返回项目列表
证据链质量治理产品判断

受控评测与证据呈现原型· 2026

MedMirror

把模型差异整理成可复核的实验记录

在限定范围内保留模型原文、引文、失败和待复核项,探索怎样谨慎地解释实验。

Agent Tools原型验证
MedMirror cover

案例摘要

目标用户

希望核对模型输出差异、运行条件与结论依据的研究和 AI 应用构建者。

我的角色

围绕评测问题、范围与证据标准,与协作者和 AI 工具推进实现、检查与复盘。

交付结果

历史记录保留受控运行、原文与证据视图;人工定标及专业复核尚未完成,现有观察不构成临床结论或医疗建议。

原文与引文关联失败单列复核边界

产品洞察

不同的模型回答只是观察的起点。实验条件、截断与失败、引文归属以及人的复核,都决定了结论究竟可以说到哪一步。

项目简介

围绕合成病例的模型回答设计受控评测,保留运行记录、原始回答、逐字引文与单页证据视图。当前展示评测方法与工程边界,人工定标和专业复核尚未完成,不输出医学偏见结论。

技术栈

PythonJSONLpytestHTML

结果证据

2026-10-26 只读核对 README、历史运行与项目状态说明;本轮未重跑模型、测试或医学评估。

历史实验使用合成病例,保留模型回答、截断与追问记录,不能推断真实临床效果。

人工定标与专业复核尚未完成;工程测试和原文可定位不能替代语义与医学判断。

关键决策

Q

把截断、失败和完整回答混在一起比较,会让结果失去清晰的解释范围。

保留每次运行的条件和状态,将失败与截断单列,再回到原文核对观察。

Q

可定位的引文可能被过度解释成已经验证的研究结论。

区分原文、机器提取和人工判断,尚未定标的内容保持待复核。

想看完整的代码和实现细节?

在 GitHub 上查看