arXiv Artificial Intelligence· Sebastian Wind, Tri-Thien Nguyen, Jeta Sopa, Mahshad Lotfinia, Sebastian Bickelhaup, Michael Uder, Harald K\"ostler, Gerhard Wellein, Sven Nebelung, Daniel Truhn, Andreas Maier, Soroosh Tayebi Arasteh·· 13 小时前AI 评分58
临床大模型的安全性与准确率在不同部署条件下出现分化
Safety and accuracy diverge across deployment conditions in clinical large language models
AI 导读
研究提出 SaFE-Scale 评测框架，并在含 200 道放射科选择题的 RadSaFE-200 基准上评测 34 个本地 LLM 的六种部署条件。使用医生撰写的干净证据时平均准确率从 73.5% 升至 94.1%，高风险错误从 12.0% 降至 2.6%，危险过度自信从 8.0% 降至 1.6%。
推荐理由模型分析
临床 LLM 的安全指标随部署条件变化而非随模型规模提升，为选型时比较 RAG、长上下文与推理算力提供了同一基准。
来源：arXiv Artificial Intelligence · arxiv.org