决策语言模型：临床生成式 AI 评估的低成本快速评判替代方案

研究比较了返回结构化判断的决策语言模型 Jev 与前沿及开放权重 LLM 评判器在四类临床场景中的表现。在 118 份儿科回答上，Jev 与医生序数质量评分的一致性（Gwet's AC2 0.50）达到或超过 12 个 LLM 评判器中的 7 个，包括 Claude Opus 5.5 和 GPT-6。在 HealthBench 二元标准上，Jev 达到或超过 6 个评判器中的 4 个。前沿评判器成本是 Jev 的 73 至 294 倍，耗时是 7 至 57 倍。

此前临床 AI 输出评估多依赖大模型作为自动评判器，规模化使用时成本和延迟较高。该研究显示，专用决策语言模型在多项一致性指标上接近或超过部分前沿通用模型，同时成本与耗时显著更低，为大规模临床评估提供了新的可选路径。

Jev 不生成自由文本，而是直接返回结构化判断，减少了长文本生成与解析开销，从而降低单次评判成本与延迟。其评判能力来自针对决策任务的专门化，而非通用对话能力；证据显示这种专门化在部分临床评分任务上可逼近通用大模型的评判一致性。

对临床 AI 产品团队而言，可将批量输出质量监控从高成本 LLM 评判改为结构化判断模型，降低评估环节的算力预算与等待时间。研发流程中可提高自动化回归测试频率，但需先在与自身病种和评分量表匹配的数据上验证一致性。

• 在临床问答或病历生成产品的离线评测流水线中，引入结构化判断模型替代部分 LLM 评判调用，先做小样本一致性对比再逐步放量。
• 面向医院或临床 AI 供应商，提供按病种定制的低成本批量质量评估服务，以医生评分一致性作为验收指标。
• 将评判模型嵌入产品发布前回归测试，设置一致性阈值门禁，降低每次模型迭代的评估成本。

• Jev 在儿科以外的科室与语言环境下的一致性是否仍然成立？
• 结构化判断模型对自由文本临床建议的细微错误是否同样敏感？
• 研究中的成本与耗时对比是否覆盖全部四类场景，长期运行稳定性如何？
• Jev 与医生评分的一致性绝对值 0.50 是否足以支撑高风险临床决策场景？