15个大模型测试临床试验评审能力

研究团队发布一项medRxiv预印本研究，测试15个大语言模型（包括4个开源权重模型）发现临床试验方法学错误的能力；在植入错误的3篇随机临床试验报告中，未受训人类评审的重大错误检出率平均为27%。 为降低模型记忆既有论文的影响，研究团队还用2026年新发表的58篇随机对照试验进行防记忆化测试，生成1796份评审，并由两个盲评大语言模型打分。该结果属于预印本研究的实验发现，尚不能直接证明模型在实际临床试验评审中的可靠性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。