关注罕见病例：能否通过诊断推理可靠地诊断罕见皮肤病？

大型视觉语言模型（LVLM）在皮肤科表现优异，但其在罕见病诊断推理方面的评估尚属空白。现有基准仅关注常见病及最终准确率，忽视了关键的临床推理过程。本文构建 DermCase 基准，包含源自同行评审病例报告的长上下文多模态数据，提供逐步推理链。通过新提出的相似度指标评估 22 个主流模型，发现其在诊断准确性与临床推理上存在显著缺陷。实验表明指令微调可显著提升性能，而直接偏好优化增益有限，揭示了当前模型推理能力的局限性。