一份胸片报告写得四平八稳，反复说“未见异常”，自动评分还很高，但真正需要提醒医生的少见病变词却不见了。这就像考试答案格式很标准，关键得分点却没写。VLM（视觉语言模型，即同时理解图片和文字的模型）生成放射学报告时，可能正出现这种问题。
据作者在 Reddit 的介绍，他们在胸部 X 光报告生成中发现，现有自动指标会奖励重复模板、缺少临床术语甚至偏向“正常”的报告；一些少见但有意义的词会被抹去，结果看似流畅，却没有临床用途。论文因此提出一套框架，专门衡量关键术语被删掉多少，以及模型又引入了哪些带偏向的词。
这项工作的提醒很直接：医疗 AI 的榜单高分，不等于报告可靠。尤其当评分更看重常见措辞或文本相似度时，模型越会套安全模板，反而越可能掩盖真正重要的信息。供稿未披露具体实验数字，相关效果目前只能按作者自述理解。