AI 生成的运动处方的跨模型一致性：跨三个 大语言模型 的重复生成研究

本研究比较了温度 = 0 条件下三个 大语言模型 (LLM)（特别是 GPT-4.1、Claude Sonnet 4.6 和 Gemini 2.5 Flash）的运动处方输出的重复生成一致性。每个模型针对六种临床场景生成处方 20 次，产生 360 个总输出，在四个维度进行分析：语义相似性、输出再现性、FITT 分类和安全性表达。 GPT-4.1 的平均语义相似度最高 (0.955)，其次是 Gemini 2.5 Flash (0.950) 和 Claude Sonnet 4.6 (0.903)，并确认了显着的模型间差异 (H = 458.41，p < .001)。重要的是，这些分数反映了根本不同的生成行为：GPT-4.1 产生了具有稳定语义内容的完全独特的输出（100%），而 Gemini 2.5 Flash 显示出明显的输出重复（27.5% 的独特输出），表明其高相似性分数源自文本重复而不是一致的推理。因此，相同的解码设置产生了根本不同的一致性配置文件，这是单输出评估无法捕获的区别。所有型号的安全表达都达到了上限，证实了其作为差异化指标的实用性有限。这些结果表明，模型选择构成了临床决策而不仅仅是技术决策，并且重复生成条件下的输出行为应被视为可靠部署基于 LLM 的运动处方系统的核心标准。