Med-StepBench：用于评估医疗视觉 - 语言模型幻觉的分层推理框架

大型视觉 - 语言模型（VLM）在医疗图像理解中表现优异，但常生成看似合理却错误的陈述，引发安全隐患。现有基准多关注二维图像的单次诊断，难以揭示定位与异常识别中的推理错误。本文推出 Med-StepBench，首个针对 3D 肿瘤 PET/CT 的大规模逐步幻觉检测基准，包含超 1.2 万张图像及百万级图像 - 陈述对，将临床推理分解为四个专家设计的阶段。评估揭示了聚合指标掩盖的系统性失败模式，并发现当前 VLM 易受对抗性中间解释影响，显著放大幻觉。