证据医学要求严格的逻辑一致性，但现有对大语言模型（LLM）的评估往往只看标签匹配，忽视真实推理。为此我们构建了 LogiMed‑RoB 基准，基于 Cochrane 风险偏倚（RoB）2.0 的专家逻辑，收录 860 例随机对照试验（RCT）和 14,820 条查询。
LogiMed‑RoB 采用层次逻辑一致性（Hierarchical Logical Consistency, HLC）框架，分别测量四个维度：原子一致性（Atomic Consistency）、领域一致性（Domain Consistency）、聚合一致性（Aggregation Consistency）以及证据忠实度（Evidential Faithfulness）。
在 10 种主流 LLM 上的实验揭示了 错误叠加效应：最高模型的原子一致性可达 98.88%，但端到端一致性骤降至 45.13%；若干开源模型甚至接近 0%。进一步分析发现 证据‑推理鸿沟：即使模型检索到高质量证据，仍有 18.63%‑40.05% 的情况推导出错误结论，盲猜率高达 48.28%。
这些结果表明，仅凭结果准确率难以发现关键的推理缺陷，临床部署必须加入白盒式的逻辑验证。
点评