现有医疗大模型在静态评测中表现优异，却难以胜任真实的临床问诊。这项来自复旦大学的研究直击要害，指出信息收集而非推理能力，才是制约医疗AI发展的核心瓶颈。它提出了一套全新的交互式评测框架与解决方案，为医疗智能体的进化指明了方向。
智能速览
医疗大模型评测的核心盲点被揭示：推理强不等于会收集信息。
提出以“信息覆盖率（ICR）”为核心的交互评测新标准。
实证发现模型在交互场景下诊断成功率平均下降20%，主因是“证据没问全”。
REFINE框架通过诊断验证器反向驱动模型，强制其追问缺失证据。
“小模型问、大模型想”的异构协作模式，效果优于单一模型。
精华内容
真正的临床诊断，更像是在迷雾中探索，而非开卷考试。这项研究正是为医疗AI点亮了前行的灯塔，教它如何提问。
评测之困
当前主流的医疗大模型评测，普遍采用“开卷考试”模式：提供完整的病例信息，让模型直接给出诊断结果。这种方式虽然易于量化，却完全脱离了真实的临床实践。
真实的问诊是一个动态交互、信息从不完整到逐渐完整的探索过程。研究团队通过构建模拟环境发现，一旦切换到交互式问诊场景，所有模型的诊断成功率平均骤降约20%。这表明，模型的核心短板并非推理能力，而是缺乏主动收集关键信息的意识。
证据量化
为了精准衡量模型的“问诊能力”，研究提出了两大创新概念。首先是“原子证据”，即将病史、症状、检查等所有信息拆解为最小、不可再分的单元，从而能精确追踪模型在对话中是否问到了关键点。
基于此，团队设计了“信息覆盖率（ICR）”这一全新评测指标，其计算公式为：ICR = （模型已收集证据 ∩ 案例必要证据）/ 必要证据总数。ICR将评测重心从“诊断对不对”转移到“证据全不全”，为交互式评测提供了量化标尺。
主动追问
针对“证据没问全”的核心问题，研究进一步提出了REFINE框架。该框架的核心是一个“诊断验证器”，它扮演着监督者的角色。
当模型准备下诊断时，验证器会介入，判断当前收集到的证据是否足以支撑一个可靠的结论。如果证据不足，验证器会明确指出还缺少哪些关键证据，并强制模型继续向“病人”追问。这种反向驱动的机制，有效解决了模型过早下判断的问题。
协作破局
研究还探索了提升问诊能力的技术路径，并发现异构模型协作的效果远超单一大模型。具体方案是“小模型负责问，大模型负责想”的分工模式。
在这种架构下，一个精简的小模型专门负责根据现有证据生成下一步的提问，而一个强大的大模型则负责整合信息、进行推理和诊断。实验证明，这种协作模式在信息覆盖率（ICR）和最终诊断准确率上，均全面超越了包括GPT-5-mini在内的单一模型。
该研究不仅构建了更科学的评测体系与基准EviMed-1K，更指明了医疗AI从“会诊”到“会问”的进化方向。当AI真正学会如何提问，它才能成为医生得力的助手，而非简单的诊断机器。未来的智能医疗，又将迎来怎样的变革？
