标签
本文提出了一种面向部署的压力测试框架，用于评估大型语言模型在识别乳腺癌放疗副作用方面的表现。该研究揭示了LLM在可靠性方面的局限性，例如对文档细微变化的敏感性以及对罕见副作用的低召回率，表明以临床医生整理的清单为输出依据可提高鲁棒性。