开源医疗模型 MedJev 发布评测：零样本诊断接近 GPT-4
原文标题：MedJev: Evaluating Zero-Shot System-One Decision Making in Medicine
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。
arXiv 论文提出并评测开源 System One 模型 MedJev，可在笔记本本地运行，单次前向推理直接输出结构化答案。在 MedQA、USMLE、NEJM 等十项医疗基准上分别取得 72.5%、75.4%、80.1% 准确率，接近已发表的 GPT-4 水平，且置信度校准良好。院内死亡预测 AUROC 达 0.926，超过 XGBoost，但在急诊分诊等运营类任务上弱于监督模型。作者还提出两参数轻量重校准方法，用 50–200 个标注样本即可将 ECE 降至 0.007，并开源代码与评测框架。
- 问题
- 开源医疗决策模型缺乏系统评测，难判断能否替代 GPT-4 与监督模型。
- 方法
- 在十项医疗基准上评测单次前向输出的 System One 模型 MedJev，并提出两参数轻量重校准。
- 结果
- MedQA 72.5%、USMLE 75.4%、NEJM 80.1%；院内死亡 AUROC 0.926 超 XGBoost 的 0.902；重校准后 ECE 降至 0.007。
- 影响
- 笔记本本地即可跑的零样本医疗基线，配合少量样本校准就能落地院内预测，值得评估替代闭源 API。
深读 · 结论先行AI 生成展开看要点与影响 ↓
开源 MedJev 可在笔记本本地运行，MedQA 72.5%、USMLE 75.4%，接近已发表 GPT-4 水平
- •单次前向推理直接输出结构化答案，不生成文本，可在笔记本本地运行
- •十项基准中 NEJM 达 80.1%，置信度校准 ECE 为 0.028–0.063
- •院内死亡预测 AUROC 0.926，超过 XGBoost 的 0.902
- •急诊分诊入院任务 0.745，弱于监督模型的 0.809；患者级预测校准差，ECE 达 0.286
- •两参数重校准法用 50–200 个标注样本将 ECE 降至 0.007，代码与评测框架开源
为什么重要：说明开源小模型可作为零样本医疗基线，但运营类任务仍需监督模型，选型时不能只看知识问答分数。
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。