⚠️ 利益披露 / Affiliate Disclosure： 本页可能含联盟或推广链接。若通过此类链接注册或订阅，我可能获得佣金——但不会增加你的价格，也不会改变我的独立结论。详见利益披露页。

4 个免费 AI 模型同测一个乳腺癌病例 — 一位外科医生的扩展实测

作者 谭好升 · 副主任医师 / 医学博士 (Associate Chief Physician, MD/PhD) · 甲状腺乳腺外科 (Thyroid & Breast Surgery), 泰州市人民医院 (Taizhou People's Hospital) · 发布于 2026-07-30
🧪 原创实测 #2 / 5  ·  第 2 篇 / 共 5 篇 — 四模型扩展对决
为什么写这篇续作： 我的首测让 DeepSeek 网页快速模式对阵 ChatGLM，用固定的 16 项/100 分标准对照 2026 CBCS 指南评了一个真实的脱敏术后乳腺癌病例。两个模型不够看。读者（也包括我自己）都想知道豆包（Doubao）和新的DeepSeek V4 Pro（跑在 WorkBuddy 智能体里）排在哪里。于是我把同一个病例、同一段 prompt、同一套评分标准在四个模型上各跑一遍，并列摆出来。剧透：四个里只有一个识破了病历里藏着的那个最关键错误——而且不是你以为的那个。

相比第 1 篇，变了什么

病例不变、16 项 prompt 不变、评分标准不变（正确且引用指南=满分；正确但未引=半分；错误=0）。新增两员：

病例（陷阱本身就是重点）

60 岁女性，右乳癌根治术后第 1 天。病理：3 簇间质浸润，最大灶 0.2 cm（2 mm），ER 90%+，PR 90%+，HER2 0，Ki-67 5%。前哨淋巴结阴性（0/2 + 1/1）。出院诊断：TisN0M0（0 期，DCIS）。

陷阱："3 簇浸润、最大 0.2 cm" 本该拉响警报。微浸润定义为单一浸润灶 ≤1 mm；2 mm 已超线 → 至少是 pT1a（IA 期），而非 0 期。任何照单全收"TisN0M0"的模型，都漏掉了病历里最要命的那处矛盾。指南依据：CBCS 2026 TNM 分期 pp.33–34，DCIS 定义 p.50。

结果速览

🟣 DeepSeek V4 Pro（WorkBuddy）
50/100
三次：强 / 强 / 1 次翻车
语言：中文
识破分期陷阱：是
引用指南：0 / 16
🟠 豆包 Doubao（手机版）
41/100
三次：均结构清晰
语言：英文（！）
识破分期陷阱：否
引用指南：0 / 16
🔵 DeepSeek（网页快速模式）
28/100
三次：28 · 28 · 28（中位 28）
语言：中文
识破分期陷阱：否
引用指南：0 / 16
🟢 ChatGLM 5.2（网页版）
5/100
三次：10 · 2 · 5（中位 5）
语言：英文（！）
识破分期陷阱：否
引用指南：0 / 16

16 项评分表（四模型，同一标准）

项目（满分）DS V4 Pro豆包DS 网页ChatGLM
1.1 质疑 TisN0M0（6）3000
1.2 分期修正（10）5000
1.3 分子分型（4）2221
2.1 手术合理性 + ALND（8）4442
2.2 辅助放疗（4）2222
3.1 化疗 + 多基因检测（10）5552
3.2a 内分泌必要性（12）6600
3.2b AI vs TAM + 年龄（10）5500
3.2c 剂量与疗程（6）3331
3.2d OFS / CDK4-6（6）3331
3.3 抗 HER2（4）2221
4.1 不良反应监测（6）3321
4.2 骨密度（4）2221
4.3 随访计划（4）2221
4.4 对侧乳腺 + BRCA（4）2221
5 自我评估（2）1010
合计 / 1005041285

评分规则统一：正确但未引用具体 CBCS 章节/页码的答案封顶半分（这正是冠军也只到 50 的原因——四个模型无一引用指南）。

总排名 —— 四模型，同一病例

四个模型都在同一个第 2 篇病例上、用同一套 16 项/100 分标准评分，因此这个排名是"苹果对苹果"（不存在跨病例的注水）：

排名模型（包装）分数识破陷阱？一句话结论
#1DeepSeek V4 Pro（WorkBuddy 智能体）50 / 100是唯一标出分期错误的模型。但 3 次里有 1 次错荐放疗——不能单独采信。
#2豆包 Doubao（手机版）41 / 100否未识破陷阱的模型里结构最好；但在全中文病例上用英文作答。
#3DeepSeek 网页版（快速模式）28 / 100否极其稳定（28·28·28），但漏掉陷阱与 AI/TAM 年龄细节。
#4ChatGLM 5.2（网页版）5 / 100否3 次里 2 次崩、仅英文、几乎全错。
V2 一句话结论：在本例上，DeepSeek V4 Pro（经 WorkBuddy 智能体）明显最强，但它 1/3 次的放疗错误说明它并未"认证安全"。豆包是黑马亚军。ChatGLM 5.2 不可用。

头条：只有 DeepSeek V4 Pro 识破了陷阱

DeepSeek V4 Pro（WorkBuddy）是唯一标记出分期错误的模型。 它的回答一开头就指出出院诊断"TisN0M0（0 期）"与病理（浸润性癌、浸润灶 2 mm）相矛盾，并修正为 pT1N0(sn)M0 / IA 期——随后整套方案都建立在修正后的分期上。这一处动作值约 16 个评分点，也是"有用的第二意见"与"自信地错"的分水岭。

反观豆包、DeepSeek 网页版、ChatGLM 全都照单全收"TisN0M0"——包括豆包，尽管它是本测的黑马（见下）。对临床医生而言，一个默默背书错误"0 期"标签的模型是最危险的一类失败：它看起来很权威，你未必会再去复核。

DeepSeek V4 Pro —— 赢家，但有一道裂缝

优点：识破分期；正确豁免化疗（还提到 Oncotype DX RS <20/25）；正确豁免全切 + N0 的放疗；给出 AI 5–10 年及具体药名剂量；提示骨密度/维 D 监测；明确自我评估并建议医生修正病历分期。
裂缝——可复现性：三次里有一次错误推荐了术后放疗，还把术式误写成"保乳"，而病历明确是右乳单纯切除（全切）。全切 + 切缘阴性 + N0 本无放疗指征。所以 V4 Pro 并非完全稳定——三次中两次优秀、一次严重出错。我按其实质最优回答计分，但把这点标为真实的可靠性隐患：同一 prompt 可能返回危险的自相矛盾。

豆包 —— 惊喜，但有两个软肋

比预期强：豆包三次回答结构清晰，正确处理了"全切→不放疗"的逻辑，正确豁免化疗，并给出合理的 AI 5 年方案及骨监测。单论临床结构，它轻松超过 DeepSeek 网页版和 ChatGLM。
软肋 1——漏掉陷阱：三次均不问青红皂白接受"pTisN0M0（0 期）"，因此和较弱的模型一样掉进了分期错误。
软肋 2——中文 prompt 用英文答：和首测的 ChatGLM 一模一样，豆包对一个全中文病例用英语作答。对中文临床场景这是可用性减分：术语/剂量上丢细节、重读成本高。（不计入评分 rubric，但作为中文临床使用的硬伤标出。）

四者共同的失分项

四宫格：什么任务选谁

任务选为什么
本例的中文临床推理DeepSeek V4 Pro（WorkBuddy）唯一识破分期陷阱；中文
结构化草稿、偏英文豆包结构干净，但用英语回答
快速问答 / 药品事实DeepSeek 网页快速即时、中文、可复现
读英文文献ChatGLM / 豆包英文输出是它们的强项
分期再判读都不单独用仅 V4 Pro 过关，且不稳定
引用具体指南章节都不行全部 0/16

我实际怎么用这些工具

第一人称、不绕弯：我把免费 LLM 当作草稿与第二意见助手，绝不当决策权威。本轮扩展实测后，实战法则更清晰了：当病例藏着分期或分级陷阱时，只有 V4 Pro 这一档模型值得扫一眼——即便如此，分期我仍自己重推一遍。0/16 的引用率意味着我从不接受"指南这么说"这类主张而不去翻开 PDF。免费模型在无聊的 80%（出院小结草稿、患者解释话术、英文润色）上真有用，在最要命的 20% 上却自信得危险。

局限

📎 完整数据： 公开测试框架（prompt + 16 项 rubric）、四个模型的完整回答、逐项评分表，均存于 临床 LLM 基准数据附录（中英双语）。读长文，然后自己验证。
One-line conclusion (English): Same case, same 16-item rubric, four free models — DeepSeek V4 Pro (WorkBuddy) tops at 50, the only one to catch the "invasive carcinoma mislabeled Tis stage 0" trap; Doubao 41 is the surprise (clean structure, correct no-radiation-after-mastectomy logic, but accepted the wrong staging and replied in English); DeepSeek web 28, ChatGLM 5 carry over. All four scored 0/16 on guideline citations, and V4 Pro contradicted itself once (radiotherapy). None is safe to trust alone.
⚠️ 医疗免责声明： 本文是 LLM 工具对比评测，不构成任何医疗建议，模型输出绝不可用于真实患者决策。病例已脱敏，仅用于演示测试方法。

常见问题

DeepSeek V4 Pro 一定比 DeepSeek 网页版强吗？还是 WorkBuddy 智能体的功劳？

好问题，我暂时无法完全拆开。V4 Pro 是跑在 WorkBuddy 智能体内部的，智能体的系统提示/上下文可能也促成了更好的分期识别。本系列后续我会单独测"裸"V4 Pro（无智能体）来隔离这个效应。

豆包为什么用英语回答？

和首测 ChatGLM 同样的表现——尽管 prompt 与病历全中文，模型默认切到英文。对中文临床使用是真实的可用性减分，不过它没拉低豆包的临床得分（rubric 评的是准确性，不是语言）。

有一次 V4 Pro 推荐了放疗，这不是大错吗？

是，而且严重：全切 + 切缘阴性 + N0 本无放疗指征，那次还把术式误称"保乳"。我按 V4 Pro 实质最优回答计分，但把不一致性显著标出——同一 prompt 既返回优秀方案也返回危险方案。这种不稳定性正是为何此处无一模型获准单独使用。

我能自己复现吗？

能。完整 prompt 与 16 项 rubric 已发布于 /clinical-benchmark/framework.html。粘贴进任意模型，对照 2026 CBCS 指南评分，你就能得到自己的数字。

这是计划中的 5 篇原创实测 / Hands-on Review系列第 2 篇——真实、署名、可复现的 AI 工具实测，皆为我临床与科研中真在用的工具。下一篇：隔离 V4 Pro 的提升究竟来自模型本身还是 WorkBuddy 智能体。