大型语言模型在临床数感方面的鲁棒性如何？一项关于临床背景下数值推理能力的实证研究

大型语言模型（LLM）正被探索用于临床问答与决策支持，但其安全部署亟需可靠处理异构临床笔记中的患者测量数据。现有评估多局限于算术计算，缺乏对格式鲁棒性的考察。本文提出 ClinicNumRobBench 基准，包含 1624 个实例，评估数值检索、算术计算、关系比较及聚合四类临床数感能力。通过在三种语义等价表示（含真实笔记风格）上测试 14 个模型，发现检索表现良好，但比较与聚合极具挑战。此外，医学微调可能削弱数值能力，且模型对笔记格式变化敏感。该基准为临床可靠的数值推理提供了严格测试平台。