一篇 Nature Medicine 的独立评测发现：没有任何医学专门改造的通用大模型，在三类医疗基准上全面击败了昂贵的专用临床 AI 工具——甚至打不过免费的谷歌搜索。我们顺着这条线，把金融、法律、生物医学等领域的「通用 vs 垂域」对比也一并扒出来，看看这到底是医疗特例，还是一条普遍规律。
专用 = 在某个领域上「再训练 / 接 RAG 知识库」的模型；通用 = 直接拿来的前沿大模型（GPT/Gemini/Claude）。在医疗领域，通用模型三战全胜，专用临床工具甚至和「免费谷歌搜索 AI」打平。把视野放宽到金融、法律、生物医学——结论不是「通用永远赢」，而是一条更精确的规律：当通用底座存在明显代差时，它的能力增益会盖过领域专精；专用模型的优势窗口，只存在于「窄任务 + 小模型 + 私有数据 + 成本敏感」的夹缝里，且会被通用模型的每一次升级快速侵蚀。
专用临床 AI 工具（如 OpenEvidence、UpToDate Expert AI）正大规模进入医院，厂商宣称凭借领域专门训练 + 检索增强（RAG），性能优于通用大模型。但它们的架构、底座、训练流程全是黑盒，几乎没有独立第三方评测。这篇论文要回答一个尖锐问题：没有任何医学改造的通用前沿模型，能不能直接打赢这些专用工具？
| 阶段 | 数据集 | 规模 | 测什么 | 评分方式 |
|---|---|---|---|---|
| ① 知识 | MedQA（USMLE 执照考风格） | 500 题 | 医学知识 | 选择题自动判对错 |
| ② 对齐 | HealthBench（OpenAI 出品） | 500 项 | 与临床专家一致性 | 三模型评委团 rubric 打分 |
| ③ 实战 | RCQ（本文原创） | 100 题 | 真实世界可用性 | 12 名医生随机盲审 |
三个通用模型全部高于两个专用工具。Gemini 显著优于所有对手（McNemar P<1e-4，对 GPT 也有 P=0.02）。注意这一阶段差距还不算大——选择题是专用工具的「主场」（知识检索型任务），但它们仍然垫底。
差距显著拉大到 15 分以上的鸿沟。GPT 显著优于所有模型（Wilcoxon P<1e-9）；分 7 个主题看，GPT 在全部 7 类排第一/并列第一，两个专用工具在全部 7 类排垫底。一旦从「选对答案」转向「像专家一样组织回答」，专用工具的短板就暴露了。
排除 32 条拒答后剩 568 条回答进入分析。结果出现了清晰的两档分层（two tiers），而且加进来的「免费谷歌搜索 AI」直接坐进了专用工具那一档：
P<0.0001）。换句话说：花钱买的专用临床 AI，表现和免费的谷歌搜索 AI 摘要打平。
| 观察 | 结论 |
|---|---|
| 分层在哪个维度最明显 | 清晰度差异最大（Kendall's W=0.292），临床正确性最小（W=0.141） |
| OpenEvidence 的短板 | 清晰度最低（2.84）——弱在「沟通」不在「知识」：内容不全、漏安全关键信息、组织混乱 |
| 拒答率 | UpToDate AI 高达 19%（其他仅 1–3%），谷歌 6%——高拒答=可用性问题 |
| 安全性（有害/幻觉） | 所有模型无显著差异（Cochran's Q，P=0.55 / 0.42）——通用模型赢在质量，但没有更危险 |
| 12 名医生排序 | 高度一致（W=0.651, P=2.3e-7），一致把前沿 LLM 排在专用工具之上 |
这是你最关心的问题。我把金融、法律、生物医学、代码几个领域的「通用 vs 垂域」对比都翻了出来——结论并不是清一色的「通用全胜」，而是一幅随时间演变、有边界条件的图景。
把所有证据放在一起，能提炼出一条比「通用必胜」更精确、也更实用的判断准则。决定胜负的不是「有没有领域数据」，而是下面这个对比：
① 医疗不是特例：金融（BloombergGPT 被 GPT-4 反超）、生物医学（微调通用 > 领域 BERT）都指向同一方向。② 但「通用永远赢」是错的：法律和代码证明，窄任务 + 小模型 + 约束场景里，垂域专用仍有位置。③ 真正的规律是动态的：通用底座的能力代差一旦拉开，就会盖过领域专精——而底座每升级一代，垂域专用的生存空间就被吃掉一块。结论对从业者很实在：优先押注「最强通用底座 + 检索/工具」，把领域专用留给那些通用模型够不着的工程约束角落。