医疗AI评估研究：评分标准遗漏幻觉

一项针对医疗大语言模型评估的研究指出，主流评分标准方法存在系统性盲区，未能有效捕捉临床相关的幻觉错误。 该研究在 HealthBench、HealthBench Professional 和 LiveMedBench 数据集上验证发现，现有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，导致相关幻觉往往使评分保持不变。 研究发现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。该成果由 Farrow 等人发表，收录于 NeurIPS 2026 GenAI4Health Workshop，最新版本发布于 2026 年 10 月 27 日。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。