SciConBench：AI合成医学结论最高九成含事实错误

SciConBench 是一个持续运行的动态基准，用来评测前沿模型合成科学结论的能力，近期公布的结果显示，AI 生成的医学结论中有 61.1% 至 90% 至少含一处事实错误，且这些错误与专家撰写的 Cochrane 综述相矛盾。模型表现方面，表现最好的 GPT-6.1 Sol 也仅取得 41.1 的 factual F1 分数，多数模型集中在约 0.30 至 0.33 区间。报道据此指出，医疗领域的结论合成仍是待解难题。目前披露的仅为该基准的阶段性评测结果，尚无模型在事实一致性上接近可用水平的证据。

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。