合成NIHSS基准：LLM评分准确率高于决策模型

一项发表于 medRxiv 的合成基准研究显示，在从床旁问诊转录文本自动评分 NIHSS 时，通用大语言模型 gpt-6-luna 的条目正确率（99.0%）高于决策模型 Jev（94.4%），总分完全一致的病例分别为 101 例和 63 例（共 112 例）。 研究由 Abood, W. 等人构建 112 例合成 code-stroke 病例（100 例按真实卒中表现比例分配，12 例为测试特殊评分规则的压力病例），参考评分表与问诊转录由 Claude Opus 5.5 生成，再由 Jev 与 gpt-6-luna 盲评。当转录改为电报式风格时，两者准确率均下降：Jev 从 98.0% 降至 90.9%，LLM 从 100% 降至 97.7%。 研究者指出，由于病例与参考答案均为合成数据，这些结果仍需用真实录制的检查和人工评分者加以确认。

AI 根据报道生成 · 10 小时前更新