待验证50% 置信事实精确时间

一项聚焦AI临床病历的研究发现LLM裁判擅长验证信息的存在性，却难以发现信息缺失，研究者将此现象命名为遗漏盲区（Omission Blindness）

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

LLM裁判的遗漏盲区：擅长查错却难以发现信息缺失

涉及实体

遗漏盲区concept LLM-as-a-Judgeconcept

相关事实

待验证若AI遗漏患者的药物过敏史、既往病史或用药剂量等关键信息，LLM裁判很可能毫无察觉，反而给出内容准确、无幻觉的高分评价74% 相似待验证大模型的幻觉问题在医疗场景中可能带来严重后果，AI输出结果必须经过临床验证，不能替代医生的专业判断66% 相似待验证对于患者端医疗AI摘要产品，缓解幻觉风险的策略包括保留原始音频供回溯验证、对数字和药名进行实体识别校验、标注低置信度段落、声明摘要仅供参考63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/909749

API

curl https://kongchang.com/api/v1/knowledge/claims/909749

MCP

get_claim(id=909749)