随着大语言模型（LLM）在临床环境中的使用日益增多，评估其在真实文本变异下的可靠性变得至关重要。本文聚焦临床分诊任务，将LLM的推荐与执业医师在保持临床情境不变的文本扰动下进行比较。我们构建了一个基准，包括超过6000个临床场景、7000条医师标注以及225000条模型响应。实验得到两点主要结论：其一，在原始输入下，LLM比医师更倾向于推荐不必要的检查或治疗，并且在文本被扰动后这种倾向进一步加剧；其二，LLM的推荐对性别和语气的扰动更为敏感，而医师的建议相对稳健。这表明LLM会因临床无关的文字变化而产生不同的决策，强调在实际部署前必须基于专家医师行为进行面向应用的评估。点评