清华大学团队提出MultiCogEval框架：全面评估大模型医学能力，揭示临床场景应用短板

清华大学刘喜恩团队联合多家机构在ICML 2025发布医学大模型评测框架MultiCogEval，系统评估大语言模型在不同认知层次下的医学能力。研究发现，尽管GPT-4o等模型在基础医学知识任务中准确率超60%，但在模拟真实临床场景的高阶任务中表现较差，最佳模型准确率仅19.4%。医学微调与推理增强方法虽能提升中低阶任务表现，但未能有效解决高阶推理短板。该框架为构建“可信赖的AI医生”提供了系统性评估工具。
来源：https://mp.weixin.qq.com/s/-48V0vdyRQ1r1eIW0K1G_Q