这篇于2026年6月16日提交的arXiv论文（arXiv:2606.18471，属于计算与语言cs.CL领域）由Hongbo Du等三位作者完成，聚焦于一个在临床文本处理中长期被忽视却至关重要的安全隐患：大语言模型在摘要、改写等任务中是否能够正确保留诊断的不确定性表达。随着LLM被越来越多地引入临床工作流程，既往研究大多只评估生成文本的流畅性与连贯性，却很少检验模型是否忠实维持了原文所传达的证据强度。然而在真实临床实践中，诸如“possible pneumonia（可能的肺炎）”这样的措辞并非可有可无的修辞，它直接反映了当前证据的强弱程度，并据此指导后续检查与治疗决策。一旦这种不确定性表达被改变，例如把“可能”写成“确诊”，临床含义就可能被完全改写，进而带来误诊或过度治疗的风险。
为系统性地研究这一问题，作者分两个步骤展开工作。第一步，他们构建了一个专门的基准数据集，包含1,200份临床文档，并在其中标注了9,184处不确定性标注，覆盖从最不确定到最确定共五个层级，从而能够细粒度地衡量模型对诊断不确定性的保持能力。第二步，研究团队在该基准上对三个大语言模型进行了评测，观察它们在处理临床文本时是否忠实保留了原始的不确定性线索。
评测结果揭示出两个值得警惕的问题。其一，LLM对原始不确定性线索的保留表现很差，很多时候保留率不足一半，也就是说模型经常会削弱、消除或改变原文中表达证据强度的措辞。其二，即便是在相邻的不确定性层级之间，模型也难以做出细致区分，容易把“很可能”与“确定”等接近但临床意义不同的等级混淆。作者指出，这种失效模式无法被标准的流畅度与连贯性评估指标所捕捉，因此常规评测可能会让临床部署方误以为模型表现良好。
该研究的贡献不仅在于揭示了这一具体的失败模式，还在于为LLM在临床工作流程中的安全部署提供了启示：在将语言模型用于临床文本摘要或修订时，需要专门针对诊断不确定性的保持能力进行评估与监控，而不能仅依赖通用指标。论文提供了PDF与实验性HTML全文，并可通过其DOI（10.48550/arXiv.2606.18471）引用，提交历史显示首版于2026年6月16日20:30:53 UTC上传，文件大小约729 KB。