综述梳理大语言模型临床推理评估工具全景

Zhangshu Joshua Jiang 等在 arXiv 发布一项结构性叙述综述，梳理了大语言模型临床推理能力的现有评估工具。综述按六个维度归纳：问题表征、时间综合、鉴别与管理推理、反事实推理、校准不确定性和推理忠实性。 结论是没有任何现有工具覆盖全部六个维度。问题表征与鉴别/管理推理覆盖较好；TIMER-Eval 针对时间综合，ER-Reason 评估序贯诊断中的信念更新；推理忠实性最薄弱，仅有一项选择题形式的因果消融研究。作者据此提出组合多种评估方法的设计建议。 需注意：作者称该综述只提供设计依据，并非经过验证的测评工具；综述纳入了预印本文献并予以标注。

AI 根据报道生成 · 53 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。