Upstage AI发现了生物医学大模型最隐蔽的致命缺陷
韩国AI公司Upstage AI发布了一项具有里程碑意义的现生学研究，预印本于2026年6月20日上线，物医论文编号为 arXiv:2606.21959，模型并已被 AAAI 2026接收。最隐致命读者可通过该编号获取完整原文。缺陷
在医学文献中，现生学规范的物医引用通常意味着权威与可信。然而，模型Upstage AI的最隐致命研究揭示了一个令人不安的现象：当你点击AI提供的文献链接，页面加载正常，缺陷标题、现生学摘要、物医作者一应俱全，模型但当你深入阅读被引用的最隐致命论文时，会发现其中根本未提及AI所主张的缺陷医学观点。这就像朋友推荐一本书作为论据，书确实存在，但书中并无此言。
这正是本研究的核心发现：“错误论文引用”（Wrong-Paper Citation）——引用真实存在，但内容不支持AI的断言。
一、为何“真实但错误”的引用比“完全捏造”更危险？
当AI模型被赋予检索文献、自主回答并附上参考文献的能力时，这类系统被称为智能代理（Agentic Model）。它们正逐渐应用于生物医学研究，协助科研人员快速梳理文献。
研究者最初担忧的是AI是否会在数学或医学写作中“凭空捏造”参考文献。已有数据显示，在数学领域，AI生成的参考文献中约 54%是虚构的。
然而，Upstage AI的研究团队进行了更深入的核查：不仅验证引用是否存在，还验证引用内容是否支持AI的具体断言。结果出乎意料：
- 彻底捏造率极低：在审查的 4,863条引用中，仅 0.7%为查无此文的“彻底捏造”。
- 错误引用率惊人：在真实存在的引用中，约 15.9%的论文并不支持AI做出的医学断言。
为什么这更危险？
因为“错误论文引用”披着“可信外衣”。假链接会立刻引发警惕，而真实存在的论文（排版整洁、作者权威、期刊知名）会让读者默认其内容与AI的断言一致，从而放松对内容一致性的核查。这种隐蔽性使得错误更难被发现。
二、OpenBioRQ：填补“开放性问题”测试空白
为系统研究这一问题，研究者构建了全新基准 OpenBioRQ，包含 12,553道生物医学问题，横跨12个医学子领域。
核心创新：真正的“开放性问题”
现有基准（如MedQA、PubMedQA、BioASQ）多采用有标准答案的题目，AI可通过“背诵”答案及对应引用轻松通过测试，无需真正理解文献或验证引用。
OpenBioRQ 的问题均为真正悬而未决的开放性问题，无已知标准答案。这堵死了AI“背答案”的捷径，迫使其必须真正检索、推理，并暴露其在不确定情况下的真实行为。
- 定位：位于“有工具调用能力”与“问题真正开放”的交叉点。
- 唯一性：此前测试要么有答案无工具，要么有工具有答案，OpenBioRQ 同时满足“代理式工具调用”和“真正开放问题”。
三、数据来源与“开放性”验证机制
OpenBioRQ 的问题来自四条“轨道”，经严格筛选和“烹饪”流程生成：
- PubMed/临床试验/arXiv（6,648题）：通过检索后续文献，确认无已发表成果解答。
- 詹姆斯·林德联盟/NICE（5,905题）：权威机构发布的“医学悬案清单”。
- WHO/美国国家科学院/德尔菲共识（525题）：官方研究优先级文件。
- Cochrane研究空白（483题）：循证医学权威机构指出的研究缺口。
关键步骤：强制性“开放性”验证
研究者发现，仅靠AI判断问题是否已解决存在严重确认偏差（AI倾向于标记所有问题为“开放”）。因此，他们强制AI使用检索工具重新判断：
* AI必须搜索后续文献并引用具体证据编号。
* 若找不到证据，必须标注为“不确定”，而非假设问题开放。
* 此改动使 56.5%的问题状态发生变化，其中 14%被重新标注为“不确定”。
* 对最核心的 657道难题进行专项核查，确认无一题可判定为“已解决”。
四、难度定义：基于模型表现的客观量化
研究者摒弃了主观的人工标注，采用客观量化方法定义难度：
* 使用三个开源大模型（GLM-5.1、Qwen3.6、DeepSeek-V4）回答所有题目。
* 核心难题（Core Set）：三个模型全部回答失败的题目。
* 在优先研究问题轨道中，49%的题目三个模型全败，仅 6%为简单题。
* 模型平均得分均低于0.5及格线（GLM-5.1: 0.32, Qwen3.6: 0.45, DeepSeek-V4: 0.31）。
优势与局限：
* 优势：难度可量化、可验证，随AI能力提升可动态更新。
* 局限：对解码温度敏感。稳定性测试显示，34.7%的边界题目状态发生改变。研究者因此撤回了此前关于“85.8%题目稳定”的估计，仅报告确定的“冰冻核心清单”。
五、评分体系：无标准答案下的“核查清单”
针对无标准答案的题目，研究者设计了专属的冻结核查清单（Frozen Checklist），在评测前固定，包含5-8条具体标准：
- 必须提及（Must Mention）：关键事实、机制或方法（如“AQP4极化”、“睡眠增强”）。
- 必须承认（Must Acknowledge）：诚实承认不确定性或知识空白（如“无临床试验数据”、“人体效果尚不清楚”）。
- 必须引用（Must Ground）：断言需附真实文献支持（PMID、试验注册号等）。
- 必须避免（Must Avoid）：禁止给出确定性结论、编造引用或声称未检索。
评分逻辑：
* 每条标准设权重（1-3分），满足得1分，部分满足0.5分，未满足0分。
* 加权平均得分在0-1之间，≥0.5视为解决。
* 效果：不同AI评判者间的一致性（Spearman相关系数）从 0.35跃升至 0.82，显著减少了对评判者主观性的依赖。
六、评测流程：智能代理的行为记录
- 工具权限：AI可访问10种生物医学工具（PubMed, ClinicalTrials.gov, OpenFDA, UniProt, ChEMBL, PubChem, KEGG等）。
- 交互模式：最多10轮“查找—思考—再查找”循环。
- 完整记录：最终回答、工具调用参数、引用编号、耗时及计算资源，用于评分及行为模式分析。
七、模型行为画像：三大开源模型的显著差异
在1,969道题的测试中，三个模型表现出截然不同的行为模式：
| 模型 | 不回答率 | 零工具调用率 | 引用率 | 行为特征 |
|---|---|---|---|---|
| DeepSeek-V4 | 0.8% | 31.3% | 38.5% | 极少拒答，但常放弃工具，依赖内部知识，引用率高。 |
| GLM-5.1 | 26.2% | 高频调用 | 3.9% | 工具调用最频繁（平均12.6次/题），但拒答率高，引用率最低。 |
| Qwen3.6 | 介于两者间 | - | - | 表现稳定，尤其在难题上展现独特韧性。 |
八、“代理崩溃”：难题面前，AI反而弃用工具
在525道优先研究问题的专项测试中，出现“代理崩溃”（Agentic Collapse）现象：
- GLM-5.1：放弃回答率从26.2%飙升至 69%，零工具调用率从20.8%飙升至 65%。
- DeepSeek-V4：放弃回答率从0.8%飙升至 62%，零工具调用率达 62%。
- Qwen3.6：零工具调用率保持在 22%左右，基本稳定。
结论：在最需要检索工具的困难任务面前，GLM-5.1和DeepSeek-V4退化成了普通问答模型或沉默机器。
工具有效性质疑：
* GLM-5.1：封锁工具后，得分反而从26.6%微升至30.8%，统计上无显著差异。
* GPT-5.5：有工具（59.6%）与无工具（55.6%）得分差距极小，远低于预期。
九、传统测试的失效：MedQA无法区分真实能力
- MedQA-USMLE：六个开源模型得分集中在 89.9%-93.8%，差距仅3.9%，无法区分能力高低。
- OpenBioRQ核心题：同一批模型得分从 3.5%到26.6%，差距达7.6倍。
- 反直觉结果：MedQA得分最高的Qwen3.5-397B（93.8分），在OpenBioRQ上被得分91.0分的GLM-5.1超越。传统考试成绩与真实研究辅助能力相关性极弱。
十、顶尖模型表现：仍有巨大提升空间
测试三个独立前沿模型（未参与核心题定义）：
- 完整657道核心题：
- Gemini-3-Pro: 37.4%
- Opus-4.7: 48.6%
- GPT-5.5: 66.7%
- 严格423道冰冻核心题：
- Gemini-3-Pro: 28.8%
- Opus-4.7: 37.8%
- GPT-5.5: 59.6%
即使是表现最好的GPT-5.5，仍有超过1/3的核心难题无法解决。基准具备足够区分度，且未被最强模型“打穿”。
十一、系统性问题：“错误引用”并非偶然
- 核查一致性：使用GLM-5.1和Opus-4.7独立核查，Cohen's kappa系数达 0.755（强一致）。
- 错误引用率：
- 主评判工具：15.9%
- 独立验证工具：10.6%
- 模型差异：
- DeepSeek-V4 & Qwen3.6：引用存在率极高（>99.6%），但真实引用中分别有 13.1%和 20.2%指向错误论文。
- GLM-5.1：引用存在率仅84.7%，编造较多（主要是NCT注册号），但因总数少，影响有限。
- NCT编号更危险：NCT编号错误率（20.3%）高于PMID编号（13.0%）。
- 随机散布：错误引用与“必须引用”标准通过率无显著关联（风险比1.07），说明错误随机散布在看似正规的回答中，难以通过评分机制间接解决。
十二、警示：AI合成的“黄金答案”同样存在引用错误
在构建OpenBioRQ时，研究者用AI生成了“参考答案”以辅助制定评分标准。核查发现：
* 引用存在率：接近 100%。
* 内容支持率：约 74%的引用指向的论文不支持对应声明（主评判73.5%，独立评判72.8%）。
结论：若将AI合成答案视为标准答案，会将大量“看似有引用、实则错误”的信息传播。因此，OpenBioRQ完全不使用参考答案进行评分，仅作为制定标准的参考文本。
十三、研究局限性
研究者坦诚列出了以下局限：
- AI评判的偏差：所有引用核查由AI完成，仅有一次非专家人工抽样（50条）。人工识别出12%错误，AI识别出22%-36%。AI可能存在过度标记，实际错误率可能低于15.9%；但也可能人工被“主题相关但内容不符”的论文欺骗，实际错误率更高。需领域专家进一步验证。
- 核心题稳定性：核心题选定对解码参数敏感，34.7%的边界题目状态改变。研究者仅报告确定性清单，不声明其绝对稳定性。
总结
这项研究的核心贡献在于追问：AI给出的真实引用，有多少是“挂羊头卖狗肉”的？
答案令人担忧：约 1/6的真实引用指向的论文并未提及AI所主张的医学观点。这种隐蔽的错误比假链接更难发现，因为链接本身是真实的、专业的。
对用户的启示：
* 验证“引用存在”已不够，必须核查“引用内容是否支持断言”。
* 这是一个更费力的步骤，但跳过它的代价是肉眼难辨的错误。
* 智能代理在最需要工具的难题面前，可能表现出“代理崩溃”，放弃检索。
资源公开：
OpenBioRQ 基准已公开发布，包含题目来源、评分清单、工具调用回放及423道冰冻核心题清单。
* 论文及代码链接：arXiv:2606.21959
Q&A
Q1：OpenBioRQ和MedQA这类医学考试测试有什么本质区别？
A：MedQA等传统测试使用有标准答案的题目，AI可通过记忆答案和对应引用通过测试，无需真正检索或验证文献。OpenBioRQ使用真正无答案的开放性问题，迫使AI必须真实检索和推理，从而暴露错误引用、工具使用失效等实际工作中的问题。
Q2：AI的引用真的存在但内容对不上，这种问题有多严重？
A：在Upstage AI审查的4,863条引用中，仅0.7%为假引用，但在真实引用中，15.9%（独立验证为10.6%）指向的论文不支持AI的断言。这类引用因链接真实、外观专业，极易误导读者，比假链接更危险。
Q3：生物医学AI智能代理使用工具是否真的能提升回答质量？
A：测试显示工具收益有限。GLM-5.1封锁工具后得分微升；GPT-5.5有/无工具得分差距小。尤其在难题上，模型常放弃工具，退化为基础问答模型。这表明当前智能代理在最需要检索的场景下，最不擅长使用工具。
本文地址：https://www.dr-wine.com/html/616f11099273.html
版权声明
本文仅代表作者观点，不代表本站立场。
本文系作者授权发表，未经许可，不得转载。