我可以再服一剂吗？评估非处方药剂量问答中 LLM 在时间不确定性下的决策能力

大型语言模型常被用于回答日常健康问题，如非处方药（OTC）的再次服用安全性。然而，现有医学问答评估鲜少涉及此场景，该场景需追踪给药时间、计算滚动 24 小时摄入量并遵循标签约束。本文提出 DOSEBENCH，包含 81 个精心策划的对乙酰氨基酚和布洛芬使用场景及人工标注金标准。通过评估四个模型在多次运行中的表现，发现模型在处理滚动窗口推理和模糊案例时经常失败，且看似自信的回答仍可能违反剂量约束。研究表明，OTC 剂量问答是评估医疗领域时间推理、约束遵循及安全不确定性处理的有效测试平台。