策略性供方响应下基于策略即代码搜索的医疗机制

医疗机制与其引发的策略性供方响应不可分割：现有医疗AI基准把这一响应固定住，因而无法按机制所产生的均衡来评估机制。我们将医院机制设计重构为面向语言模型的程序综合：类型化、可检查的规则程序由Medi-Sim执行并评分，后者是一个具有五个策略性供方通道（编码、选择、拖延、努力、分诊）的多智能体模拟器。一次激励扫描把经典卫生经济学发现作为相邻机制复现出来——利润压力下的高编码（up-coding）与低复杂度患者选择，以及Goodhart式漂移（测得性能与真实结果变为负相关）——而单一的审计杠杆暴露出压力迁移：关闭编码通道使低复杂度患者选择增加一倍以上。随后，在同一规则程序空间上进行LLM引导的进化代码搜索，综合出一个可检查的混合目标程序，它消除了高编码、将拒收减半，并保留了利润导向基线的大部分资金。