arXiv发布AI Consilium临床基准测试

发生了什么

据arXiv论文，研究团队开发了基于NEJM-MedQA的AI Consilium基准测试，用于评估LLM临床多学科第二意见能力。该基准使用300个已确诊病例，其中110个用于医生参考评级和Judge校准，190个用于保留集评估。研究对比了8个单模型管道在自由形式和结构化临床推理条件下的表现。结果显示，GPT-5.6-Sol在所有评估组件中领先，且以最少轮次达成共识。结构化报告在管理、问题优先级、事实依据和推理连贯性方面得分更高。