放射报告摘要对抗评测：GPT-5-mini 幻觉率最低
原文标题：Adversarial Evaluation of Large Language Models for Patient-Friendly Radiology Report Summarization
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。
论文构建临床对抗评测框架，对 6 个大模型生成患者友好型放射报告摘要进行测试，共 1.8 万对评测。GPT-5-mini 事实忠实度与确定性保真最高，术语替换下幻觉率 28.1%–30.1%，低于 Claude Sonnet 4.5 的 35.3%–36.4% 与 MedGemma 的 41.4%–41.9%。
- 问题
- LLM 生成患者友好型放射报告摘要时，在对抗性术语替换下易产生幻觉。
- 方法
- 构建临床对抗评测框架，用放射科医生验证的对抗词典生成变体，以 LLM-as-a-judge 评估忠实度与幻觉率。
- 结果
- 共 1.8 万对评测；术语替换下 GPT-5-mini 幻觉率 28.1%–30.1%，低于 Claude Sonnet 4.5 的 35.3%–36.4% 与 MedGemma 的 41.4%–41.9%。
- 影响
- 医疗报告摘要产品需按对抗编辑做鲁棒性测试，解剖与确定性术语是最易丢失的信息。
深读 · 结论先行AI 生成展开看要点与影响 ↓
1.8 万对对抗评测中，GPT-5-mini 术语替换下幻觉率 28.1%–30.1%，为六模型中最低。
- •框架用放射科医生验证的对抗词典做术语替换与印象删除，覆盖 CT/MRI 报告，共 18,000 对评测。
- •术语替换下幻觉率：GPT-5-mini 28.1%–30.1%，Claude Sonnet 4.5 为 35.3%–36.4%，MedGemma 41.4%–41.9%。
- •印象删除类编辑比术语替换更易被模型稳健处理。
- •即便最高分模型，解剖术语替换仍有 23.7% 未反映，诊断确定性 22.3% 未反映。
为什么重要：说明患者友好型报告摘要即便用最强模型仍有约三成幻觉风险，临床部署前需针对术语替换做专门防护。
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。