研究显示大语言模型难以采纳不断更新的医学知识

研究提出 ChronoEvo 基准，包含 12 类医学知识变化下的 1709 条推荐级修订，用于区分模型识别修订与将修订纳入临床建议。主模型中 90.8% 的回答识别出修订、80.2% 临床正确，但仅 58.5% 完全采纳，识别与采纳相差 32.3 个百分点，该现象在 14 个模型中持续存在，两名临床医生对 300 条回答的裁定验证样本差距为 40.3 个百分点。