人工智能科学结论合成远未过关。干净房间里事实调和平均只有三成。2026年会去网上抄标准答案，评测不挡泄漏测到的是检索不是合成。结论要对又要全，说反了和漏掉关键限定是两种失败。已上线健康助手一半结论里至少有一条对着专家综述。不准把综述压缩当诊断。

人工智能健康问答痛点在把会检索综述当成已经会综合证据

真正的合成是：检索、筛质量、权衡冲突、保留不确定、写成可执行的压缩结论。专家做这件事按月计。建设者该把「挡泄漏、分精度和覆盖、高风险人核」写成硬规格。管产品的人，该拒收把助手设成第一站终审的路径。

两处只有对着评测才清楚。其一，代理会无视提示去找现成综述或新闻转述。开着网看起来分高，挡住标准答案后分数系统性下降，说明不少「能力」是抄到了答案。其二，失败分两种：事实与专家结论相反，或大体对但漏掉改变决策的限定。只报一段文字好不好读，两种失败都看不见。已上线、被当成临床副驾驶的系统，仍有约一半结论含至少一条与系统综述矛盾的话。

操作上再钉三件事。第一，评测必须干净房间：搜网和读论文可以，标准答案页和转述页要滤掉。第二，指标拆成事实精度和事实覆盖，再报调和平均；缺一维不算过关。第三，高风险场景默认人核，助手只提供带出处的草稿。用量以亿次计时，中等错误率也会变成大量误导。建设者该把「本周干净房间分数」写进例会。管医疗信息化的人，该拒收只有开放网页分数、没有挡泄漏对照的上线材料。

人工智能科学合成2026五步：挡泄漏、精度覆盖分列、矛盾要计、高风险人核、不准当第一站终审

1. 评测必须挡住标准答案页。开着网当唯一分，方案作废。
2. 必须分列精度和覆盖。只报流畅，方案作废。
3. 与专家综述矛盾必须计数。含一条矛盾仍算通过，方案作废。
4. 高风险场景必须人核。助手当终审，方案作废。
5. 部署后必须监测实际问诊类查询。没有用量和错误样本，方案作废。

上表对应「干净房间里事实调和平均只有三成」。挡泄漏的价值是让分数对应综合证据，不是对应会搜。

现场还要防口号替换验收。把「已经能回答医学问题」写成周报，不等于合成过关。若只能改一处：先把助手从第一站终审改成带出处的草稿。

结论：人工智能科学助手要以可核综述为准，不要把检索当综合

压缩结论会直接进决策。仍让聊天当终审，临床评审会先拒绝你。

你下次上一个健康或科学助手，先写出干净房间分数、矛盾率、人核卡在哪；三格空着，问诊次数先不要进材料。

现场还要防口号替换验收。把「已经能生成、已经能检测、已经能合成、已经能上线、已经能通过考试」写成周报，不等于五类幻觉能分开核、鉴真核验两套闸、干净房间测过、最小权限、评测对得上岗位。周报可以写，门禁必须绑在对照表和分列指标上。缺对照表的方案，一律按未完成处理，不能进月报。

若只能改一处：先把「差不多就能交差」从唯一成功标准里拿掉。演示可以记，生成引用当已核、一次分类当真假、网上抄答案当合成、测试准确当没泄露、考试分当能上岗五件跟不上就算事故。事故要写负责人、复验日期和作废条件，不许用「下期优化」搪塞。

落地时把指标钉在周会上：引用按类核了没、鉴真和核验有没有分开、评测挡没挡泄漏、模型还学了什么、上游榜有没有当下游验收。哪一格空着，哪一项不准对外说已经上线。空格超过两周仍空，项目暂停扩面。

现场还要防口号替换验收。把「已经能生成、已经能检测、已经能合成、已经能上线、已经能通过考试」写成周报，不等于五类幻觉能分开核、鉴真核验两套闸、干净房间测过、最小权限、评测对得上岗位。周报可以写，门禁必须绑在对照表和分列指标上。缺对照表的方案，一律按未完成处理，不能进月报。

若只能改一处：先把「差不多就能交差」从唯一成功标准里拿掉。演示可以记，生成引用当已核、一次分类当真假、网上抄答案当合成、测试准确当没泄露、考试分当能上岗五件跟不上就算事故。事故要写负责人、复验日期和作废条件，不许用「下期优化」搪塞。

落地时把指标钉在周会上：引用按类核了没、鉴真和核验有没有分开、评测挡没挡泄漏、模型还学了什么、上游榜有没有当下游验收。哪一格空着，哪一项不准对外说已经上线。空格超过两周仍空，项目暂停扩面。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源