medRxiv 2026年9月16日该研究对2020至2024年共792道骨科住院医师培训考试（OITE）题目（其中434道含临床图像、358道不含图像）进行问题成分消融，评估三个开源Ministral-3模型（3B、8B、14B）与五个专有模型（Claude Haiku-4.5、Sonnet-4.6、Opus-4.8、GPT-5.6 Luna、GPT-5.6 Terra），发现含图像题在完整信息下汇总准确率为59.13%（58.21-60.08），去掉图像后仍为59.13%（58.18-60.11），而去掉临床病例描述后降至49.05%（48.07-50.00）；不含图像题从完整临床背景的72.94%（72.10-73.85）降至去该研究对2020至2024年共792道骨科住院医师培训考试（OITE）题目（其中434道含临床图像、358道不含图像）进行问题成分消融，评估三个开源Ministral-3模型（3B、8B、14B）与五个专有模型（Claude Haiku-4.5、Sonnet-4.6、Opus-4.8、GPT-5.6 Luna、GPT-5.6 Terra），发现含图像题在完整信息下汇总准确率为59.13%（58.21-60.08），去掉图像后仍为59.13%（58.18-60.11），而去掉临床病例描述后降至49.05%（48.07-50.00）；不含图像题从完整临床背景的72.94%（72.10-73.85）降至去大语言模型真的在使用临床病例描述吗？一项针对骨科住院医师培训考试的问题消融研究该研究对2020至2024年共792道骨科住院医师培训考试（OITE）题目（其中434道含临床图像、358道不含图像）进行问题成分消融，评估三个开源Ministral-3模型（3B、8B、14B）与五个专有模型（Claude Haiku-4.5、Sonnet-4.6、Opus-4.8、GPT-5.6 Luna、GPT-5.6 Terra），发现含图像题在完整信息下汇总准确率为59.13%（58.21-60.08），去掉图像后仍为59.13%（58.18-60.11），而去掉临床病例描述后降至49.05%（48.07-50.00）；不含图像题从完整临床背景的72.94%（72.10-73.85）降至去该研究对2020至2024年共792道骨科住院医师培训考试（OITE）题目（其中434道含临床图像、358道不含图像）进行问题成分消融，评估三个开源Ministral-3模型（3B、8B、14B）与五个专有模型（Claude Haiku-4.5、Sonnet-4.6、Opus-4.8、GPT-5.6 Luna、GPT-5.6 Terra），发现含图像题在完整信息下汇总准确率为59.13%（58.21-60.08），去掉图像后仍为59.13%（58.18-60.11），而去掉临床病例描述后降至49.05%（48.07-50.00）；不含图像题从完整临床背景的72.94%（72.10-73.85）降至去