热点事件持续更新
研究团队提出医疗LLM智能体升级可靠性评测基准
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
研究人员构建了包含400个医疗工作流回合的评估基准，用于测试1.7B至9.7B规模开源模型在证据异常时的升级可靠性。评测结果显示，模型在干净状态下的决策准确率可达0.97；但在受到不确定性提示扰动后，模型会遗漏32%至97%的必要升级，且9.7B模型在冲突状态下的准确率会降至0.78。此外，研究测试的工作流感知控制器虽能将升级遗漏率降至0.12至0.24，但在词汇压力测试中其泛化能力出现明显受限。
AI 根据报道生成 · 6 小时前更新
最新进展10月16日 12:00
研究团队发布医疗智能体升级可靠性基准，测试显示扰动下模型最高遗漏97%的必要升级。报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- arXiv 人工智能医疗 LLM 智能体升级可靠性审计：工作流状态故障的扰动控制基准
研究人员构建了包含 400 个医疗工作流回合的评估基准，测试 1.7B-9.7B 规模开源模型在证据异常时的升级可靠性。测试显示模型干净状态下决策准确率达 0.97，但经不确定性提示后会遗漏 32%-97% 的必要升级，且 9.7B 模型在冲突状态下准确率降至 0.78。工作流感知控制器虽将遗漏率降至 0.12-0.24，但在词汇压力测试中泛化能力明显受限。
本事件热度走势
当前热度 9·可比范围峰值 10（10月16日 13:00）·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。