ASK CLARIFICATION

新基准揭示医疗领域大型语言模型无法可靠地升级关键工作流故障

研究人员开发的新基准评估了大型语言模型（LLM）在医疗工作流中的可靠性，重点关注其升级关键情况的能力。该基准包含 400 个合成医疗工作流案例，结果显示，尽管 LLM 在静态决策方面取得了高准确率，但在面对不完整或冲突信息时，它们在识别和升级必要操作方面却面临巨大挑战。即使是先进的模型也错过了相当大比例的必要升级，并且其口头表达的置信度不一致，对于改进决策几乎没有实际作用。