前沿大模型在肿瘤决策中的集体能力边界：超越知识测试的临床判断盲区
一项新研究揭示，尽管大型语言模型（LLM）在医学知识考试中表现优异，但在真实的肿瘤临床决策中却存在共同的“决策盲区”，且这一盲区无法通过简单组合多个模型来弥补。该研究构建了肿瘤决策边界基准（ODBB），包含2005个基于NCCN指南和结直肠癌病例的决策点，并评估了2025年6月至2026年4月发布的九款前沿大模型（四款闭源、五款开源）。
关键发现
集体失败率高达42.1%：将九个模型视为一个“超级模型”时，42.1%的决策点（NCCN项目35.7%，结直肠癌病例66.4%）没有任一模组能给出正确答案。失败集中在“选择指南路径”而非“路径内推理”，这暗示模型在临床元判断上存在系统性缺陷，可能需要架构层面的干预，而非单纯增加训练数据。
过度自信的代价：两款为“果断性”调优的模型（GPT-5.5和Gemini 3.1 Pro Preview）做出不安全承诺的频率是其他七款谨慎模型的3至5倍，且并未因此获得更高得分。
知行不一：在3%至9%的决策点中，模型正确陈述了下一步临床步骤，却未真正执行该决策——这是决策失败，而非知识缺失。
研究意义
该研究指出，模型质量已不再是临床部署的主要瓶颈，真正的约束在于“任何单一模型都能作为临床决策唯一依据”这一假设。未来需要开发能检测模型能力边界并在必要时将决策转交给临床医生的架构。研究使用完全确定性的评分器（零LLM推理）将输出分类为14种失败类型，并由两位肿瘤学家独立验证（Cohen加权κ=0.939和0.790），确保了评估的可靠性。
行业启示
对于AI医疗领域，这一研究提供了重要警示：我们不应盲目依赖大模型在医学知识测试中的高分，而应正视其在真实世界复杂决策中的局限。同时，它也提示开发者，提升模型“自知之明”和“安全兜底”机制，可能比单纯追求知识储备更为关键。