LLM辅助临床手稿准备的确定性完整性门：可审计的生物医学信息学架构

随着自主研究代理和人工智能联合科学家系统将大型语言模型（LLM）从起草转向端到端手稿制作，瓶颈从生成转移到验证。流畅的大语言模型输出可以隐藏伪造的引文、偏离源表的数字以及未满足的报告指南项目；现有工具在未经验证的情况下生成，自我批评继承了产生自信制造的盲点。我们描述了一种将生成与验证相结合的架构，它基于三个原则：将工作流程分解为独立的技能，通过故障停止来控制每个阶段的转换，并使用最便宜的充分机制解决每个完整性问题，一种确定性的、可重复执行的检查（只要有一个就足够了），以及仅在解释不可避免的情况下进行散文级探测。这种以完整性门分类法组织起来的决定论（在可能的情况下）的分裂是核心贡献。它以 MedSci Skills 的形式实现，这是一个包含 43 项技能的开源工具包，具有 21 个检测器确定性层，在三个公共数据集管道（STARD、PRISMA、STROBE）和种子缺陷消融上进行评估。三个管道中的每个内容哈希清单均已验证干净，并且闸门暴露了真正的缺陷；在 27 个相同的注入缺陷上，确定性门检测到所有 27 个缺陷，在匹配的干净装置上没有误报，而单提示大语言模型审稿人检测到 11 个，其代码、参考书目和散文隐藏的风格缺陷中的遗漏。确定性验证会产生可审计、可重复执行的线索，揭示人们检查大语言模型辅助手稿所需的证据：可行性和可重复性证据，而不是人类竞争质量的主张，这是一项单独的盲法研究所解决的。 MedSci Skills 已获得 MIT 许可并存档 (v3.8.0)。