研究：临床医生用 LLM 方式与评测基准脱节
原文标题：Clinician use of language models diverges from how the models are evaluated
重要度 4/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文分析 6,342 名医护人员在八个月内向机构助手发送的 127,833 条查询，用临床验证框架 RCQ-Map 刻画任务、意图、可答性等。结果显示文档与行政（36.2%）和知识检索（28.9%）占近三分之二，诊断仅 3.7%，超三分之一查询按原样难以回答。对照 58 个公开基准组成的 Clinical AI Benchmark Atlas，中位基准与真实使用任务重合度仅 31%，说明基准分数难以反映临床 AI 实际表现。
- 问题
- 临床 LLM 评测基准与医生真实使用方式是否匹配。
- 方法
- 分析 6,342 名医护八个月内的 127,833 条查询，用临床验证框架 RCQ-Map 标注任务与意图，并与 58 个公开基准比对。
- 结果
- 文档与行政占 36.2%、知识检索 28.9%、诊断仅 3.7%；中位基准与真实任务重合度仅 31%。
- 影响
- 临床 AI 选型不能只看基准分数，应按真实任务分布自建评测集。
深读 · 结论先行AI 生成展开看要点与影响 ↓
12.7万条临床查询显示，公开基准与真实使用重合度仅31%
- •分析6,342名医护人员八个月内发出的127,833条查询，覆盖35个专科
- •文档与行政占36.2%、知识检索占28.9%，诊断仅3.7%
- •超三分之一查询按原样难以回答
- •对照58个公开基准组成的Clinical AI Benchmark Atlas，中位基准与真实任务重合度仅31%
- •中位基准中不含任何文档类请求
为什么重要：临床AI的准入判断长期依赖基准分数，而该研究显示基准任务分布与真实使用严重错位，评测体系需要重建。
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。