arXiv 2026年9月25日该工作以 MedRAX 为实例，对使用工具的胸片问答智能体做分阶段公平性审计，提出 DUCX 框架把端到端偏差分解为工具暴露偏差、工具切换偏差与 LLM 推理偏差，并在 CheXAgentBench 与自建的 MIMIC-FairnessVQA 上、用五个驱动 LLM 评测，发现人口学差距在端到端指标上持续存在（均等机会差最高 20.79%，最低公平-效用权衡降至 28.65%），且工具使用、切换模式与推理文本中的子群差异无法仅由端到端评测预测（例如在分割工具可用条件下，子群效用差距最高达 50%）。该工作以 MedRAX 为实例，对使用工具的胸片问答智能体做分阶段公平性审计，提出 DUCX 框架把端到端偏差分解为工具暴露偏差、工具切换偏差与 LLM 推理偏差，并在 CheXAgentBench 与自建的 MIMIC-FairnessVQA 上、用五个驱动 LLM 评测，发现人口学差距在端到端指标上持续存在（均等机会差最高 20.79%，最低公平-效用权衡降至 28.65%），且工具使用、切换模式与推理文本中的子群差异无法仅由端到端评测预测（例如在分割工具可用条件下，子群效用差距最高达 50%）。DUCX 把胸片智能体的不公平拆到工具暴露、工具切换与推理三个环节，发现端到端差距之外还有最高约50%的工具条件差距该工作以 MedRAX 为实例，对使用工具的胸片问答智能体做分阶段公平性审计，提出 DUCX 框架把端到端偏差分解为工具暴露偏差、工具切换偏差与 LLM 推理偏差，并在 CheXAgentBench 与自建的 MIMIC-FairnessVQA 上、用五个驱动 LLM 评测，发现人口学差距在端到端指标上持续存在（均等机会差最高 20.79%，最低公平-效用权衡降至 28.65%），且工具使用、切换模式与推理文本中的子群差异无法仅由端到端评测预测（例如在分割工具可用条件下，子群效用差距最高达 50%）。该工作以 MedRAX 为实例，对使用工具的胸片问答智能体做分阶段公平性审计，提出 DUCX 框架把端到端偏差分解为工具暴露偏差、工具切换偏差与 LLM 推理偏差，并在 CheXAgentBench 与自建的 MIMIC-FairnessVQA 上、用五个驱动 LLM 评测，发现人口学差距在端到端指标上持续存在（均等机会差最高 20.79%，最低公平-效用权衡降至 28.65%），且工具使用、切换模式与推理文本中的子群差异无法仅由端到端评测预测（例如在分割工具可用条件下，子群效用差距最高达 50%）。