編輯丨王多魚

排版丨水成文

在醫(yī)療人工智能快速發(fā)展的當下，GPT-4、Med-PaLM2 等大型語言模型在醫(yī)學(xué)問答與考試中不斷刷新紀錄，展現(xiàn)出接近人類的認知能力。然而，單一模型固有的“黑箱”局限、缺乏多視角校驗的推理機制，已成為其在真實、高風(fēng)險臨床場景中安全落地的關(guān)鍵瓶頸。如何讓 AI 像多學(xué)科專家會診一樣，實現(xiàn)交叉質(zhì)證、協(xié)同決策，是醫(yī)療 AI 走向可信、可靠必須跨越的科學(xué)鴻溝。

2026 年 1 月 5 日，中國醫(yī)學(xué)科學(xué)院基礎(chǔ)醫(yī)學(xué)研究所龍爾平團隊與北京大學(xué)基礎(chǔ)醫(yī)學(xué)院萬沛星團隊合作（中國醫(yī)學(xué)科學(xué)院基礎(chǔ)醫(yī)學(xué)研究所博士生孫欣提、洪奇陽為論文共同第一作者），在Cell Reports Medicine期刊在線發(fā)表了題為：Model confrontation and collaboration: a debate intelligence framework for enhancing medical reasoning in large language models 的研究論文。

該研究提出了“模型對抗與協(xié)作”（Model confrontation and collaboration，MCC）框架，推動醫(yī)療 AI 從“單點智能”邁向“協(xié)同推理”的范式躍遷，通過構(gòu)建可辯論、可追溯、動態(tài)協(xié)作的模型圓桌，從根本上促進了醫(yī)療 AI 向可靠、可解釋、可協(xié)作的下一代形態(tài)演進。

MCC 框架：模型對抗與協(xié)作

在這項最新研究中，研究團隊提出了“模型對抗與協(xié)作”（Model Confrontation and Collaboration，MCC）框架，將不同的大型語言模型組合成一個動態(tài)的、具備“推理-行動-反思”的圓桌式智囊團。MCC 引入共享的“上下文工作區(qū)”（shared context）：將問題、已生成的候選答案、關(guān)鍵證據(jù)點與各模型的立場變化以結(jié)構(gòu)化方式寫入同一上下文記憶，并在每一輪辯論中保持對完整對話歷史的可見性，從而確保批判與修正始終基于同一事實與語境。

其核心流程可概括為——

第一步，獨立推理（Reason）：GPT-o1、Qwen-QwQ、DeepSeek-R1 在同一問題上并行生成答案與關(guān)鍵論證點；隨后引入分歧門控（Gate）：系統(tǒng)/主持 LLM 對候選答案進行一致性檢測，僅在出現(xiàn)分歧時激活辯論，從源頭控制額外計算開銷。

第二步，對抗辯論（Debate as Action）：進入多輪消息傳遞，每輪中模型執(zhí)行“質(zhì)疑-舉證-反駁-修正”四類動作，圍繞共享上下文中的證據(jù)缺口與推理斷點開展交叉驗證：定位論證中的跳步、證據(jù)不足或概念混淆，進一步補充指南、機制與鑒別診斷依據(jù)；隨后進行自我反思，審計自身推理鏈與關(guān)鍵假設(shè)，并以可解釋方式更新立場與結(jié)論。

第三步，共識優(yōu)化（Consensus Optimization）：每輪結(jié)束后進行共識判定與早停；若三輪內(nèi)仍不收斂，則以多數(shù)投票作為保底輸出策略。與傳統(tǒng)“靜態(tài)集成/硬投票”不同，MCC將多模型互補性顯式轉(zhuǎn)化為“基于上下文的迭代糾錯”協(xié)作過程，使異構(gòu)模型在知識覆蓋與推理偏好上的差異得以用于錯誤定位與證據(jù)對齊，從而顯著提升難題場景下的收斂質(zhì)量與輸出穩(wěn)定性。

MCC 在 MedQA 基準上的表現(xiàn)與決策動態(tài)

多項醫(yī)學(xué)基準測試獲得 SOTA 表現(xiàn)

MCC 在多項代表性醫(yī)學(xué)基準上展現(xiàn)出一致而穩(wěn)定的性能：在 MedQA 上取得 92.6%（±0.3）的平均準確率，并在多次獨立運行中顯示出穩(wěn)定性。PubMedQA 達到 84.8%；在 MMLU 醫(yī)學(xué)子集中覆蓋遺傳學(xué)、解剖學(xué)等多個科目，整體維持 90%+，并在其中五個科目獲得 SOTA 表現(xiàn)。

更重要的是，MCC 不僅在“常規(guī)題”上提升準確率，也在“更難、更接近真實風(fēng)險”的評測中保持穩(wěn)?。涸?MedXpertQA 上準確率約 40%，在該基準的對比評測中表現(xiàn)位居前列。在 MetaMedQA 中能夠識別不確定或無明確標準答案的情形并給出“未知/需補充信息”的保守處理，體現(xiàn)出更強的元認知邊界管理能力。此外，在 RABBITS 魯棒性測試中，面對藥物商品名與學(xué)名的混用與替換，MCC 性能幾乎不受影響，顯示其對臨床語言變體具有更強的泛化與穩(wěn)定性。

長文本問答：綜合回答水平更高

在開放式長問答任務(wù)中，研究團隊使用 MultiMedQA 基準并邀請醫(yī)生與非專業(yè)評審開展雙視角盲評，以評估模型在真實醫(yī)療咨詢中的綜合表達與建議能力。結(jié)果顯示，MCC 在所有維度上均優(yōu)于 GPT-o1、Qwen、DeepSeek-R1 以及 Med-PaLM2：醫(yī)生評審的 12 項指標中，MCC 在病情要點提取、推理正確性與偏差控制等關(guān)鍵維度提升 8–12 個百分點且錯誤內(nèi)容率更低；在另一組 9 項綜合質(zhì)量指標中，其缺陷率下降 3%–9%，一致性與知識覆蓋更為穩(wěn)定。進一步在 HealthBench 上，MCC 在與臨床專家共識對齊的任務(wù)中取得 92.1 的綜合評分，并在更高難度的 HealthBench Hard 中保持領(lǐng)先，體現(xiàn)出在復(fù)雜場景下的穩(wěn)健性與安全性優(yōu)勢。

開放式醫(yī)學(xué)問答輸出的多維度評估

模擬診斷對話：對話版“診療小組”

為評估 MCC 在交互式診療場景中的能力，研究團隊構(gòu)建了類醫(yī)學(xué)院 OSCE 的模擬病例對話測試：模型作為醫(yī)生與模擬患者實時交互，在完成病史采集后給出診斷與鑒別診斷。結(jié)果顯示，MCC 在病史采集階段平均可捕獲 80% 以上的關(guān)鍵患者信息點；在 16 個病例中，有 14 例的信息覆蓋率超過 80%，而單一模型在同等標準下難以穩(wěn)定達到該水平。與此同時，MCC 提出的問題與患者主訴的相關(guān)性更高（多數(shù)病例>80%），提示其問診路徑更聚焦關(guān)鍵線索、減少遺漏。在診斷結(jié)論階段，在 15 個可判定病例中，MCC 的首選診斷正確率達到 80%（12/15），并在鑒別診斷的完整性上呈現(xiàn)優(yōu)勢。典型案例是一位 56 歲女性出現(xiàn)多飲多尿、乏力與體重下降，既往以 2 型糖尿病處理但血糖控制不佳。辯論過程中，模型間交叉質(zhì)詢促使補問胰腺相關(guān)病史與上腹痛向背部放射等線索，進而將診斷從“糖尿病本身”推進至“胰腺腫瘤相關(guān)繼發(fā)性糖尿病”的更深層解釋，體現(xiàn)出“圓桌式會診”對關(guān)鍵線索召回與深入診斷推理的促進作用。

MCC 在診斷對話任務(wù)中的表現(xiàn)

展望與意義

這項研究表明，多模型對抗與協(xié)作可作為醫(yī)療推理能力增強的一種通用范式：在不引入額外任務(wù)訓(xùn)練與外部知識庫的條件下，借助結(jié)構(gòu)化辯論將不同模型的知識覆蓋與推理偏好差異顯式用于交叉核驗、證據(jù)對齊與錯誤糾偏，從而提高復(fù)雜問題上的推理收斂質(zhì)量與輸出穩(wěn)定性。需要強調(diào)的是，MCC 并非替代醫(yī)生，而是提供多角度論據(jù)與可追溯的辯論日志，幫助臨床人員降低漏診誤判風(fēng)險并提升決策透明度，同時亦具備教學(xué)示范意義。面向臨床應(yīng)用，仍需進一步推進與電子病歷及檢查結(jié)果的端到端集成、對不確定/沖突信息的處理策略，以及隱私合規(guī)與計算成本控制，使其能夠以安全、高效的方式融入真實工作流。

論文鏈接：

https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(25)00620-2