会考试，不等于能上岗：Nature Health揭示医疗大模型的“高分陷阱”？

会考试，不等于能上岗：Nature Health揭示医疗大模型的“高分陷阱”？

医疗大模型在医学考试斩获高分，是否就意味着能够走进真实临床场景？近期发表于《Nature Health》的一项研究抛出关键警示：当下流行的静态基准测试存在显著 “基准鸿沟”，模型考卷上的亮眼成绩，很可能高估其现实可靠性。

现有多数医疗 AI 评估依托固定题库开展测试，易于横向对比，却脱离真实诊疗环境。临床沟通充满模糊表述、干扰信息、动态变化的病情线索，静态试题无法复刻这类复杂场景；同时公开基准还会被纳入模型优化过程，高分或许只是模型适配题型范式，并非形成稳定医学推理能力。

该研究搭建 DAS 动态自动化红队评估框架，从鲁棒性、隐私保护、公平性、事实准确性四大维度对主流大模型开展压力测试。结果显示，静态测试中答对的试题，经合理上下文扰动后，94% 的正确答案出现偏差；模型还易受诱导泄露健康隐私、受认知暗示改变诊疗建议、生成虚假医学信息。

研究并不否定现有医疗大模型进展，但提醒学界谨慎解读 “模型水平赶超医生” 这类结论。静态榜单仅能反映模型潜力，不能等同于临床可用资质。文章呼吁行业转变评估思路，摒弃一次性考试式测评，建立贯穿研发、上线、迭代全周期的动态安全审计。可靠的医疗 AI，应当经得起持续、多样的现实场景挑战。