研究人员推出 MedVIGIL，这是一个旨在测试医疗视觉语言模型 (VLM) 可信赖性的新评估套件。该套件侧重于这些模型在识别视觉证据受损或误导性方面的能力，这是临床应用的关键因素。MedVIGIL 包含 300 个案例，由委员会认证的放射科医生精心策划和标注，以评估模型在各种形式的视觉证据受损情况下的性能。基准测试显示，人类表现与当前模型之间存在显著差距，经过审计的最强模型 Claude Opus 4.7 的得分远低于独立放射科医生基线。 AI
影响 为评估医疗 AI 的可信赖性建立了一个新基准，突显了当前模型在识别受损视觉证据方面的局限性。
排序理由 该集群描述了一篇介绍用于评估 AI 模型的新颖基准的学术论文。[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 →