ACL论文揭示医疗AI反直觉发现：通用模型优于专用模型
原标题：通用模型竟然比医疗专用模型更懂医疗？一篇 ACL 论文的两个反直觉发现 | GAIR Paper 123
AI 摘要
纽约大学阿布扎比分校与阿布扎比克利夫兰诊所的研究团队在ACL 2026 Findings发表论文，构建了首个多语言医疗错误评测基准MedErrBench，覆盖英语、中文和阿拉伯语，测试了GPT-4o、Gemini、Llama、Qwen、DeepSeek等模型。研究发现医疗专用模型在错误检测任务上不如通用模型，且英文原生模型在中文原生数据上表现更好。该基准旨在辅助临床错误检测与纠正，提升患者安全。
正文节选
0 作者丨幸丽娟 编辑丨岑 峰 医疗，是大模型落地最特殊的场景之一。 特殊在哪里？特殊在一个很微小的错误，就可能导致致命的后果；也特殊在你不能用直觉去判断它"行"还是"不行"—— 你觉得医疗专用模型肯定比通用模型更懂医疗？直觉上是。但实验数据不支持。 你觉得英语训练出来的模型处理英语医疗数据肯定最好？直觉上是。但实验数据也不支持。 这两重"反直觉"，正是纽约大学阿布扎比分校和阿布扎比克利夫兰诊所的研究团队在ACL 2026 Findings上发表的论文揭示的核心真相。 论文链接： https://aclanthology.org/2026.findings-acl.573.pdf 论文代码：https://github.com/congboma/MedErrBench 研究团队构建了首个面向医疗错误检测、错误定位和错误纠正的多语言评测基准MedErrBench，覆盖英语、中文和阿拉伯语三种语言，考验了 GPT-4o、Gemini、Llama、Qwen、DeepSeek等一系列主流模型，在多达十类典型医疗错误上的表现。 论文一作马聪博（ Congbo Ma）是纽约大学阿布扎比分校博士后研