一、文章主要内容总结本文聚焦大语言模型（LLMs）在医疗领域的定量推理能力短板，针对现有基准仅侧重问答和描述性推理、缺乏全面医疗计算评估的问题，提出了两大核心成果并开展相关实验验证：MedCalc-Eval基准：目前规模最大、最全面的医疗计算评估基准，包含709个不同临床计算任务，涵盖内科、外科、儿科等数十个临床专科，分为基于公式的计算（如肌酐清除率、BMI）和基于规则的评分系统（如Apgar评分、CHA₂DS₂-VASc评分）两类，弥补了现有基准任务数量少、专科覆盖不足、场景复杂度低的缺陷。MedCalc-Env训练环境：基于InternBootcamp框架构建的强化学习（RL）环境，专为训练LLMs的多步临床推理和动作规划能力设计，通过案例生成器、提示函数、可验证奖励机制等组件，实现模型的交互式迭代学习。实验验证：利用MedCalc-Env对Qwen2.5-32B模型进行强化学习微调，该模型在MedCalc-Eval和现有MedCalc-Bench基准上均达到最先进（SOTA）性能，在MedCalc-Eval上准确率达40.8%，较基础模型提升15.4%；同时通过消融实验验证了训练环境的有效性，且模型在跨语言（中英文医疗计算）和跨领域（通用数学任务）上展现出泛化能力。误差分析与未来方向：识别出LLMs在医疗计算中仍面临的核心挑战（单位转换、多条件逻辑、语境理解），并提出动态患者模拟、多模态融合、可解释AI、跨语言/跨文化泛