临床大模型的安全收益取决于评测裁判，且会产生模型特定的有用性代价

该研究在Real-POCQi、HealthBench和MedRBench的1,200个配对样本上，测试证据充分性提示对GPT-5.5、Claude Opus 4.8、Gemini 3.5 Flash和Grok 4.3的影响。主要裁判判定不安全过度自信率由49.3%降至24.7%，但换用Claude Sonnet 5后效果近半；正确诊断率也由80.3%降至50.3%，且不同模型代价差异显著。