临床记录生成不再全靠前沿模型：4B小模型加验证栈，四分之三病例留在本机，接受率与前沿持平
核心概要
临床对话转SOAP记录量大且不容许编造，一个4B参数的小模型配上固定的四评审验证栈后，在事实蕴含上接近前沿模型，缺口集中在章节间结构排布。把验证器的拒绝当作升级信号，端到端接受率达到99.6%，与只用前沿模型的98.4%在统计上无法区分，同时四分之三的病例不再调用前沿生成。
深度剖析
在验证栈与精修策略完全固定、只更换生成器的条件下，4B参数小模型生成的临床记录在事实层面已接近前沿模型，差距主要落在章节之间的结构排布上。 此前的做法是把每次问诊都交给第三方前沿API生成，小模型单独使用时的能力缺口无法与成功区分。 在合成对话语料测试集上，小模型临床事实准确率0.984，前沿模型0.992，参考记录0.989；结构保真度小模型0.778，前沿模型0.843，参考记录0.873。
验证器把能力缺口变成逐条记录的准入判断，被拒绝的记录升级给前沿模型，被保留的记录则带着明确的准入保证。 此前小模型单独运行时验证器接受率为75.2%，前沿模型为98.4%。 端到端路由在250例问诊上接受249例（99.6%），只用前沿模型接受246例（98.4%），仅3例不一致且均偏向路由，精确McNemar检验不显著；只有62例被送往前沿模型。
精修按章节限定范围，只重写带有未解决反馈的章节，其余章节在构造上逐字节保持不变。 整篇重写会让4B模型为满足一个章节的完整性而在另一章节制造结构违规，包括把计划内容逐字复制进评估。 去掉精修循环时小模型接受率26.8%、前沿模型74.8%；恢复后分别升至75.2%和98.4%，前沿模型平均只需1.28轮，小模型需2.07轮。
启示与展望
结论建立在合成对话到SOAP记录的语料上，测试集250例问诊，小模型为Gemma-3-4B-IT加QLoRA适配器并在单台Apple Silicon、64GB统一内存、无独立GPU的机器上生成，前沿基线为GPT-4.1；验证调用在两种条件下都发往托管评审模型，因此转录仍会离开本机用于评分。
接受率证明的是符合这套基于评分细则的验证器，而非经临床医生裁定的正确性；参考记录校准与保留对升级的分离只是对该验证器的间接检查。结果来自合成语料，需要在真实问诊与医生撰写的记录上复现；其他小模型能否承担相近份额、方法在结构化程度更低的任务上表现如何，仍是未解问题。