跳到正文
arXiv · AI· Alexey A. Bokov, Ivan I. Panin, Nikolay B. Nechaev, Mikhail Yu. Valkov, Valeria Yu. Chernina, Natalia Gombolevskaya, Ayyaz Hussain, Vladimir M. Agafonov, Victor A. Gombolevskiy, Aleksandr V. Nesterov, Iaroslav R. Bespalov, Ivan V. Oseledets, Dmitry V. Dylov·· 2026-10-16AI 评分40

AI Consilium 基准:评测 LLM 临床多学科第二意见

AI Consilium: a Benchmark of LLM Clinical Multidisciplinary Second Opinions

AI 导读

AI Consilium 基准利用 300 个 NEJM-MedQA 病例,评估 8 种单模型管线在临床多学科会诊中的表现。 LLM Judge 评价 3,040 份最终报告。GPT-5.6-Sol 在各项指标中领先,且达成一致共识所需审查轮数最少。 该基准能区分模型能力、多学科综合贡献及不同响应结构对临床推理的具体影响。

来源:arXiv · AI · arxiv.org