Decision 与 System One 模型在风湿病学考试题和诊断病例上的评测

研究用两套基准评测 System One 系列模型：扩展版 RheumaMIR（172 道西班牙专科考试题）和 RheumBench（70 个英文诊断病例，含 5-18 个候选诊断）。在考试题上 Jev 准确率达 93.0%（西语），GPT-6 Sol 最高为 99.4%，GPT-6 Luna 为 97.7%。但在诊断病例上准确率整体下降，GPT-6 Sol 为 76.9%，Jev 仅 50.0%，Laya 接近随机水平（随机为 9.6%）。Jev 在病例题上出现过度自信，概率 ≥0.90 的答案正确率只有 84.6%，而 GPT-6 Luna 同样条件下达 95.5%。