arXiv预印本：医疗大模型漏报升级请求率达32%-97%，规则控制器无法泛化到改写场景。

华盛顿大学圣路易斯分校团队发布的一项预印本研究表明，当前开源大模型在处理医疗工作流时存在严重的“升级”（Escalation）可靠性问题。在400个合成医疗场景的测试中，当证据缺失、冲突或过时，需要模型决定是回答、澄清、弃权还是升级给人类专家时，即使模型在干净数据上的决策准确率达到0.97，使用不确定性提示后，它们仍会漏掉32%至97%的必要升级请求。

研究指出，参数量更大的9.7B模型虽然缩小了差距，但并未消除这一风险，其在冲突情境下的准确率从0.97降至0.78。此外，模型口头表达的置信度与实际错误率不一致（ECE为0.10-0.54），仅靠调整置信度阈值无法提升效用。

团队提出了一种透明的“工作流感知控制器”，在所有测试模型上均提升了5:1成本比下的效用，并将漏报率降至0.12-0.24。然而，该控制器的鲁棒性有限：在一个包含30个概念的词汇压力测试中，其规则检测器对未见过的同义改写的召回率从1.00骤降至0.00，表明这种路由机制仅在特定基准内有效，缺乏泛化能力。