大语言模型回答胰腺癌问题的临床质量评估
该研究让八个大语言模型（ChatGPT-5.5 Instant、Claude Sonnet 4.6、Gemini 3 Flash、Grok 4.20、Microsoft Copilot、Doubao Seed 1.8、DeepSeek-V4、Qwen 3.6）在连续三天回答十个面向患者的胰腺癌问题，由五名对平台身份设盲的评估者对全部240条回答按六个临床质量维度打分（共1200条评分），发现各平台总体表现存在差异，Grok 4.20与DeepSeek-V4平均分最高、Doubao Seed 1.8最低，差异在可操作性与具体性上最明显，相邻日分数波动以Doubao Seed 1.8和Qwen 3.6最突出，但经多重检验校正后没