Studies in health technology and informatics 2026年9月17日该研究提出一个无需参考摘要的评估框架，将嵌入层面的转写-摘要语义相似度、重复生成稳定性分析与结构化人工评估相结合，用于对本地 Whisper 系统产出的临床转写进行 LLM 后处理模型的基准测试，并在 26 段德语医患对话上由四个 LLM 生成 416 份摘要进行验证，发现 GPT-OSS-120B 与 MedGemma-27B 在多数嵌入模型下取得最高相似度、重复运行余弦相似度通常超过 0.90，且嵌入相似度信号与人工质量判断仅部分一致。该研究提出一个无需参考摘要的评估框架，将嵌入层面的转写-摘要语义相似度、重复生成稳定性分析与结构化人工评估相结合，用于对本地 Whisper 系统产出的临床转写进行 LLM 后处理模型的基准测试，并在 26 段德语医患对话上由四个 LLM 生成 416 份摘要进行验证，发现 GPT-OSS-120B 与 MedGemma-27B 在多数嵌入模型下取得最高相似度、重复运行余弦相似度通常超过 0.90，且嵌入相似度信号与人工质量判断仅部分一致。面向本地 Whisper 医疗转写后处理的嵌入评估与基准测试框架该研究提出一个无需参考摘要的评估框架，将嵌入层面的转写-摘要语义相似度、重复生成稳定性分析与结构化人工评估相结合，用于对本地 Whisper 系统产出的临床转写进行 LLM 后处理模型的基准测试，并在 26 段德语医患对话上由四个 LLM 生成 416 份摘要进行验证，发现 GPT-OSS-120B 与 MedGemma-27B 在多数嵌入模型下取得最高相似度、重复运行余弦相似度通常超过 0.90，且嵌入相似度信号与人工质量判断仅部分一致。该研究提出一个无需参考摘要的评估框架，将嵌入层面的转写-摘要语义相似度、重复生成稳定性分析与结构化人工评估相结合，用于对本地 Whisper 系统产出的临床转写进行 LLM 后处理模型的基准测试，并在 26 段德语医患对话上由四个 LLM 生成 416 份摘要进行验证，发现 GPT-OSS-120B 与 MedGemma-27B 在多数嵌入模型下取得最高相似度、重复运行余弦相似度通常超过 0.90，且嵌入相似度信号与人工质量判断仅部分一致。