力。