MedMosaic：多样化医疗音频的具有挑战性的大规模基准

由于隐私法规和领域专业知识产生的高注释成本，医疗音频数据很难收集。因此，现有的基准往往不足以代表复杂的医疗音频场景。为了应对这一挑战，我们推出了 MedMosaic，这是一个医学音频问答数据集，旨在在现实临床约束下对语言和音频推理模型进行基准测试。 MedMosaic 具有多种医疗音频类型，包括与病情相关的生理声音、精心构建的合成声音来模仿带有伪影的语音，以及真实的短和长临床对话来模拟不同的上下文长度。该数据集还包含总共 46,701 个问答对，涵盖多项选择、顺序多轮和开放式问答等类别，可以系统地评估多跳推理和答案生成能力。对 13 个音频和多模态推理模型进行基准测试表明，对于所有评估的系统来说，推理仍然具有挑战性，不同问题类型的性能差异很大。特别是，即使像 Gemini-2.5-pro 这样最先进的模型也只能达到约 68.1% 的准确率。这些发现强调了医学推理中持续存在的局限性，并强调需要更强大、针对特定领域的多模态推理模型。此处提供了基准数据示例：https://shorturl.at/Lyp33