研究：15个大模型识别临床试验方法学错误，最高检出率99%

一项预印本研究称，在向三份随机临床试验报告植入错误的早期实验中，未经训练的人类审稿人重大错误检出平均得分为27%；15个大语言模型（含4个开放权重模型）的检出得分在53%至96%之间。为降低记忆风险，研究者在2026年发表的三项临床试验上重复测试，得分区间为51%至99%，开放权重模型为66%至87%。研究还称，在未植入错误的对照报告中，大模型仍标记出2%至29%的错误类型，最常见的是结论缺乏结果支持、以及未说明筛查患者未入组的原因。12个模型的平均审阅时间为1.4至16.3分钟。据该研究，Opus 5.5重大错误检出得分最高，为99%；GPT-6.1 Sol与GPT-6 Luna分别为92%和87%。作者称，这些测试为专用审阅模型提供了基准，并提示仅依赖人类同行评审可能漏掉本可避免的方法学错误。