ClinicalBench：针对 MIMIC-IV 跨入院临床问答的断言感知检索压力测试

现有推理基准多基于清洁输入，本文评估推理前的关键步骤：在包含否定、时态及归属混淆的真实电子病历中进行检索。提出 EpiKG，为知识图谱事实添加断言标签与时态标记，并按问题意图路由检索。构建 ClinicalBench 基准，涵盖 43 名患者的 400 个问题。实验显示，相比密集检索基线，该方法在六种大模型上显著提升准确率（+8.84%），且医生评审发现自动生成的参考答案存在高缺陷率，强调人工评审必要性。