知识卡片：语言模型的序贯诊断

一句话结论

《Science》刊载的 “Sequential diagnosis with language models” 一文探讨将语言模型用于序贯诊断任务；由于正文未能抓取，具体方法、实验设置与量化结果待核实。

事件概述或研究问题

• 该文为一篇发表于 Science 第 394 卷第 6822 期、页码 423–428（2026 年 10 月）的论文，标题为 “Sequential diagnosis with language models”。
• 从标题与期刊属性推断，研究问题可能涉及：在需要分步获取信息、逐步缩小假设范围的诊断式任务中，语言模型能否作为诊断推理主体或辅助工具。该推断待核实。
• 论文的具体研究假设、任务定义与评估框架待核实。

方法/产品要点

• 论文是否提出新的诊断框架、基准数据集、提示/训练策略或多智能体流程：待核实。
• 是否涉及临床诊断、故障排查或其他“序贯诊断”场景：待核实。
• 模型规模、基座模型、训练数据与推理成本等信息：待核实。

主要结果或产业意义

• 论文报告的定量结果（准确率、诊断轮次、成本等）与对比基线：待核实。
• 是否给出与人类专家或传统诊断流程的对照：待核实。
• 产业意义层面，若结论成立，可能对医疗辅助诊断、IT 运维排障、复杂系统故障定位等“多轮信息获取 + 假设检验”类应用具有参考价值；该判断为基于标题的推测，待核实。

为什么重要

• “序贯诊断”强调在信息不完整条件下主动获取证据、迭代更新判断，与单轮问答式评测不同，更能检验语言模型的推理与决策能力。
• 若该研究提供了可复现的评测协议或公开基准，可能为后续 foundation-model 在诊断类任务上的比较提供参照；待核实。
• 与既有卡片的关系：现有相关卡片多聚焦 LLM 在特定领域（SAT 启发式发现、价值观对齐、认知障碍检测）的应用；本条若确为序贯诊断方法研究，其增量可能在于“多轮主动诊断”这一任务形态，而非单一领域微调；该定位待核实。

局限与不确定性

• 来源材料仅包含题录元数据（期刊、卷期、页码、时间），正文未能抓取，本卡片未包含任何来自原文的方法或结果细节。
• 发表时间（2026 年 10 月）与当前可获取信息存在时间差，卷期页码信息待核实。
• 论文是否经过同行评审以外的复现验证、是否存在利益冲突：待核实。

可用于图书/PPT/简报的角度

• 作为“语言模型从问答走向序贯决策”的案例引用，但需在正文核实后再补充具体数据。
• 与医疗诊断、故障排查等场景的 AI 辅助流程对照，讨论“主动获取信息”与“单轮生成”的能力差异。
• 在综述 foundation-model 评测范式时，可作为“多轮诊断式评测”的待核实条目列出。

原始材料

• 标题：Sequential diagnosis with language models
• 来源：Science, Volume 394, Issue 6822, Page 423–428, October 2026
• DOI/URL：https://www.science.org/doi/abs/10.1126/science.aeh7930?af=R
• 英文关键词：sequential diagnosis；language models（关键词为根据标题推断，待核实）
• 备注：正文抓取失败，以上内容仅基于元数据，事实性细节均待核实。