论文
证据扎实的亚专科推理：在 2025 年内分泌学委员会式考试上评估精选临床智能层
Evidence-Grounded Subspecialty Reasoning: Evaluating a Curated Clinical Intelligence Layer on the 2025 Endocrinology Board-Style Examination
摘要
背景：大语言模型在通用医学考试上表现出色，但由于指南快速演进和证据层级精细，亚专科临床推理仍具挑战。方法：我们在 120 题的内分泌学委员会式考试上，将证据扎实的临床推理系统 January Mirror 与前沿 LLM（GPT-5、GPT-5.2、Gemini-3-Pro）对比。Mirror 整合精选的内分泌与心脏代谢证据语料库和结构化推理架构，生成带证据链接的输出。Mirror 在封闭证据约束下运行，不做外部检索。对照 LLM 可实时访问网络上的指南与原始文献。结果：Mirror 达到 87.5% 准确率（105/120；95% CI：80.4-92.3%），超过 62.3% 的人类参照以及 GPT-5.2（74.6%）、GPT-5（74.0%）和 Gemini-3-Pro（69.8%）等前沿 LLM。在最难的 30 题上（人类准确率低于 50%），Mirror 达到 76.7% 准确率。Top-2 准确率 Mirror 为 92.5%，GPT-5.2 为 85.25%。结论：Mirror 提供证据可追溯性：74.2% 的输出引用了至少一个指南级来源，人工核验引用准确率 100%。对亚专科临床推理而言，带明确出处的精选证据可以胜过不受限的网络检索，并支持临床部署所需的可审计性。
