标错症状：评估医学文本中的LLM水印

大语言模型（LLM）日益融入临床工作流，凸显以水印实现模型生成输出可靠溯源的需求。但多数水印在通用基准上评估，医疗等领域——其中token级微小扰动即可造成显著语义变化——仍未被充分探索。本工作首次严格研究LLM水印如何影响医疗表现：在覆盖单模态与多模态临床推理的多任务上，跨11个LLM与7个VLM基准测试5种水印方案。重要的是，我们补充既有评估：引入经人类专家验证的管线，系统审计医学推理质量、术语精确性与诱发幻觉。结果显示：水印可在多种失败模式下诱发实质退化，包括词汇损坏、幻觉术语，以及图像所见误归因或遗漏的放大。值得注意的是，领域专属分析的缺位、加上遗漏临床文本固有失败的聚合指标，会系统性掩盖实际的、水印诱发的退化。我们的发现确立领域专属评估是水印模型在医疗中安全部署的前提——否则现行基准可能掩盖有临床后果的失败。