新研究评估大语言模型医疗推理能力：基准污染、模型规模与测试形式的影响

一项针对14款大语言模型在4个医疗基准上的评测研究发现，模型在标准多选下的高分严重依赖选项提示，一旦隐去选项，平均准确率从82.3%骤降至50.9%，且两款医疗专用模型跌幅最大。在标准测试中，小模型平均落后大模型8.7个百分点，仅有两款通过执业医师考试基准；记忆污染测试显示最强模型可仅凭选项反推25%的题目，但在不可反推题目上仍能维持准确率。研究还对比了准确率与推理成本，并验证了多模型集成的表现。