大型語言模型（LLM）在臨牀決策支持中的應用日益廣泛，但多數評估僅以英語進行，其在其他語言中的可靠性尚不明確。一項由Adrien Bazoge等人發表於arXiv（ID: 2605.19173）的最新研究系統比較了英語與法語提示對五種LLM診斷推理能力的影響，揭示了語言因素在臨牀AI性能中的關鍵作用。
研究團隊選取了o3、DeepSeek-R1、GPT-4-Turbo、Llama-3.1-405B-Instruct及BioMistral-7B共五款模型，使用180個覆蓋16個醫學專科的臨牀案例進行測試。兩名醫生採用18分量表，從診斷準確性和推理質量兩個維度對模型輸出進行評分。結果顯示，除o3外，其餘四款模型在英語提示下的得分顯著高於法語，平均差異介於0.37至0.91分（調整後p值<0.05）。這種語言差異體現在推理的多個方面，包括鑑別診斷的全面性、邏輯結構的嚴謹性以及內部一致性。
值得注意的是，o3是唯一未表現出語言效應的模型，提示其可能具備更強的跨語言推理能力。研究人員指出，當前LLM的訓練數據仍以英語為主，這可能導致非英語提示下性能下降。該發現對全球範圍內LLM的公平部署具有重要啓示：若僅依據英語評估結果推廣至其他語言地區，可能高估模型的實際臨牀價值，尤其是在醫學專業術語和表達方式差異顯著的語境中。
研究建議未來LLM的臨牀評估應納入多語言測試，並開發針對特定語言優化的提示策略。此外，模型開發者也應關注訓練數據的語言多樣性，以提升跨語言臨牀決策支持的可靠性。該項工作為AI在醫療領域的語言公平性研究提供了關鍵實證。