发布医疗LLM Agent升级可靠性审计基准

2026年10月16日，arXiv Artificial Intelligence 刊出 Zihao Zheng 等作者的预印本，提出一套面向医疗 LLM 智能体的工作流状态失效扰动控制基准。该研究构建了 400 个合成医疗工作流 episode 的评估协议：由 40 个手工撰写的语义种子覆盖四类任务，经两种表层参数化和五种受控变体生成，按 ANSWER/ASK CLARIFICATION/ABSTAIN/ESCALATE 四类决策评分，并预先设定 5:1 的漏报与不必要升级成本比。作者同时说明，参考动作是单一作者依据研究策略给出的标签，并非临床医生裁定的金标准；一项 30 概念的词汇压力测试显示，各规则检测器的召回率从触发短语上的 1.00 降至未见改写上的 0.00，因此控制器的结论仅限该基准范围。目前进展停留在基准发布与协议说明阶段。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。