基于证据的专科推理：评估2025年内分泌学委员会风格考试中定制临床智能层的表现

背景：大型语言模型在一般医学考试中表现出色，但在专科临床推理方面仍面临挑战，因为指南快速演变且证据层次复杂。方法：我们评估了基于证据的临床推理系统January Mirror，在120道内分泌学委员会风格考试题目上与前沿LLM（如GPT-5、Gemini-3-Pro）进行比较。Mirror整合了精选的内分泌和心血管代谢证据库，并采用结构化推理架构生成与证据关联的输出。结果：Mirror准确率达到87.5%，超过人类参考值62.3%及所有前沿LLM。结论：Mirror提供了可追溯的证据引用，证明精选证据在专科临床推理中优于无约束网络检索，并支持临床部署的可审计性。