本文强调了在医疗保健等敏感领域部署大规模语言模型 (LLM) 时，反映多元化人群的价值观和观点的重要性。现有的多元化对齐方法（例如模块化多元化）在医疗保健领域显得力不从心，因为该领域多元化受到个人、文化和情境因素的影响。因此，我们提出了 EthosAgents，这是一种轻量级、可泛化的多元化对齐方法，旨在模拟多元化的观点和价值观。实验结果表明，EthosAgents 在七个不同规模的开放和封闭模型中，提升了三种模式下的多元化对齐效果。医疗保健领域的多元化需要适应性强且具有规范意识的方法，这些模型为如何在其他高风险领域尊重多样性提供了宝贵的见解。
