EM-BENCH基准：无模型完全符合ACEP指南，最高正确率98.6%

据medRxiv预印本，研究团队开发了经医师验证、确定性评分的基准EM-BENCH，用于评估大语言模型能否可靠地将美国急诊医师学会（ACEP）指南应用于临床决策。该基准包含210个二元临床情景题，覆盖25项ACEP临床政策下的全部70个关键问题；研究评估了代表79个基础模型的149种模型配置。结果显示，没有任何配置实现完全指南一致性，表现最佳者答对210题中的207题（98.6%）。闭源模型表现优于开放权重模型（准确率中位数91%对63%，Hodges-Lehmann位置偏移26个百分点，99%CI 20至33，校正P<0.001）。在开放权重模型家族中，参数量增加10倍与准确率提高14个百分点相关（99%CI 7.7至20，校正P<0.001）；所有模型准确率每发布年份提高8.9个百分点（99%CI 3.6至14，校正P<0.001）。启用思考模式或提高推理强度均未带…