同一批牙科判断题，问了三个 AI。
ChatGPT-4o 准确率 86.1%，ChatGPT-3.5 是 85.6%，Gemini 是 81.8%。单看这几个数字，都像是能用了。
但研究里还有一个数字更值得看：三个模型两两之间的一致性系数只有 0.019。在统计上，这基本等于"没有关系"。它们答对的比例差不多，答对的题目却几乎不是同一批。
一个模型答对的题，另一个模型经常答错——那"准确率 86%"这个说法，对真要拿它做临床判断的人到底意味着什么？我觉得这是这周最值得琢磨的一件事。
数据来自 Odontology 2026 年 10 月发表的一项研究，PMID 42830344。
人工智能 口腔医学