MedMeta：用于评估大语言模型从医学研究中合成荟萃分析结论的基准

针对大语言模型在高阶推理（如多源证据综合）能力的不足，本文提出 MedMeta 基准，评估模型仅凭摘要生成医学荟萃分析结论的能力。该基准包含 81 篇荟萃分析，采用检索增强生成与纯参数两种工作流。验证显示自动评估与人类专家高度一致。研究发现信息 grounding 至关重要，RAG 显著优于内部知识；但所有模型均无法识别否定证据，且在理想 RAG 条件下表现仅略高于平均水平，表明构建稳健 RAG 系统比单纯模型微调更具前景。