医疗场景用什么 LLM？病历分析 / 文献综述 / 辅助诊断选型

一句话结论

• 能翻墙 + 不计成本 + 要最稳——Claude Opus 4.8（幻觉控制 87.48 全场最高，科学推理 85.3）或 Gemini 3.1 Pro Preview（SuperCLUE 总分 75.73 全球第一，科学推理 82.7）。
• 国内直连 + 综合最强——DeepSeek V4 Pro（国内总分 70.48 第一，科学推理 81.93，输出 $0.87/M），病历分析和文献综述都能打。
• 长文档（整本指南 / 大量病历）——Llama 4 Scout（10M 上下文开源唯一选择）或 DeepSeek V4 Pro（1M 上下文 + 国内直连）。
• 极致性价比（医院批量处理 / 科研团队）——DeepSeek V4 Flash（输出 $0.2/M，国内总分 67.49），日产 100 份病历摘要成本不到 $0.10。

医疗场景看哪五个维度

1. 幻觉控制（最重要）——药名、剂量、禁忌症、诊断标准，编一个就可能造成医疗事故。SuperCLUE 幻觉控制分越高越靠谱。
2. 科学推理——医学不是背公式，是因果推理。从症状到诊断、从检验指标到治疗方案，需要模型有扎实的逻辑链。
3. 长上下文——一份完整病历 5-20 页，一篇医学文献 10-30 页，一本临床指南 200-500 页。上下文 < 100k 的模型连一份完整病历都喂不进去。
4. 国内可用性——医院网络环境通常不能翻墙，国内 API 直连是刚需。海外模型走中转实际价格是官方 1.2-1.5 倍，且稳定性差。
5. 价格扛得住批量——一个三甲医院的科研团队每天处理几百份病历摘要、几十篇文献，output 单价差几毛钱就是几千块差距。

数据来源：SuperCLUE 通用基准（2026-05，2026-07-02T04:24:39.365863+08:00 更新）+ Vectara HHEM-2.3（ 更新）+ 各厂商官方 API 价目表（2026-07-11 复核）。三源独立，未做综合分汇总。

医疗场景综合 Top 10

排序按"医疗权重分"——SuperCLUE 科学推理 40% + 幻觉控制 35% + 总分 25%。这是本场景下的视角排序，不是 SuperCLUE 官方榜。

国内直连档：医院首选

医院网络环境走不了代理，国内 API 直连是刚需。这些模型都能国内直接调用，按医疗场景得分排序：

DeepSeek V4 Pro 是国内医疗场景的综合最优解——科学推理 81.93 国内第一梯队、幻觉控制 79.14 够用、输出 $0.87/M 价格可接受、1M 上下文能吞整本病历。除非你对科学推理有极端要求（比如做罕见病诊断辅助），否则 DeepSeek V4 Pro 是医院起步的最佳选择。

长文档档：整本指南 / 大量病历 / 科研文献

医疗文档的长度很容易超过普通模型的上下文上限。一份完整病历 5-20 页（约 3k-15k token），一篇医学文献 10-30 页（约 8k-30k token），一本临床指南 200-500 页（约 100k-300k token）。下面是上下文 50 万 token 以上的当代模型：

实操建议：能翻墙的科研团队首选 Gemini 3.1 Pro（1M 上下文 + 精确指令遵循 56.19 全场最高，按格式输出最稳）。国内场景首选 DeepSeek V4 Pro（1M 上下文 + 国内综合最强）。Llama 4 Scout 1000 万上下文 + $0.3 输出价是断档便宜，适合需要吞整本临床指南或整批病历做纵向分析的场景，但中文医学术语理解不如商业模型。

极致性价比档：批量病历摘要 / 文献初筛

中小型医院或科研团队每天处理几十份标准化病历、上百篇文献摘要，用模型做初筛——这种场景价格是硬约束。output 单价不超过 $1/M 且 SuperCLUE 总分 60 分以上的国内模型：

DeepSeek V4 Flash 输出 $0.2/M 是批量场景无悬念冠军——日均处理 100 份病历摘要（每份约 3k token 输出）成本不到 $0.03。但科学推理 74.35（估）和幻觉控制 70.90 偏低，必须配人工复核，不能做最终诊断依据。

五个医疗细分场景的具体选型

1. 病历结构化摘要（电子病历后处理）——需要长上下文 + 精确指令遵循 + 低幻觉。首选 DeepSeek V4 Pro（1M 上下文 + 国内综合最强），能翻墙的用 Gemini 3.1 Pro（精确指令遵循 56.19 全场最高，按格式输出最稳）。不要用 reasoning 模型做病历摘要——思维链会让它过度"分析"而非"按模板逐项提取"。
2. 医学文献综述与检索——需要理解医学术语 + 准确引用文献。首选 GPT-5.5（SuperCLUE 总分 74.27，智能体 86.56 最高，做多步检索最稳），国内用 Qwen3.7 Max（阿里生态有医学文献数据库对接）。关键提醒：模型引用的文献必须人工核验，再强的模型也会把年份或作者搞混。
3. 辅助诊断与鉴别诊断——需要科学推理 + 极低幻觉。首选 Claude Opus 4.8（幻觉控制 87.48 全场最高，科学推理 85.3 顶尖），国内用 DeepSeek V4 Pro（科学推理 81.93 国内第一梯队）。所有诊断建议必须标注"仅供参考，不构成医疗意见"——这是医疗合规底线，不是模型能力问题。
4. 批量病历摘要与初筛——纯粹拼价格质量比。DeepSeek V4 Flash（$0.2 输出）无悬念。日均 100 份病历的成本不到一杯奶茶钱。但必须配人工复核，不能作为临床决策依据。
5. 医学翻译（中英文文献 / 病历）——幻觉率是命门。首选 GPT-5.4 Nano（Vectara HHEM 幻觉率 3.1% 全球第 2），国内用 DeepSeek V4 Pro（幻觉控制 79.14 + 总分 70.48）。医学术语翻译的错误率远低于通用文本，模型在这方面的表现普遍更好，但仍需专业人士校对。

医疗场景六个最常见坑点

1. 药名和剂量会编——再强的模型也会虚构不存在的药品或搞错剂量。Claude Opus 4.8 幻觉控制 87.48 已经是最高的了，照样可能出错。所有药物信息必须人工核验，这是医疗安全底线。
2. 诊断标准会混淆——不同版本的诊断标准（如 DSM-5 vs DSM-5-TR）模型可能混用。辅助诊断时必须明确告知模型使用哪个版本的标准。
3. reasoning 模型不适合结构化提取——开思维链后，模型倾向"分析利弊"而非"按模板逐项提取"。病历结构化摘要用非 reasoning 版本更稳。
4. 上下文太长会"遗忘"中间检查结果——即使有 1M 上下文，模型对文档中间部分的关注度通常低于开头和结尾。长病历建议分段喂入（先喂主诉和现病史）。
5. 国内调用国际模型的隐形成本——Claude / GPT 走中转实际价格是官方 1.2-1.5 倍，加上延迟和不稳定。医院批量场景下先把 DeepSeek V4 Pro 用透，确实遇到瓶颈再上国际模型。
6. "AI 生成"的医疗合规风险——国内对 AI 辅助诊断有严格监管要求，部分场景需要医生签字确认。使用前先确认医院政策和监管要求，不是所有场景都能上模型。

三步决策树

1. 能不能翻墙？——能 → Claude Opus 4.8 / Gemini 3.1 Pro / GPT-5.5 三选一；不能 → 直接进入国内模型选择。
2. 文档有多长？——< 50 页 → 任意国内 Top 5 都能处理；50-200 页 → 需要 500k+ 上下文（DeepSeek V4 Pro / Kimi K2.6）；> 200 页 → 必须 1M 上下文（DeepSeek V4 Pro / Gemini 3.1 Pro / Llama 4 Scout 10M）。
3. 日处理量多大？——< 10 份/天 → 任选；10-50 份/天 → DeepSeek V4 Pro；> 50 份/天 → DeepSeek V4 Flash 初筛 + 人工复核。

相关阅读

• LLM 幻觉率排行——HHEM + SuperCLUE 双榜深度对照
• LLM 长上下文排行——百万 token 时代的选型清单
• 一张图看清 LLM 性价比——智能 vs 价格散点图
• 国内 6 家 LLM API 开通教程——DeepSeek / 豆包 / 智谱等注册到调用
• DeepSeek V4 Pro 详情——国内医疗场景综合首选
• DeepSeek V4 Pro vs Gemini 3.1 Pro——国内 #1 vs 国际长文档之王