一句话看懂：2026年10月26日发布的论文提出NPC-RubricBench，用鼻咽癌纵向病历评测大模型在六个诊疗阶段的推理表现，发现诊断强不等于后续护理强，且各阶段主导失误类型明显不同。
事件核心：发生了什么
研究团队从两家癌症中心的405名鼻咽癌患者纵向病历中，抽取941个“患者—阶段”单元，覆盖初诊检查、诊断、分期、治疗、毒性和随访六个连续阶段。每个单元按当时可见的临床证据，生成患者专属的原子化评判标准，共17,688条，分属决策质量、证据依据、状态判断、证据忠实度和安全依从五个维度。
他们对30个通用大模型和医学适配模型做了评测。结果显示，解剖分期阶段以明确决策错误为主，占48.2%；初诊检查与治疗后随访则以决策遗漏为主，分别为33.4%和30.4%。在该评测集内，医学适配模型的遗漏率高于通用模型。提示词粒度也构成取舍：开放式提问压低全部30个模型的决策质量，清单式细粒度提示提高决策质量，却削弱证据忠实度和安全依从性。以上为公开摘要信息，完整结果与同行评审状态尚待核实。
为什么重要
现有医疗大模型评测多聚焦单次问诊，而癌症照护是分阶段推进的责任链。该研究提示，静态诊断基准无法保证模型在长期病程中持续可靠，高分期准确率也不能外推为下游照护能力。这为医疗AI评估提供了“按阶段、按患者、按当时证据”的新思路，也说明医学微调不必然减少遗漏。
对用户/开发者/创作者的影响
对医疗AI开发者，单一总分排名参考价值有限，应关注模型在初诊和随访等环节的遗漏率，并针对阶段设计防护。对医院采购方，引入大模型辅助诊疗时需明确适用阶段，避免用诊断榜单替代全流程验证。提示词工程同样存在安全边界：追求更细的清单式指令可能让模型更敢下结论，但引用证据和遵守安全约束的能力会下降。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是该基准是否公开数据或评测接口，让第三方复现；二是医学适配模型遗漏率更高的现象能否在更大模型与更多癌种上成立；三是临床机构是否会据此建立分阶段的人工复核与安全阈值。
来源：alphaXiv
