医疗 LLM 基准为何在部署时失效：CMU 提出 BenchmarkCards 框架

CMU 研究指出医疗 LLM 基准的评估与部署存在 61 个百分点差距，根源是评估协议中隐含的任务与结果两类假设在真实场景中不成立。研究将差距拆解为查询分布 12 点、交互类型 19 点、决策中介 30 点，并提出 BenchmarkCards 框架显式化这些假设，配合分阶段评估判断基准结果能否迁移到部署。