大型语言模型（LLM）正被用于临床决策支持，医学选择题是评估其能力的典型场景。题目选项往往证据重叠，只有少数关键因素能区分正确与错误。现有检索或推理方法侧重提供广泛知识或推理路径，未能捕获区分混淆选项的紧凑差异证据。本文提出基于检索的差异证据框架，针对每个选项抽取专属的差异证据片段，并将其组织为简洁的证据提示用于答案选择。该设计使外部知识更好地服务于差异推理，同时削减无关上下文。实验在多个数据集和目标 LLM 上均实现了稳定的准确率提升。消融实验表明，框架优于直接使用检索块或闭源 LLM 生成的通用提示，且提升并非仅来源于答案邻近的引导，而是差异证据作为紧凑的竞争选项推理辅助。研究还为医学推理及其他多选决策场景提供了启示。
点评：差异证据的提取与组织展示了将检索与推理深度结合的有效路径，对提升 LLM 在医学多选题中的表现具有重要意义。