文章核心总结与创新点一、主要内容本文聚焦生殖医学领域，针对不孕症治疗场景，系统探究了四种大语言模型（LLM）对齐策略（监督微调SFT、直接偏好优化DPO、组相对策略优化GRPO、上下文学习ICL）在临床决策中的表现。通过8000余条不孕症治疗电子健康记录构建"金字塔"数据集（涵盖通用、混淆、专家优化三类病例），并采用"自动指标评估+三盲医生介入评估"的双层框架，揭示了医疗LLM的"对齐悖论"——算法层面的性能提升未必转化为临床信任。自动指标结果：GRPO在不孕症类型、辅助生殖技术（ART）策略等核心决策维度的平均准确率（77.14%）和宏F1值（50.64%）最优，显著优于SFT、DPO和ICL，验证了强化学习在结构化预测任务中的价值；但DPO在初始诊断任务中表现不稳定，ICL则在多维度临床决策中鲁棒性不足。临床评估结果：医生盲评中，SFT模型因推理过程更清晰（p=0.035）、治疗方案可行性更高（p=0.019），获得51.2%的最高胜率，远超GRPO（26.2%）和医生原始决策（22.7%）；GRPO虽幻觉率更低（15.0% vs SFT的18.6%），但临床实用性评分更低。亚组分析：GRPO在复杂/长尾病例（如PGT-M、短方案IVF）中性能提升显著，但在ICSI等临床边界模糊的亚型中表现下降，反映了强化学习对齐对数据分布和奖励粒度的敏感性。二、创新点首次揭示生殖医学LLM