2026年9月26日，国际学术平台arXiv发布中医人工智能论文《TCMQA：一个含执业中医师参考基线的3.8万题中医评测基准》（arXiv:2609.33014）。
该研究由林大栋博士带领的问止中医医学研究中心完成并代表公司发布，构建了目前全球规模领先、由持证执业中医师系统性参与标注的中医大模型评测基准TCMQA，旨在客观衡量大模型的真实中医水平，厘清“答题能力”与“临床辨证思维”之间的差异。
数据集已在Hugging Face完整开源（TechTCM/TCMQA）。
作为国内深耕中医人工智能的先行团队之一，问止中医从研发AI辅助诊疗系统“中医大脑”，到沉淀海量真实世界临床数据，再到此次以学术论文形式向全球发布评测基准，为衡量“AI是否真正理解中医”提供了方法与标尺。
填补行业空白
为中医AI建立客观标尺
现有医学语言模型评测几乎全部基于西方生物医学体系。中医拥有独立的理论框架与文献传统，却长期缺乏系统的测量工具：既有评测普遍规模小、覆盖窄，且极少配套人类参考基线，模型即便得分，外界也无从判断其实际水平。
论文指出，越来越多患者以中文向通用AI询问药证是否相符、方剂是否冲突等问题，而模型无论是否真正理解中医，往往都能对答如流；出于隐私考虑选择本地开源小模型的用户，所使用的恰恰是中医知识储备最薄弱的一类模型。文字流畅并不等于结论在中医理论上成立，TCMQA正是为弥补这一评价空白而构建。
三大维度构建体系
3.8万题+百位医师标定专业基线
题库方面，研究团队从中医执业医师资格考试题库整理出38279道选择题，统一为五选项格式，其中2386道为多选题，覆盖中医基础理论、中医诊断学、中药学、方剂学、内外妇儿、针灸及中医药法规等十大板块。
人类基线方面，团队邀请101位持证执业中医师在专门搭建的标注平台作答，累计回收15151份作答；其中4801道题由三位医师独立作答，构成核心对照子集，以多数答案作为人类参考基线，测得中医师群体整体准确率为64.9%。医师还为每题标注学科归属、按五档评定难度并标记题目瑕疵。
模型方面，团队选取来自9个系列的29个指令微调大模型，参数量0.27B至14.8B，涵盖Qwen、Gemma、OLMo等主流开源模型，在统一流程下完成对照测试，系统比较其在各学科、各难度上的表现及与医师的答题逻辑差异。
三项核心发现
定义中医AI能力边界
基于大规模测试数据，研究得出三项核心结论，为中医AI的研发路径提供了明确的方向参考。
其一，决定中医能力的是中文预训练语料，而非参数规模。
29个模型准确率跨度达59个百分点，无一接近满分。一个约12B、以西方语料为主的模型准确率仅39.6%；而参数量约为其八分之一、以中文语料预训练的模型反而达到60.8%。对中医这类高度依赖特定语言与文献传统的领域，语料质量远比参数规模关键。
其二，部分模型准确率高于医师基线，但“难点感知”完全错位。
测试中9个模型整体准确率超过64.9%的基线，且全部来自同一中文预训练家族，最优者在核心子集上达到86.73%，超出基线21.8个百分点。然而在三位医师全部答错的616道难题上，领先模型反而答对87.34%；在8.4%的题目上，医师答对而模型答错，双方逐题一致性极低。模型在偏重记忆的法规板块领先最多，在最需临床推理的诊断与辨证板块短板最明显；随难度升高，医师准确率最多相差57个百分点，多数模型却几乎不变。
其三，模型存在明显的过度自信，多选题是普遍短板。
即便答错，许多模型仍给出高度确定的输出，难以觉察自身的不确定性。多选题要求既不漏选也不误选，而模型普遍倾向于按单选题处理，暴露出推理与判别上的系统性不足。
笔试高分≠临床能力
全量开源共促行业发展
TCMQA以大规模实证表明，大模型在中医纸笔考试中可以取得亮眼分数，但考试成绩不等于临床诊疗能力。模型依托文本统计与知识记忆作答，与中医师基于望闻问切四诊、围绕病机综合推演的辨证体系存在本质区别；且目前没有任何模型接近能力饱和，不能仅凭高分将其视为可独立执业的中医师。
研究最突出的价值，是以大规模执业医师标注数据集为中医AI建立起客观、可复现的评价标尺。题库、医师作答、评测框架与逐题结果的完整公开，使任何团队都能据此检验和迭代模型。团队表示，研究并非制造人机对立，而是帮助行业厘清模型能力的可靠边界，“后续研发、验证中医AI产品，都可以直接站在我们的肩膀上继续向前”。
需要说明的是，本次评测对象为通用大语言模型，问止中医核心产品“中医大脑”是基于医学规则与海量真实临床案例训练的专用诊疗推理引擎，围绕医师真实诊疗路径深度定制，与面向通用问答的大语言模型在定位与技术路径上存在本质区别，故未纳入本次评测范围。
研究团队认为，AI的长期价值在于从对话答题走向深度嵌入临床工作流，以人机协同、优势互补的方式融入诊察、辨证、处方、随访全流程。随着中医AI产品加速进入大众视野，这套由一线执业医师参与、向全社会开放的基准，有望成为行业长期、中立的基础设施。