ECG-Reasoning-Benchmark：评估心电图解读中临床推理能力的基准

尽管多模态大语言模型（MLLM）在心电图自动解读中表现 promising，但其是否真正执行逐步推理仍不明确。为此，本文提出 ECG-Reasoning-Benchmark，这是一个包含超 6400 个样本的多轮评估框架，旨在系统评估 17 种核心心电图诊断的逐步推理能力。对最先进模型的评估显示，其在执行多步逻辑推导方面存在严重缺陷：虽具备检索临床标准的知识，但维持完整推理链的成功率极低（仅 6%），主要失败于无法将心电图发现与实际视觉证据对应。结果表明当前 MLLM 绕过了真正的视觉解读，暴露了现有训练范式的缺陷，强调了构建以推理为中心的医疗 AI 的必要性。