一致但错误：证明医疗 LLM 共识何时应弃答

临床实践将独立专家的共识视为可靠性证据，多轮共识也成为Agentic医疗问答系统的核心机制。当系统判断是否应信任自身答案时，常再次依据采样答案的一致性。但一致性并非稳健的正确性指标：系统可能每次都给出同一个错误答案，此时基于一致性的信号没有信息。这些信号只读取共识的最终状态，忽略形成过程；通过证据解决分歧而形成的共识，与各次采样从一开始就共享同一误解的共识，最终看起来一样。ProbeGuard是具有风险保证的拒答框架，依据共识形成过程决定是否拒答。过程特征追踪一致性轨迹、少数意见的持续性与检索饱和度。对全票一致的答案，理由语义熵检查其理由是否相互一致，主动探测检索反证并测量共识能否维持。分层Learn-then-Test校准随后将分数转为不依赖分布假设的选择性风险界限。我们使用已发布的多轮Agentic RAG底座，在三个医学问答基准和一个高难度前沿参考集上，与六个拒答基线比较。在MedQA上，全票一致的答案有13.4%错误，基于一致性的信号无法识别。过程信号将正确与错误共识的区分能力从随机水平提升至0.696 AUROC。具有风险保证的规则在全票一致层回答约六成问题，观测选择性风险为9.0%；积累域内校准数据后可回答约九成。