medical-reasoning

一项对照研究评估了大型语言模型在医学推理中的元认知敏感性，发现部分但存在缺陷的置信度校准，其随证据强度和冲突情境而变化。

Introduces CliniCARE-Bench, a deployment-oriented benchmark for evaluating AI agents on clinical audit tasks over longitudinal EHR data, with 25 clinician-validated scenarios and 750 patient cases. It assesses verdict accuracy, evidence grounding, policy adherence, and calibrated abstention, finding that raw accuracy overstates investigation quality.

这篇观点文章认为，大语言模型尚不能安全用于自主临床决策支持，尤其是在对未分诊患者进行分诊时，原因在于缺乏在不完整信息和漏诊不对称成本条件下的稳健评估。

本综述考察了医学LLMs的最新进展，提出了一种连接临床实践与计算方法双重视角的方法，并引入了一个基准数据集，用于评估18个最先进模型的医学推理能力。

EpistemeAI 发布了 Reasoning-Medical0.1-27B，这是 Qwen3.5-27B 的医疗推理微调版本，声称通过在精心策划的 10 万条记录数据集上引入链式思维推理，在多项医疗基准测试中超越了 MedGemma。

ArogyaBodha数据集和ArogyaSutra框架通过多样化数据集成和actor-critic多智能体推理，增强了低资源环境下的多语言医学推理能力。

SEMA-RAG是一种自进化多智能体RAG框架，用于医学问答，它将解读、探索和裁决解耦为三个专业智能体，在多个基准测试中相较于基线取得了显著的准确率提升。