指南注入实测 · V5（四模型同尺对比）

验证假设：医生把专业临床指南发给大模型 → 模型据此制定更准确的后续治疗方案。
四个模型同一起跑线、同一套题、同一把尺子、同一种配对设计。

一句话结论
在完全统一的评分标尺下，注入 2026 CBCS 指南后，四个模型的提升幅度高度一致——+6 ~ +10 分，没有任何一个模型出现"被指南救活"的戏剧性跃升。指南的作用是稳定的细节精校（AI 疗程不延长、免多基因检测、CDK4/6 无指征、随访间隔），而不是能力补足。指南无法修正模型对病例本身的误读（把"全切"误读为"保乳"→错荐放疗、把"3簇间质浸润"误读为"脉管瘤栓"→错判中危）。

0. 实验设计（四模型完全对等）

四个模型采用完全相同的设计：同一乳腺癌病例、同一简化指令、3 次独立运行、同一会话内前后配对（第 1 轮不给指南 → 第 2 轮注入 2026 CBCS 指南原文），唯一变量 = 是否注入指南。每个模型取中位分。没有对照组、没有参照系、没有任何模型被预设为强或弱。

模型	3 次运行 (session)	接口	配对方式
DeepSeek V4 Pro	819362bf · 5c76ec53 · 38e99fc1	agent	会话内前后配对
DeepSeek V4 Flash	c59c18d0 · 5020ef10 · 7582ed5c	agent	会话内前后配对
智谱 GLM 5.2	657a0e42 · d61d6459 · 5c9b823d	agent	会话内前后配对
Kimi K2.6	1d51fbee · ca275469 · 55a7cc11	agent	会话内前后配对

本版方法学修正：全系列统一到唯一评分表
本系列早期文章曾并行使用过两套评分表——临床基准框架的 16 项 / 100 分表，以及一套 10 项 / 100 分简化表。两套表不可相互比较，也不可混在同一张榜上排名：

10 项表里单独有一项"引用指南具体章节页码"占 12 分——在不给指南的裸测中，任何模型都只能得 0 分，等于全场统一扣 12 分。
10 项表的"骨保护 10 分""间质浸润归类 10 分"等权重，与 16 项表的条目无法一一对应。
由此产生的跨表分差是量表造成的假象，不是能力差距。凡基于跨表相减得出的结论一律撤回。

本版四个模型全部从原始会话记录重新提取回答，用同一份 16 项表重新打分，任何模型都不设对照组、不做特例处理。

1. 评分方法（唯一标尺 · 四模型一致）

工具：临床基准框架 clinical-benchmark/framework 的 16 项 / 100 分 Rubric，四个模型使用同一份。
统一上限 90：本实验的简化指令未要求"手术合理性 + ALND（2.1，8 分）"与"自我评估 + 不确定性（5，2 分）"，因此这两项在全部四个模型、全部 24 段回答中一律记 0——满分上限 90，无一例外。其余 14 项按实际作答给分（含 4.4 对侧乳腺 + BRCA，未作答记 0）。
核心题：3.2a「内分泌必要性与全切/保乳差异」12 分（须同时答出必要性与术式差异，只答必要性最高 8 分）；3.2b「AI vs TAM + 年龄切点」10 分。
关键判定锚点：浸润灶取最大单灶 0.2 cm → pT1a（非 0.6 cm DCIS 总体径线 → pT1b）；Tis 必须否决；低危 Luminal A → 豁免化疗 / AI 5 年 / 免放疗 / 不延长 / 无 CDK4/6 指征。
配对与统计：同一会话的基线段与指南段用同一把尺子分别打分；每模型 3 次运行取中位数，提升 = 指南中位 − 基线中位。

2. 全量评分矩阵（四模型 · 同尺 · 中位）

模型 / 样本	无指南基线	有指南增强	提升	残留问题（指南未修正）
DeepSeek V4 Pro（中位 60 → 67，+7）
819362bf	58	67	+9	T 分期用 0.6cm→pT1b（应 pT1a）；未做 3.2a 全切/保乳区分
5c76ec53	60	66	+6	全切误读为保乳 → 错荐放疗（两轮均错）
38e99fc1	66	71	+5	T 分期仍 pT1b；指南主要补"延长→不延长"细节
DeepSeek V4 Flash（中位 62 → 68，+6）
c59c18d0	62	53	−9	"3簇间质浸润"误读为"脉管瘤栓3灶"→错判中危；指南轮反而考虑化疗
5020ef10	72	76	+4	pT1a 正确；指南修正"延长 7-10 年→不延长"
7582ed5c	58	68	+10	T 分期用 0.6cm→pT1b
智谱 GLM 5.2（中位 68 → 76，+8）
657a0e42	72	76	+4	pT1a(mi) 正确；指南修正"延长"
d61d6459	58	67	+9	全切误读为保乳 → 错荐放疗（两轮均错）
5c9b823d	68	82	+14	指南补全核心题 3.2a 区分 + 修正"延长"；T 仍 pT1b
Kimi K2.6（中位 65 → 75，+10）
1d51fbee	0	75	—	基线轮直接拒答（"outside the scope of my capabilities"）→ 稳定性红旗；指南轮漏答抗 HER2
ca275469	65	76	+11	基线未承诺终期；指南轮 pT1a 标签对但推导错（称 0.6cm 属 T1a）
55a7cc11	68	74	+6	T 分期用 0.6cm→pT1b；随访把肿瘤标志物列为常规

Kimi 基线三次为 0 / 65 / 68 → 中位 65；指南三次为 75 / 76 / 74 → 中位 75。取中位正是为了让「1 次拒答」这类离群值不污染结论，同时该拒答仍作为稳定性缺陷单独记录（见第 4 节 ④）。

3. 四模型同尺对比图

全部 8 根柱子用同一条标尺绘制（2.4 px/分，0 = 底部，100 = 顶部），四个模型同一配色、同一权重，无对照组样式。柱高与第 2 节中位分严格一一对应：基线 GLM 68 > Kimi 65 > Flash 62 > Pro 60；指南后 GLM 76 > Kimi 75 > Flash 68 > Pro 67。四条提升幅度落在 +6 ~ +10 的窄区间内。

4. 四个关键失败模式（指南均未修复）

① 全切 → 保乳误读（最危险）
5c76ec53(V4 Pro) 与 d61d6459(GLM) 把"右乳单纯切除"误读为"保乳术"，两轮都据此错荐放疗。指南注入后仍然错（指南反被用来"论证"保乳需放疗）。这违背"全切 + pN0 免放疗"原则——指南解决"按什么治"，修不了"读错术式"。

② 间质浸润 → 脉管瘤栓误读（指南放大错误）
c59c18d0(V4 Flash) 把"3 簇间质浸润 (0.05/0.06/0.2cm)"误读为"LVI 脉管瘤栓 3 灶阳性"，错判中危。基线尚能"不化疗"，指南轮反而依此"可考虑化疗"（62→53，唯一一个不升反降的样本）。指南在此成了错误判读的"背书"。

③ T 分期标签漂移（跨模型普遍）
四个模型都出现过把 0.6 cm（DCIS 总体径线）当 T 分期径线 → 写 pT1b；正确应取 0.2 cm 浸润灶 → pT1a。Kimi 指南轮虽写对 pT1a 标签，推导却是"0.6cm 属于 T1a（≤1cm）"——标签对、依据错。该错误不改变本例治疗决策，但属需医生把关的硬伤。

④ 拒答型稳定性缺陷（Kimi 特有）
1d51fbee 基线轮直接返回 This topic is currently outside the scope of my capabilities，3 次运行中 1 次首轮拒答（33%）。注入指南 PDF 后同一会话恢复正常并给出 75 分答案。这是可用性风险而非能力风险，但在临床场景下同样致命。

5. 回答时间与积分消耗

任务	模型	无指南耗时	有指南耗时	整轮积分 (session 合计)	说明
819362bf	v4-pro	~10s	~60s	12.66	解析 244 页 PDF
5c76ec53	v4-pro	~10s	~55s	13.81
38e99fc1	v4-pro	~4s	~52s	10.57
c59c18d0	v4-flash	~8s	~55s	5.08
5020ef10	v4-flash	~8s	~50s	4.17
7582ed5c	v4-flash	~8s	~55s	4.38
657a0e42	glm-5.2	~10s	~120s	105.72	全场最贵
d61d6459	glm-5.2	~10s	~110s	74.64
5c9b823d	glm-5.2	~5s	~137s	82.37
1d51fbee	kimi-k2.6	~82s	~84s	25.84	基线轮含拒答与重试，耗时失真
ca275469	kimi-k2.6	~5s	~40s	16.43
55a7cc11	kimi-k2.6	~8s	~92s	20.58

成本梯度（整轮 session 合计）：DeepSeek V4 Flash 4–5 分 < V4 Pro 11–14 分 < Kimi K2.6 16–26 分 < GLM 5.2 75–106 分。GLM 约为 V4 Flash 的 15–25 倍，而两者指南后中位分仅差 8 分（76 vs 68）。按"每分钱买到的分数"算，DeepSeek 系列性价比最高；Kimi 居中且分数接近 GLM，是本轮的性价比黑马。耗时上，指南轮因需解析 244 页 PDF 普遍 40–140s，基线轮仅 4–10s。

6. 对"终极测试"设想的最终验证

你的设想——"医生把手头专业指南发给大模型，让它据此制定更准确的后续方案"——在四模型同尺数据下得到如下结论：

维度	结论
提升幅度	✅ 四模型一致 +6 ~ +10 分（Pro +7 / Flash +6 / GLM +8 / Kimi +10）。指南是稳定有效的增强手段，但幅度温和、无戏剧性反转。
提升来自哪里	集中在指南表格能直接查到的规则：不延长内分泌、无 CDK4/6 指征、低危免多基因检测、绝经后 AI 优先、随访间隔。
事实判读层	❌ 指南修不了模型对病例的误读（术式、浸润性质、T 分期）。误读会在指南"背书"下更顽固甚至更错（唯一负增长样本即源于此）。
临床安全	⚠️ 全切/保乳误读导致错荐放疗是真实风险；Kimi 33% 首轮拒答是可用性风险。术式与放疗指征必须由医生最终把关。
选型建议	四模型指南后分数区间仅 67–76，差距小于成本差距（4–106 积分，25 倍）。做"指南增强"工作流，DeepSeek V4 Flash 性价比最优；追求最高分选 GLM 5.2；Kimi K2.6 是分数接近 GLM、成本仅 1/4 的折中选择（需容忍偶发拒答）。

实验结论：在四模型完全对等的设计与唯一标尺下，指南注入是一个可靠但温和的增强器（+6 ~ +10 分），其价值在于把"记忆中的临床规则"替换为"可查证的指南条款"，而不改变模型读病例的能力。
本版撤回的旧结论：上一版基于错误标尺得出的"指南杠杆 = 基线越弱收益越大（Kimi +37）"不成立——那个 +37 是两套评分表相减的产物。在同一把尺子下，四个模型的基线（60–68）与提升（+6~+10）都高度接近，不存在"弱模型被救活"的现象。

数据来源：WorkBuddy 本地 ~/.workbuddy/workbuddy.db（sessions / session_usage）+ projects/*/<session>.jsonl 原始会话记录，全部 24 段回答均从原文提取后人工逐项打分。评分 Rubric：tanhaosheng.asia/clinical-benchmark/framework（16 项 / 100，本实验统一上限 90）。
模型标识说明：Kimi 三次运行在会话记录中的 message 级 model 字段均为 kimi-k2.6。另有 3 次 07-30 的 kimi-k3-1 运行（6e9b135f / 13067526 / 47a56d49）只有基线轮、没有指南配对轮，无法进入本文的"配对提升"实验，故不在本表；其基线回答已按同一份 16 项表重新打分（74 / 78 / 84，中位 78），收录于《全系列统一评分标准》一文的简化指令组（简化指令）基线榜。
本报告为 AI 选型评估，不构成任何临床建议；模型输出不可用于真实患者决策。