研究人员开发了Med Evidence Bench (MEB),这是一个新的基准,旨在通过将评分标准直接追溯到临床证据来评估大型语言模型(LLM)的临床推理能力。该基准包含1,536个由医生构建的项目,涵盖指南知识、标准化临床场景和真实世界实验室场景,揭示了LLM性能的显著差异。虽然LLM在指南回忆方面表现出高准确性,但在应用患者特定证据和制定建议方面的得分却显著下降,这表明知识回忆与实际临床应用之间存在差距。 AI
影响 为评估LLM临床推理能力建立了新标准,突出了当前在证据应用方面的局限性。
排序理由 该集群包含一篇详细介绍LLM评估新基准的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →