MedFabric：标准证据掩盖了医学词级事实编造检测的难度

大语言模型会在医学内容中生成流畅但事实错误的陈述，因此可靠的事实编造检测是临床部署前提。现有进展受两种评测偏差夸大：人工真实文本与 LLM 幻觉文本配对，使检测器利用作者风格而非事实；测试时直接提供标准证据。评估事实推理的基准需要消除风格捷径，让每项编造都对应可真实检索的段落，并覆盖部署中不同质量的证据。MedFabric 按这些要求构建，包含646项词级医学编造，每项都配有同样由 LLM 撰写、表面形式几乎相同的真实文本，ROUGE-L 中位数为0.95。任务仍未解决：专家临床医生宏平均 F1 仅53.3%，不提供标准证据时，没有检测器类型超过约60%。核心发现是，证据是否正确比编造是否细微更能决定检测表现：一个强 LLM 使用标准段落时得分91%，使用错误段落时降至35%，甚至低于不使用证据的基线。这一模式在两个基准、两种模型规模下均成立。针对问题，研究用检索置信度门控拒用低置信证据，将宏平均 F1 从61%提升至74%，并公开基准、代码和全部基线。