大语言模型 缺乏医学知识的时间意识

现有大语言模型医学知识评估主要采用不带时间维度的考试式基准，但医学知识随证据与治疗批准持续变化。忽略时间可能无法完整评价模型能否推理特定时期的知识；大量医学数据又来自历史，模型不仅需知道正确内容，还需知道何时正确。研究构建 TempoMed-Bench，以演进的指南知识评估医学领域的时间意识。评估发现：对最新知识的表现随时间近似线性下降，而非在知识截止时间突然下降；模型回忆过时历史知识比最新建议更困难，历史准确率仅为最新知识的25.37%—53.89%，提示训练中可能遗忘；模型预测在相邻年份不规则波动，出现时间不一致。接入智能体搜索工具后，表现变化为−3.15%至14.14%，仍难轻易解决问题。研究指出模型需要更好地编码知识的时间适用性。