让模型去考住院医，它能匹配上吗

考试分数高不等于会看病。四个开源大模型参加西班牙住院医师考试，成绩单后面藏着三个更扎心的发现：不敢说不会、理由站不住、压根没看图。医疗 AI 的评估，靠一张考卷远远不够，这卷子本身也不够。

一、发生了什么

据 arXiv 10 月 22 日提交的一篇论文，研究者按考试本身的评分规则，测了四个 8B 到 27B 的开源模型在西班牙住院医准入考试（MIR）上的表现，题库覆盖八个年度共 1552 题。选开源模型不是随意的：医疗系统想在自己的服务器上跑模型，就要知道这些开放权重到底可不可靠。结论分几层：全部作答时，三个较大的模型排名可进入约前六百到三千名，可选的专科还有四十多个；但当模型不确定时弃答从不划算——因为它们最没把握的题，正确率也高于四分之一的盈亏线。更深的问题在理由和图像上：13% 到 38% 的答对题目，排除干扰项的理由在临床上站不住脚，而置信度对此毫无反映；把题目配的图像删掉或换成别的图，成绩纹丝不动，说明视觉输入根本没被真正使用。另外，医疗微调降低了过度自信，代价是准确率，模型「知道自己错在哪」的能力并没有变好。

二、跟你有什么关系

如果你是医疗机构的技术评估者：考试分数不能作为采购依据，理由质量和图像依赖度才是重点，这两项论文都给了现成的测法。如果你做医学教育：模型答对但理由错，是学生用 AI 复习时的隐形陷阱，值得在课堂上演示，让学生亲眼看到「答案对、解释错」长什么样。如果你是普通用户：模型给出高置信度的错误解释，比直接答错更危险，健康问题上的高置信回答尤其要警惕。

三、怎么判断

1. 看一个医疗模型，别问它考了多少分，先问它敢不敢弃答、弃答时机对不对。这项实测里弃答从不划算，说明模型连「不确定」的感觉都不可靠。
2. 做图像题的消融测试：换图、删图再测一遍，成绩不变就说明它根本没在看图，所谓多模态只是摆设。
3. 抽查答对题目的解释链，理由错了的「对答案」要单独标记，不能计入可信样本。
4. 微调前后各测一遍自信度。自信度下降但判别力不变，只是把过度自信换成了新的校准误差，说明微调方向要重定。

四、三个别信的说法

考分高就能上临床。 论文里模型分数能排进前几千名，但同卷暴露出理由不通、图像无关的问题。执业能力包括知道何时不答题、何时该请上级复核，这恰恰是标准化考试测不出的部分。

医疗微调让模型更可靠。 实测里微调只是把过度自信压低了一点，同时损失准确率，区分对错的能力原地踏步。微调不是保险，评估不能省。

多模态模型一定用上了图。 删图换图成绩不变，说明分数主要由文本和先验撑起，图像输入更像装饰。任何宣称读片能力的系统，都要过「换图复测」这一关，过不了的直接出局。

五、一句话结论

考试筛得出分数，筛不出临床判断；判断力的证据在理由和图像里，不在总分里。部署到医疗场景之前，先把这三关过了再谈别的。

信息来源

• arXiv：开源模型能通过住院医匹配吗 · 2026-10-22

功能与价格以官方公告为准。本文写于 2026 年 10 月 25 日。