**医疗基准测试的效力取决于其假设**

_Healthcare Benchmarks Are Only as Good as Their Assumptions_

> 卡内基梅隆大学研究指出，大语言模型在医疗场景中从评估到部署的性能差距高达61个百分点，根本原因在于评估协议中隐含的假设在真实环境中不成立。为此，他们提出一种分类法，将假设分为任务型和结果型，帮助诊断差距来源，并强调必须明确假设、验证其有效性并更新评估方式，才能弥补这一鸿沟。

**来源信息**
- **来源**：CMU：Machine Learning Blog
- **分类**：论文
- **发布时间**：2026-06-19 21:03（北京时间）
- **原文**：[打开原文](https://blog.ml.cmu.edu/2026/06/19/healthcare-benchmarks-are-only-as-good-as-their-assumptions)