研究揭示医学LLM评估量表的盲点

牛津等机构研究者在 NeurIPS 2026 GenAI4Health Workshop 发表论文指出，医学 LLM 评测中广泛使用的量规评分无法可靠捕捉临床相关幻觉：向回答中注入错误后，量规分数常常不变。该论文已发布于 arXiv（编号 2609.12718）。 研究称，基于量规的评估已成为医学领域评估 LLM 的主流方法，但是否能反映此类临床错误此前并不明确；上述结果表明该评估方式存在系统性盲点。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。