arXiv 基准：医疗 LLM 智能体升级可靠性审计
原文标题：Auditing Escalation Reliability in Healthcare LLM Agents: A Perturbation-Controlled Benchmark of Workflow-State Failures
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究构建 400 个合成医疗工作流 episode，评估开放权重模型在证据缺失、冲突等情况下选择 ANSWER/ASK/ABSTAIN/ESCALATE 的可靠性。五个模型干净决策准确率达 0.97，但需升级时漏报 32%–97%。工作流感知控制器可将漏报降至 0.12–0.24，但词汇压力测试暴露其泛化局限。
- 问题
- 医疗 LLM 智能体在证据缺失、冲突时是否可靠选择升级而非硬答。
- 方法
- 构建 400 个合成医疗工作流 episode，按 ANSWER/ASK/ABSTAIN/ESCALATE 评分，并加工作流感知控制器。
- 结果
- 干净决策准确率 0.97，但需升级时漏报 32%–97%；控制器将漏报降至 0.12–0.24，特异性 0.83–0.93；词汇压力测试下规则召回从 1.00 跌至 0.00。
- 影响
- 医疗等高风险场景不能只看静态准确率，升级机制与泛化能力才是上线门槛。
深读 · 结论先行AI 生成展开看要点与影响 ↓
医疗 LLM 智能体干净决策准确率 0.97，但需升级时漏报 32%–97%
- •构建 400 个合成医疗工作流 episode：40 个手写语义种子、四类任务、两种表面参数化、五种受控变体
- •评估动作为 ANSWER/ASK CLARIFICATION/ABSTAIN/ESCALATE，预设漏报与不必要升级成本比 5:1
- •五个开放权重配置（1.7B–9.7B）干净决策准确率达 0.97，但不确定性提示下漏报 32%–97%；9.7B 在冲突场景从 0.97 降至 0.78
- •语言化置信度不一致（ECE 0.10–0.54，失败 AUROC 0.48–0.77），仅调置信度策略无收益
- •工作流感知控制器将漏报降至 0.12–0.24、特异度 0.83–0.93，但 30 概念词汇压力测试下规则检测器召回从触发短语 1.00 降至未见改写 0.00
为什么重要：静态问答准确率无法反映证据缺失或冲突时的升级可靠性，该基准把「该升级却没升级」量化为主要失效模式，对医疗等高风险部署的评测设计有直接参考。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。