标签
该论文提出了一个受扰动控制的医疗LLM智能体基准测试，包含400个多轮episode，评测在缺失、过时、冲突和迟到信息下的升级/拒答决策能力。结果显示模型在干净环境下准确率达0.97，但在不确定性扰动下漏掉32-97%的必要升级，且基于词汇规则的控制器在未见过的同义改写下召回率降至0。