arXiv 研究：14 款大模型医学推理评测，隐藏选项后准确率从 82.3% 降至 50.9%
原文标题：From Small to Large: Assessing Medical Reasoning, Benchmark Contamination, and Model Size in Language Models
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。
一篇 arXiv 论文对来自 6 家厂商的 14 款模型（含 2 个开源权重模型）在 MedQA-USMLE、MedMCQA、PubMedQA、MedBullets 四个医学基准的 3076 道题上进行评测。标准选择题设置下最强模型超过人类专家基线，但小模型平均落后大模型 8.7 个百分点，仅 2/6 通过医师资格考试的人类专家线。隐藏选项后所有模型平均准确率从 82.3% 跌至 50.9%，医学专用模型跌幅最大；最强模型可仅凭选项还原约四分之一的题目，提示基准污染与记忆问题。
- 问题
- 医学基准高分是否反映真实临床能力，还是格式与记忆带来的虚高。
- 方法
- 对 6 家厂商 14 款模型在四个医学基准 3076 题上做标准选择题、隐藏选项、仅凭选项还原题目三种设置。
- 结果
- 隐藏选项后平均准确率从 82.3% 降至 50.9%；小模型平均落后大模型 8.7 个百分点，仅 2/6 过专家线。
- 影响
- 医学选择题分数不能直接作为产品能力指标，选型需做去选项与污染检测。
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。