大模型能否读懂真实病历？哈佛医学院发布BRIDGE大规模多语言评测基准
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
来源：ScienceAI
作者：Jiageng
编辑：ScienceAI
由哈佛大学医学院与附属BWH医院YLab团队领衔，联合UIUC、MIT、斯坦福、梅奥诊所等多个团队，共同发布了BRIDGE—全球首个专注真实临床文本的多语言大语言模型评测！
该测评构建了87个真实世界的电子病历任务，覆盖9种语言，并且评估了65种当前最先进的大语言模型，是当前最全面、规模最大的LLM在医学应用的评测之一。
论文链接：https ://arxiv. org/pdf/2504. 19467
临床实战——大语言模型在医疗的下一个战场
自两年前GPT-4和Med-PaLM-1/2刷榜美国医考USMLE，轻松拿下「专家级」高分，验证了大语言模型（LLM）在医疗任务中的潜力，LLM已被广泛应用于医疗领域。
但伴随着LLM在医疗领域的深入探索，越来越多研究与实践经验表明：考场高分≠临床实践。真实世界的临床文本和任务与文本规范的医考选择题截然不同：
语言风格不同，文本形态灵活
电子病历中大量缩写和临床惯用表达，患者表述中的不规范文本、错别字等；
模板+自由输入混杂，结构松散不一、噪声极高。
任务维度更广，涉及更多考量
不只是选择题，更多临床关心的任务亟待探索：表型提取、ICD-10编码等；
不同语言、不同任务类型、不同临床专业等评估都是刚需。
同时，当前LLM发展迅猛，各家大模型「百花齐放」且更新频繁，越来越需要一个全面的真实临床文本评测构建起LLM开发与临床实践之间的「桥梁」！
医生
快速查看适合自己语言、科室、任务的最优模型，安心选型；
LLM开发者
全面考察模型，精准发现短板，进一步提升模型的适应性；
医院/监管
系统性地分析性能差异，权衡使用方式/部署资源，制定相关标准。
BRIDGE概要
依托于团队前期发表于《NEJMAI》的全球临床文本数据集系统性综述[ 1]，收集整理了大量开源的临床文本数据集，并进一步加以改造适应于LLM执行，从而构建了目前规模最大、覆盖最全的多语言真实世界临床文本（电子病历和在线问诊）数据大语言模型评测。
目前，已全面评估了65个当前最先进的LLM的性能，包括DeepSeek-R1,GoogleGemini,GPT-4o,Qwen3,Llama4，MedGemma,Baichua-M1等开源、闭源、医学专用LLM，结合提出的系统性分类框架，从语言、专业科室、任务类型等多维度提供全面的性能分析，相关结果已上线实时排行榜
相关链接：https ://huggingface. co/spaces/YLab-Open/BRIDGE-Medical-Leaderboard
结果速览
开源模型发展迅猛，DeepSee-R1领跑
三种推理策略下的综合排名：
零样本（Zero-shot）—直接输出目标答案DeepSeek-R1（44. 2），GPT-4o（44. 2），Gemini-1. 5-Pro（43. 8）；
思维链（Chain-of-thought）—输出推理过程与答案，增强解释性DeepSeek-R1（42. 2），Gemini-2. 0-Flash（43. 8），GPT-4o（40. 7）；
少样本（Few-shot）—提供5个随机的样本，包含完整输入和输出Gemini-1. 5-Pro（55. 5），Gemini-2. 0-Flash（53. 3），GPT-4o（52. 6）。
在最新一轮排行榜中，DeepSeek-R1已超越GPT-4o、Gemini等商业化闭源模型，在零样本和CoT设置下都占据榜首。随着时间推移，开源模型和商业化模型的差距在逐渐缩小。
Mistral、Qwen、Gemma、Llama等一系列开源模型迭代发展、持续发力，直至DeepSeek-R1带来突破。
少样本是最高效的性能提升途径，思维链可能损害性能
给LLM提供5条随机示例，能够使大多数模型性能显著增长，不仅领先的LLM进一步突破，如DeepSeek-R1（44. 2到51.4，+16. 3%），较小的LLM更是「脱胎换骨」，如Llama-3. 2-1B（从12. 7到24.4,+92. 1%。相比之下，思维链虽然能够提高模型解释性，促进与医生患者的交互，但导致了大多数模型的性能下降。
ScalingLaw在医疗领域依旧明显
纵向比对同一模型家族的不同参数版本，整体而言模型越大表现越好，验证了在临床文本任务上的ScalingLaw。业界常用的~70B模型整体性能较优，排在第二梯队，而在小型LLM（≤30B）中，MedGemma和Baichuan-M1-14B两个专门的医学领域模型表现亮眼，为资源受限的部署场景提供了轻量化选项。
医学LLM潜力巨大，但还需全面加强
MedGemma和Baichuan-M1-14B等最新的医学LLM性能强劲，甚至超过了许多70B的模型，但其他医学LLM则表现不佳，甚至未跑赢同代的通用LLM。
同时，这些医学LLM往往在少样本设置下涨点明显，可能表明其指令跟随能力较弱。整体结果暴露出部分医学LLM的基座模型版本偏老，预训练数据、监督训练任务与真实临床文本脱节等潜在问题。
不同任务表现差异较大：
文本分类、自然语言推理等标签明确的分类任务表现较优，而NER与事件提取任务则需要少样本的加持提升性能，表明这些任务更需要示例来澄清详细的标签定义和标准。
与此同时，需要与标准化医疗编码系统（如ICD-10）保持一致的规范化和编码任务仍然特别具有挑战性，因为许多LLM缺乏对这些代码的内置映射。
尽管少样本学习带来适度的改进，但这些编码任务的性能仍然相对较低（约15%）。QA和摘要在内的文本生成任务的平均性能较低约为20%，表明LLM在临床文本生成方面面临着挑战。
更多：多语言、多临床场景、多专科验证
不同语言、不同专科的榜首各有归属：DeepSeek-R1在中文、西班牙语、德语、俄语中独占鳌头，Gemini对英文表现突出。而不同的临床场景和专业科室也表现不同，体现出需要进一步结合具体任务选择合适的模型。
结语
开源模型持续发力，整体性能不逊商业化模型；
少样本推理策略目前是成本最低、收益最稳的LLM提升途径；
70B仍是效果与资源平衡的主流选项，而高质量的小模型正在加速发展；
医学专业模型需要更新基座、拥抱更广泛的真实临床文本与任务；
没有一款模型可以跨所有语言与专科「通吃」，针对性评测与配置仍是落地关键。
要想将LLM在临床领域进一步落地，还需要更多的「BRIDGE」来全面评估LLM在真实世界临床文本与任务中的表现，研发出更加可靠和全面的LLM！
研究助理/博士后机会：
跨学科团队：与Harvard、MIT、Mayo的AI研究员、临床医生合作
数据资源丰富：近2亿份EHR电子病例数据，覆盖180万患者，连接保险理赔数据;同时可以申请MGB十余家合作医院的病历数据。
计算资源：8xH100等高性能GPU，高性能计算集群以及Azure云计算资源研究
前沿：LLMinEHR、医疗文本理解与推理
环境开放灵活，适合科研成长与职业发展
详情请前往招聘页面：https ://ylab. top/opportunities/
参考文献：
阅读最新前沿科技趋势报告，请访问欧米伽研究所的“未来知识库”
https ://wx. zsxq.com/group/454854145828
未来知识库是“欧米伽未来研究所”建立的在线知识库平台，收藏的资料范围包括人工智能、脑科学、互联网、超级智能，数智大脑、能源、军事、经济、人类风险等等领域的前沿进展与未来趋势。目前拥有超过8000篇重要资料。每周更新不少于100篇世界范围最新研究资料。欢迎扫描二维码或访问https ://wx. zsxq.com/group/454854145828进入。
截止到3月31日”未来知识库”精选的百部前沿科技趋势报告
（加入未来知识库，全部资料免费阅读和下载）
牛津未来研究院《将人工智能安全视为全球公共产品的影响、挑战与研究重点》
麦肯锡：超级智能机构：赋能人们释放人工智能的全部潜力
AAAI2025关于人工智能研究未来研究报告
斯坦福：2025斯坦福新兴技术评论：十项关键技术及其政策影响分析报告（191页）
壳牌：2025能源安全远景报告：能源与人工智能（57页）
盖洛普&牛津幸福研究中心：2025年世界幸福报告（260页）
Schwab：2025未来共生：以集体社会创新破解重大社会挑战研究报告（36页）
IMD：2024年全球数字竞争力排名报告：跨越数字鸿沟人才培养与数字法治是关键（214页）
DS系列专题：DeepSeek技术溯源及前沿探索，50页ppt
联合国人居署：2024全球城市负责任人工智能评估报告：利用AI构建以人为本的智慧城市（86页）
TechUK：2025全球复杂多变背景下的英国科技产业：战略韧性与增长路径研究报告（52页）
NAVEXGlobal：2024年十大风险与合规趋势报告（42页）
《具身物理交互在机器人-机器人及机器人-人协作中的应用》122页
2025-2035年人形机器人发展趋势报告53页
EvaluatePharma：2024年全球生物制药行业展望报告：增长驱动力分析（29页）
【AAAI2025教程】基础模型与具身智能体的交汇，350页ppt
Tracxn：2025全球飞行汽车行业市场研究报告（45页）
谷歌：2024人工智能短跑选手（AISprinters）：捕捉新兴市场AI经济机遇报告（39页）
【斯坦福博士论文】构建类人化具身智能体：从人类行为中学习
《基于传感器的机器学习车辆分类》最新170页
美国安全与新兴技术中心：2025CSET对美国人工智能行动计划的建议（18页）
罗兰贝格：2024人形机器人的崛起：从科幻到现实：如何参与潜在变革研究报告（11页）
兰德公司：2025从研究到现实：NHS的研究和创新是实现十年计划的关键报告（209页）
康桥汇世（CambridgeAssociates）：2025年全球经济展望报告（44页）
国际能源署：2025迈向核能新时代
麦肯锡：人工智能现状，组织如何重塑自身以获取价值
威立（Wiley）：2025全球科研人员人工智能研究报告（38页）
牛津经济研究院：2025TikTok对美国就业的量化影响研究报告：470万岗位（14页）
国际能源署（IEA）：能效2024研究报告（127页）
Workday：2025发挥人类潜能：人工智能（AI）技能革命研究报告（20页）
CertiK：Hack3D：2024年Web3. 0安全报告（28页）
世界经济论坛：工业制造中的前沿技术：人工智能代理的崛起》报告
迈向推理时代：大型语言模型的长链推理研究综述
波士顿咨询：2025亚太地区生成式AI的崛起研究报告：从技术追赶者到全球领导者的跨越（15页）
安联（Allianz）：2025新势力崛起：全球芯片战争与半导体产业格局重构研究报告（33页）
IMT：2025具身智能（EmbodiedAI）概念、核心要素及未来进展：趋势与挑战研究报告（25页）
IEEE：2025具身智能（EmbodiedAI）综述：从模拟器到研究任务的调查分析报告（15页）
CCAV：2025当AI接管方向盘：自动驾驶场景下的人机交互认知重构、变革及对策研究报告（124页）
《强化学习自我博弈方法在兵棋推演分析与开发中的应用》最新132页
《面向科学发现的智能体人工智能：进展、挑战与未来方向综述》
全国机器人标准化技术委员会：人形机器人标准化白皮书（2024版）（96页）
美国国家科学委员会（NSB）：2024年研究与发展-美国趋势及国际比较（51页）
艾昆纬（IQVIA）：2025骨科手术机器人技术的崛起白皮书：创新及未来方向（17页）
NPL&Beauhurst：2025英国量子产业洞察报告：私人和公共投资的作用（25页）
IEAPVPS：2024光伏系统经济与技术关键绩效指标（KPI）使用最佳实践指南（65页）
AGI智能时代：2025让DeepSeek更有趣更有深度的思考研究分析报告（24页）
2025军事领域人工智能应用场景、国内外军事人工智能发展现状及未来趋势分析报告（37页）
华为：2025鸿蒙生态应用开发白皮书（133页
《超级智能战略研究报告》
中美技术差距分析报告2025
欧洲量子产业联盟（QuIC）：2024年全球量子技术专利态势分析白皮书（34页）
美国能源部：2021超级高铁技术（Hyperloop）对电网和交通能源的影响研究报告（60页）
罗马大学：2025超级高铁（Hyperloop）：第五种新型交通方式-技术研发进展、优势及局限性研究报告（72页）
兰德公司：2025灾难性网络风险保险研究报告：市场趋势与政策选择（93页）
GTI：2024先进感知技术白皮书（36页）
AAAI：2025人工智能研究的未来报告：17大关键议题（88页）
安联Allianz2025新势力崛起全球芯片战争与半导体产业格局重构研究报告
威达信：2025全球洪水风险研究报告：现状、趋势及应对措施（22页）
兰德公司：迈向人工智能治理研究报告：2024EqualAI峰会洞察及建议（19页）
哈佛商业评论：2025人工智能时代下的现代软件开发实践报告（12页）
德安华：全球航空航天、国防及政府服务研究报告：2024年回顾及2025年展望（27页）
奥雅纳：2024塑造超级高铁（Hyperloop）的未来：监管如何推动发展与创新研究报告（28页）
HSOAC：2025美国新兴技术与风险评估报告：太空领域和关键基础设施（24页）
Dealroom：2025欧洲经济与科技创新发展态势、挑战及策略研究报告（76页）
《无人机辅助的天空地一体化网络：学习算法技术综述》
谷歌云（GoogleCloud）：2025年AI商业趋势白皮书（49页）
《新兴技术与风险分析：太空领域与关键基础设施》最新报告
150页！《DeepSeek大模型生态报告》
军事人工智能行业研究报告：技术奇点驱动应用加速智能化重塑现代战争形态-250309（40页）
真格基金：2024美国独角兽观察报告（56页）
璞跃（PlugandPlay）：2025未来商业研究报告：六大趋势分析（67页）
国际电工委员会（IEC）：2025智能水电技术与市场展望报告（90页）
RWS：2025智驭AI冲击波：人机协作的未来研究报告（39页）
国际电工委员会（IEC）：2025智能水电技术与市场展望报告（90页）
RWS：2025智驭AI冲击波：人机协作的未来研究报告（39页）
未来今日研究所2025年科技趋势报告第18版1000页
模拟真实世界：多模态生成模型的统一综述
中国信息协会低空经济分会：低空经济发展报告（2024-2025）（117页）
浙江大学：2025语言解码双生花：人类经验与AI算法的镜像之旅（42页）
人形机器人行业：由“外”到“内”智能革命-250306（51页）
大成：2025年全球人工智能趋势报告：关键法律问题（28页）
北京大学：2025年DeepSeek原理和落地应用报告（57页）
欧盟委员会人工智能与未来工作研究报告
加州大学伯克利分校：面向科学发现的多模态基础模型：在化学、材料和生物学中的应用
电子行业：从柔性传感到人形机器人触觉革命-250226（35页）
RT轨道交通：2024年中国城市轨道交通市场数据报告（188页）
FastMoss：2024年度TikTok生态发展白皮书（122页）
CheckPoint：2025年网络安全报告-主要威胁、新兴趋势和CISO建议（57页）
【AAAI2025教程】评估大型语言模型：挑战与方法，199页ppt
《21世纪美国的主导地位：核聚变》最新报告
沃尔特基金会（VoltaFoundation）：2024年全球电池行业年度报告（518页）
斯坦福：2025斯坦福新兴技术评论：十项关键技术及其政策影响分析报告（191页）
国际科学理事会：2025为人工智能做好国家研究生态系统的准备-2025年战略与进展报告（英文版）（118页）
光子盒：2025全球量子计算产业发展展望报告（184页）
奥纬论坛：2025塑造未来的城市研究报告：全球1500个城市的商业吸引力指数排名（124页）
FutureMatters：2024新兴技术与经济韧性：日本未来发展路径前瞻报告（17页）
《人类与人工智能协作的科学与艺术》284页博士论文
《论多智能体决策的复杂性：从博弈学习到部分监控》115页
《2025年技术展望》56页slides
大语言模型在多智能体自动驾驶系统中的应用：近期进展综述
【牛津大学博士论文】不确定性量化与因果考量在非策略决策制定中的应用
皮尤研究中心：2024美国民众对气候变化及应对政策的态度调研报告：气候政策对美国经济影响的多元观点审视（28页）
空间计算行业深度：发展趋势、关键技术、行业应用及相关公司深度梳理-250224（33页）
Gartner：2025网络安全中的AI：明确战略方向研究报告（16页）
北京大学：2025年DeepSeek系列报告-提示词工程和落地场景（86页）
北京大学：2025年DeepSeek系列报告-DeepSeek与AIGC应用（99页）
CIC工信安全：2024全球人工智能立法的主要模式、各国实践及发展趋势研究报告（42页）
中科闻歌：2025年人工智能技术发展与应用探索报告（61页）
AGI智能时代：2025年Grok-3大模型：技术突破与未来展望报告（28页）
上下滑动查看更多
