基于评分标准的医疗大语言模型评估存在系统性盲区

基于 MedHallu 及 HealthBench 等数据集的研究发现，目前主流的医疗 AI 评分标准方法存在系统性盲区，未能有效捕捉相关幻觉错误。 该研究指出，评分标准在检查明确事实时较为有效，但难以识别计划外或额外的错误。引入检索型事实性检查可修复部分评分标准无法检测的盲区。