**使用标准化病人案例评估大型语言模型在动态临床决策中的表现**

_Evaluating Large Language Models in Dynamic Clinical Decision-Making with Standardized Patient Cases_

> MedSP1000是一个基于标准化病人案例的交互式基准，包含1,638个案例和24,602个轨迹级评分标准。评估发现，即使是最佳模型GPT-5.5也仅完成60.4%的专家标准项目，而医学专用模型完成40.0%，且增加测试时计算无显著提升。结果表明当前LLM远未达到安全整合到临床实践的程度，并揭示了单轮基准所遗漏的临床相关失败模式。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-04 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.05112)