患者拿着报告，最关心的往往就是：我得了什么病，严重吗，接下来怎么办？

AI 已经能解释不少医学术语。把报告交给它，诊断、分期、检查建议，回答都有模有样。

但“接下来怎么办”，大模型有没有把报告上没说的，也擅自加上？

micro1 的病理评测，专门检查这些超出依据的回答。此前，国内一项血常规研究，还发现了另一件事：保留病历中医生的初步判断时，AI 的首选诊断一致率更高。

报告只建议咨询，AI 却多推荐了一项检测

先看 micro1 公开的一例评测。

原报告里，病理医生建议的是“遗传咨询”。Claude Fable 5.1 复述了这条建议，却又往前走了一步：推荐进行胚系多基因检测。

扣分的原因，是报告并没有提供足够依据，让模型直接把咨询建议升级成具体检测建议。

这也是评测想区分的：模型能复述报告，不等于它后面补上的每一句，都有依据。

其他模型也出现了不同的问题：

以上均为公开案例的中文概述。

图 1｜micro1 原文截图，依次展示改写报告分类、无依据地升级建议、遗漏确认条件和只复述分期代码等案例。对应特定任务与评分要求，不代表模型每次回答都会出现相同错误。来源：micro1 RealmPathology Benchmark。

“遗传咨询”和“做某项检测”，听起来只差半句话。

但对审核报告解读的人来说，中间多出来的，是一项需要依据的决定。

医生要检查的，正是这半句话：它从哪里来，现有材料够不够支持？

国内研究：保留医生的初步判断，AI 表现更好

再看另一种报告：血常规。

2026 年 6 月 5 日，浙大一院团队发表研究，用经过筛选的 100 个真实病例，测试 GPT-5、DeepSeek R1 和 Grok 4。测试于 2025 年 8 月开展，这组结果对应当时的模型版本。

研究者做了一个对比：先提供病历信息、血常规结果和医生的“初步临床怀疑”，再只移除“初步临床怀疑”，保留其余患者信息，让模型重新作答。

移除这条线索后，三个模型的首选诊断与最终诊断的一致率，都下降了。

图 2｜TalentsAI 根据论文 Figure 4 数据整理绘制。比较的是同一批病例中保留或移除初步临床怀疑两种提示条件，不是真实人机协作诊疗试验，也不是所有医疗场景的通用准确率。来源：Ye 等，JMIR，2026；DOI：10.2196/87802。

这对医生的启发很具体：病历里已有的专业判断，是模型理解检验结果的一项有用输入。

这里验证的是“给不给这条线索”的差别，还没有验证真实协作流程能给患者带来多大改善。

有了线索，后面的回答也仍然需要检查。研究者记录了这些具体错误：

图 3｜论文错误分析原文节选截图。研究记录的错误涉及仪器功能、数据来源、参考区间和建议依据。这里展示的是研究中的输出问题及潜在风险，不是患者已受伤害的案例。来源：Ye 等，JMIR，2026；DOI：10.2196/87802，CC BY 4.0。

这些问题落到工作里，就变成了具体的复核：这项数值是谁测的？仪器是否已经做过处理？这条建议是否对应眼前这份报告？

国内研究测的是血常规解读，micro1 测的是病理报告，不能直接拿两边成绩排高低。但它们都提供了专家可以检查的具体位置。

原始来源：JMIR 论文及 Figure 4、错误分析部分

模型越能干，验收越要问到具体的一步

随着模型进步，人类检查它的角度，也需要变得越来越具体。

从“这段回答对不对”，继续往下追：

这项数据从哪里来？这个判断缺了什么条件？这条建议，是否超出了报告的依据？

这也给医学专家参与模型评测提供了一个起点：从自己熟悉的报告审核环节出发，把不能误读的数据、不能省略的条件、不能擅自补上的结论，写成可检查的评分标准。