热点事件持续更新
研究评估14款大语言模型医疗推理能力与基准污染问题
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
2026年11月3日，一项发表于arXiv的研究对14款大语言模型在4个医疗基准上的表现进行了评估。研究发现，模型在标准多选题测试中的高分表现严重依赖选项提示，一旦隐去选项，平均准确率便从82.3%骤降至50.9%，其中两款医疗专用模型的跌幅最大。在模型规模方面，小模型在标准测试中平均落后大模型8.7个百分点，仅有两款模型通过了执业医师考试基准。此外，记忆污染测试显示最强模型仅凭选项就能反推25%的题目，但在无法反推的题目上仍可维持准确率。该研究同时对比了各模型的准确率与推理成本，并验证了多模型集成在测试中的表现。
AI 根据报道生成 · 5 小时前更新
最新进展11月3日 13:00
新研究评估14款大模型医疗表现，发现隐去选项后平均准确率骤降且存在基准污染。报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv 人工智能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。
本事件热度走势
当前热度 8·可比范围峰值 9（11月3日 18:00）·近 24 小时可比范围变化–
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。