医疗知识持续更新，而大语言模型的参数知识在训练时固定。外部检索（如RAG）可以引入最新证据，但检索结果可能无关、不完整或相互冲突，导致模型输出的事实准确性下降。
为此我们提出 CLEAR，一个面向医学的跨源证据裁决框架。框架首先从三条互补路径独立生成候选答案：模型内部的参数知识、本地精心整理的语料库以及动态检索得到的最新文献。
随后聚合验证器同时评估这些候选答案、对应的证据、来源信息以及来源质量，识别不同来源之间的一致性和冲突。
裁决模块在此基础上决定是否保留当前结论或进行修正，采用覆盖保护（override‑guard）和挑战审计（challenge‑audit）两种机制。若仍有未解决冲突，则触发针对性的后续检索并重新裁决。
该框架实现了对多源证据的系统化调和，提升了医学 LLM 的事实可靠性和证据可追溯性。点评