这篇于2026年6月11日提交到arXiv的论文（编号2606.13940，属于计算与语言cs.CL方向）由Ziqing Wang等五位作者完成，聚焦一个颇具现实意义的问题：通过后训练，大型语言模型能否真正胜任医疗编码工作？论文以生成式ICD编码为切入点，展开了一项受控的实证研究。
ICD即国际疾病分类，自动化的ICD编码是医疗编码领域的核心任务，广泛应用于账单结算、流行病学统计以及临床决策支持等场景。此前，生成式大语言模型常被评价为“医疗编码能力较弱”，但论文指出，这一结论主要来自推理阶段的设置，例如提示词工程、检索增强、重排序或工具调用等，而针对具体任务的后训练所扮演的角色，仍缺乏充分探索。
为此，研究团队在统一协议与统一评测指标下，将判别式基线模型与LLM编码器进行对比，覆盖提示、监督微调（SFT）和强化学习（RL）三种路径。作者表示，据其所知，这是首个在ICD编码任务中评估基于强化学习后训练的生成式LLM编码器的研究。团队还提出了名为PHI的诊断式课程方法，它在GRPO基础上进行扩展，专门用于改进漏码（missed-code）案例。
实验结果给出了较为清晰的结论：仅做提示词层面的评测，会明显低估LLM在ICD编码上的潜力；监督微调带来了主要的能力跃升；GRPO在SFT基础上进一步提升了编码集合的预测表现；而PHI则在宏观层面的性能上带来了有针对性的增益。作者据此认为，主要瓶颈并不单纯在于生成式建模形式本身，而在于模型如何被适配和优化，以实现全分类体系下的召回。
论文还开源了代码、数据划分与检查点，地址为https://github.com/AlexandreWANG915/LLM4ICD，便于社区复现与后续研究。从时间线看，该文于2026年6月11日22:04:50 UTC提交初版（v1），文件约625 KB，DOI为10.48550/arXiv.2606.13940，由DataCite发放的arXiv DOI尚待注册。整体而言，这项研究提示：评估医疗编码中的LLM时，不应止步于推理阶段的提示技巧，而应重视任务特定的后训练策略对全分类召回能力的影响。