09:04
官方账号arXiv cs.LG@Samiha A. Ismail, Fan X. Chen, Ali Merali
推荐理由：这篇论文告诉你当前最强模型在临床推理上有多弱：关键问题正确率不到一半，而简单问题却能答得很准。适合想了解模型真实局限的读者。
rubric评估
共 1 条相关 AI 资讯
7月3日
09:04
研究者设计了5个临床场景（麻醉、内科/家庭医学、急诊、产科），共184条MECE评分标准。GPT 5.4、Claude Opus 4.7、Gemini 3.1 Pro的平均rubric通过率分别为0.39、0.47、0.37。最关键的权重5标准通过率仅32.4-41.7%，而低权重（1）标准通过率80-90%。108个关键标准中52%未被任何模型满足。LLM自动评分器在92.8-94.7%的标注上再现专家判断。