arXiv · cs.AI· Suzannah E McKinney, Phuc Vu, Samuel A Justice, Christopher Humphries, Alyssa Pradhan, Timothy J Keyes, Kameron C Black, John L Havlik, David JH Wu, Jack W O'Sullivan, Ethan Goh, Sarah F Mercaldo, James M Hillis·· 5 小时前
医疗大语言模型评估方法综述
A primer on evaluation methods for large language models in healthcare
arXiv:2609.14819v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Suzannah E McKinney, Phuc Vu, Samuel A Justice, Christopher Humphries, Alyssa Pradhan, Timothy J Keyes, Kameron C Black, John L Havlik, David JH Wu, Jack W O'Sullivan, Ethan Goh, Sarah F Mercaldo, James M Hillis
研究任务与主要进展
该综述系统梳理医疗大语言模型的四类评估方法：研究设计、统计方法、能力评估和临床应用评估。能力评估涵盖多选、Agent、多轮基准以及令牌用量和延迟等运营指标；临床应用评估则包括自由文本准确性、人工评审、LLM-as-a-judge和临床试验方法，强调评估设计应与研究问题对齐。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org