技术解读五个 LLM 智能体如何零人工干预地自主协作完成真实世界临床文本筛查本文从工程实现角度拆解这篇论文的方法架构、验证设计与临床落地思路。核心要点问题认知障碍Cognitive Impairment在常规诊疗中漏诊率极高传统筛查工具耗时且难以规模化而阿尔茨海默病新疗法的获批使得早期识别窗口变得空前紧迫。方法Mass General Brigham团队开发了Pythia——由五个专业化LLM智能体自主协作完成临床笔记分析、推理、纠错和优化无需人工干预即可筛查认知障碍信号。结果真实世界验证特异度98%敏感度62%在AI与人类标注出现分歧时独立专家复审认定AI推理在58%的案例中更合理。意义首次验证了多智能体自主协作模式在真实临床文档筛查中的可行性为医疗AI从被动工具走向主动协作者提供了新范式。原文An autonomous agentic workflow for clinical detection of cognitive concerns using large language modelsnpj Digital Medicine2026年1月7日 | DOI: 10.1038/s41746-025-02324-4 | PMID: 41501421认知障碍的临床困境一个沉默的漏诊黑洞认知障碍Cognitive Impairment——涵盖从轻度认知损害Mild Cognitive Impairment, MCI到阿尔茨海默病Alzheimer’s Disease, AD相关痴呆的广泛谱系——是全球老龄化社会面临的最严峻公共卫生挑战之一。然而在常规临床诊疗中认知障碍的漏诊率之高令人震惊大量患者在症状显著进展前从未接受过正式认知评估。问题并不在于临床医生不关心。恰恰相反传统认知筛查工具——如简易精神状态检查Mini-Mental State Examination, MMSE和蒙特利尔认知评估Montreal Cognitive Assessment, MoCA——需要专门的接诊时间、训练有素的评估人员且难以在繁忙的初级保健流程中规模化部署。更紧迫的是随着多款靶向早期阿尔茨海默病的疾病修饰疗法Disease-Modifying Therapies, DMTs相继获批治疗窗口正在前移——如果不能在认知损害早期识别患者最有效的干预时机就会悄然流逝。正如我们此前报道的 Automation Bias 研究AI 建议对临床医生的诊断决策具有显著影响力——但这种影响力的方向取决于系统设计的精良程度。Mass General Brigham麻省总医院布里格姆医疗系统与哈佛医学院的研究团队正是从这个视角出发提出了一个更激进的命题AI 能否不等待医生提问而是主动从日常临床文档中倾听认知衰退的早期信号2026年1月7日npj Digital MedicineIF15.1发表了由 Hossein Estiri 教授与 Lidia M.V.R. Moura 教授联合通讯的这项研究。团队没有止步于训练一个更强大的分类模型而是构建了一个名为Pythia的自主多智能体系统Autonomous Multi-Agent System其设计哲学可以用一句话概括“我们建造的不是一个AI模型而是一个数字临床团队。”Pythia 包含三个层面的核心创新1. 五智能体协作架构。Pythia 由五个专业化的大型语言模型Large Language Model, LLM智能体Agent组成每个智能体承担不同的临床推理角色——有的负责初筛、有的负责质疑初筛结论、有的负责整合多角度证据。它们在一个迭代循环Iterative Loop中自主协作相互质疑、修正推理直到性能目标收敛或系统判定已达到最优。这一过程模拟了临床病例讨论会Case Conference中多位医生交叉质证的场景。2. 零人工干预的自主优化。与传统需要人工反复调整提示词Prompt Engineering的LLM应用不同Pythia 的五个智能体自行完成提示词优化部署后无需任何人工干预。研究同时构建了一个专家驱动流程Expert-Driven Workflow作为对照——由人类专家在三款LLMLLaMA 3.1 8B、LLaMA 3.2 3B、Med42 v2 8B上迭代精调提示词。结果显示自主智能体流程在优化数据集上F1达到0.93优于专家驱动流程的0.87。3. 本地部署、数据不出院。Pythia 基于开源权重LLMLLaMA 3.1运行可完全部署在医院内部IT基础设施上无需将患者数据传输至外部服务器或云端AI服务——这在医疗数据隐私合规HIPAA/《个人信息保护法》框架下具有决定性意义。技术原理五个智能体如何会诊一份临床笔记Pythia 的工作流程可理解为一个**“AI版的多学科会诊Multidisciplinary Team, MDT”**。系统输入是来自电子健康记录Electronic Health Record, EHR的临床笔记Clinical Notes——即医生在日常诊疗中撰写的病程记录、出院小结、会诊意见等非结构化文本。五个智能体的分工大致如下第一个智能体Screener负责从笔记中初步识别可能暗示认知障碍的语言线索——如患者记不住药名“重复问同一个问题“迷路等描述第二个智能体Critic对初筛结果进行严格质疑寻找可能被误判的证据第三个智能体Integrator综合前两方的论证给出最终判断第四和第五个智能体分别在优化阶段提供替代推理路径和校准策略。关键设计在于智能体之间并非简单的投票”而是基于证据的对抗性推理。当一个智能体做出该患者存在认知障碍信号的判断时另一个智能体必须以临床笔记中的具体内容为依据提出反驳——这种机制迫使系统保持在真实证据的约束范围内从而降低LLM常见的幻觉”Hallucination风险。与我们此前分析的 NeuroVFM 不同——后者是用524万次临床脑部扫描训练的影像基础模型——Pythia 处理的完全是文本数据。这恰恰体现了医疗AI的两条互补路径影像AI解决看到了什么而文本AI解决医生记录了什么样的临床印象。两者结合才是完整的临床智能。研究使用了Mass General Brigham的3,338份临床笔记来自200名匿名患者。这些笔记被分成两个数据集一个均衡精调集2,228份正负样本各半用于优化一个真实世界验证集1,110份反映自然患病率约33%用于评估。数据说话98%特异度与AI推理的逆袭研究结果的呈现方式本身就值得关注——团队没有选择报喜不报忧而是将系统的优势和局限同时摊开指标均衡精调集真实世界验证集变化敏感度Sensitivity0.910.62↓29pp特异度Specificity—0.98极高F1 分数0.930.74↓19pp专家驱动F1对照0.870.81↓6pp特异度98%是本次研究最引人注目的数字。在真实世界环境中患病率33%Pythia几乎不会将正常患者误判为认知障碍——这对于筛查工具来说至关重要因为高假阳性率会导致大量不必要的转诊和患者焦虑。敏感度从0.91骤降至0.62则揭示了医疗AI从实验室迈向真实世界的核心挑战患病率偏移Prevalence Shift。在均衡数据集中正负样本各占50%而真实世界中阳性患者仅约33%。决策阈值未经重新校准直接迁移导致系统趋于保守。研究团队明确指出这并非模型能力不足而是部署策略需要患病率感知校准Prevalence-Aware Calibration。更值得深思的是专家重新裁决Expert Re-adjudication的结果。当AI判断与原始人类标注出现分歧时一位独立专家对所有分歧案例进行了盲法复审。结果令人意外在AI被标记为假阴性的案例中44%被独立专家认定为临床合理判断——也就是说AI根据临床笔记正确判断没有认知障碍但原始标注却错误地将其标为阳性。在所有分歧案例中专家的独立复审在58%的情况下认定AI的推理更优。“我们原以为会发现AI的错误。结果我们经常发现AI基于笔记中的证据做出了合理的临床判断。” ——通讯作者 Hossein Estiri 教授这一发现具有深远的评估学意义人类标注的金标准并不总是金标准。在真实临床环境中文档记录的模糊性、不同医生的书写风格、以及认知障碍本身的渐进性特征使得二分类标注本身就是一个充满噪声的过程。从实验室到临床应用前景与局限应用前景分场景初级保健筛查增强。在患者就诊后Pythia可自动扫描此次诊疗产生的临床笔记标记出可能存在认知障碍信号的患者触发后续正式评估——无需增加医生的工作负担也不改变现有诊疗流程。人群健康管理。在大型医疗系统中Pythia可对全体患者的临床文档进行批量扫描实现认知障碍的被动式人群筛查Passive Population Screening为早期干预争取时间窗口。基层医疗能力延伸。在神经科专科医生匮乏的基层和农村地区Pythia可作为AI预筛层将有限的专科资源集中在最需要的患者身上。开源工具推广。团队同步开源了Pythia工具包任何医疗机构或研究机构均可部署自主提示优化应用于各自的AI筛查场景。当前局限敏感度仍需提升。62%的真实世界敏感度意味着约38%的认知障碍患者可能被漏过——这一水平远不足以支撑无人值守的自主筛查。团队建议将Pythia定位为智能过滤器而非独立诊断工具。单中心、单种族人群局限。研究数据来自Mass General Brigham患者以白种人、非西班牙裔为主在其他种族/族裔人群中的泛化性能尚待验证。仅依赖文本数据。Pythia仅分析临床笔记文本未整合结构化数据如诊断编码、用药记录或影像数据可能在信息完整性上存在天花板。结论与产业启示Pythia研究最重要的贡献不是某一个数字而是验证了一种新的技术范式多智能体自主协作Multi-Agent Autonomous Collaboration能够在真实临床文档分析中达到专家级水平同时保持推理过程的可解释性。从一个模型解决一个问题到一组智能体自主协作完成一个临床任务这是医疗AI从工具走向协作者的关键一步。对于思陌智能科研服务而言Pythia的工作范式具有直接的业务启示我们为医疗机构提供的AI软件开发服务正从单一模型部署走向多智能体临床工作流的系统设计——无论是影像AI与文本AI的融合还是筛查智能体与诊断智能体的协作编排都需要跨学科的工程能力和临床理解。在医疗AI科研服务方面Pythia团队开源代码开源数据透明报告局限的做法也为高质量医疗AI研究的可复现性树立了标杆。本文基于 Tian J, Fard P, Cagan C, et al.An autonomous agentic workflow for clinical detection of cognitive concerns using large language models.npj Digit Med. 2026;9(1):51. 的独立解读仅供学术交流不构成临床建议。相关问题QPythia能否替代神经科医生的认知评估A不能也不应如此理解。Pythia的设计定位是筛查过滤器——它从日常临床文档中识别出可能需要进一步认知评估的患者而非给出诊断。真正的诊断仍需由临床医生通过标准化量表如MMSE、MoCA和必要的影像学/实验室检查完成。其98%的特异度意味着假阳性极少但62%的真实世界敏感度意味着仍有约三分之一的认知障碍患者会被漏掉。Q五个智能体同时运行对医院IT基础设施的要求有多高APythia基于LLaMA 3.18B参数运行属于可在单张消费级GPU如NVIDIA RTX 4090上推理的开源模型对硬件要求远低于GPT-5等闭源大模型。研究团队特意选择了可本地部署的技术路线并开源了完整工具包目的就是降低医疗机构的接入门槛。Q自主智能体系统会不会出现失控——比如智能体之间来回争论无法收敛A研究中设计了明确的收敛终止条件——当连续两轮迭代的性能提升小于阈值或智能体达成一致时循环自动终止。在全部测试中未观察到无限循环的情况。当然这仅是在受控研究环境下的观察在真实临床大规模部署中如何设置更稳健的安全护栏仍需进一步验证。参考文献Tian J, Fard P, Cagan C, et al. An autonomous agentic workflow for clinical detection of cognitive concerns using large language models.npj Digit Med.2026;9(1):51. DOI: 10.1038/s41746-025-02324-4 | PMID: 41501421Cummings J, Zhou Y, Lee G, et al. Alzheimer’s disease drug development pipeline: 2024.Alzheimers Dement (N Y).2024;10(2):e12465. DOI: 10.1002/trc2.12465 工程实现要点多智能体分工替代单模型一次性推理初筛、质疑、纠错、整合、优化五个角色在迭代循环中交叉质证把一次前向推理变成可收敛的讨论过程。提示词自优化摆脱人工调参五个智能体自行迭代 prompt 直至性能目标收敛部署后无需 Prompt Engineering 介入——这是它区别于常规 LLM 应用的关键工程点。直接消费非结构化临床笔记不依赖 MMSE/MoCA 等量表的额外采集环节输入端就是既有 EHR 文本落地成本显著低于新增筛查流程。指标取舍是有意为之特异度 98% / 敏感度 62%定位为高精度初筛漏斗而非确诊工具优先压低假阳性以免淹没临床工作流。把分歧设计成反馈闭环AI 与人工标注冲突时引入独立专家复审58% 案例判定 AI 推理更合理让评估结果可追溯而不是只留一个准确率数字。论文原文信息链接https://www.simoai.cn/blog/2026-08-05-pythia-cognitive-ai/ 认知障碍为何总在门诊被漏诊？Pythia 五智能体自主协作筛查方案解读，真实世界特异度 98%
技术解读五个 LLM 智能体如何零人工干预地自主协作完成真实世界临床文本筛查本文从工程实现角度拆解这篇论文的方法架构、验证设计与临床落地思路。核心要点问题认知障碍Cognitive Impairment在常规诊疗中漏诊率极高传统筛查工具耗时且难以规模化而阿尔茨海默病新疗法的获批使得早期识别窗口变得空前紧迫。方法Mass General Brigham团队开发了Pythia——由五个专业化LLM智能体自主协作完成临床笔记分析、推理、纠错和优化无需人工干预即可筛查认知障碍信号。结果真实世界验证特异度98%敏感度62%在AI与人类标注出现分歧时独立专家复审认定AI推理在58%的案例中更合理。意义首次验证了多智能体自主协作模式在真实临床文档筛查中的可行性为医疗AI从被动工具走向主动协作者提供了新范式。原文An autonomous agentic workflow for clinical detection of cognitive concerns using large language modelsnpj Digital Medicine2026年1月7日 | DOI: 10.1038/s41746-025-02324-4 | PMID: 41501421认知障碍的临床困境一个沉默的漏诊黑洞认知障碍Cognitive Impairment——涵盖从轻度认知损害Mild Cognitive Impairment, MCI到阿尔茨海默病Alzheimer’s Disease, AD相关痴呆的广泛谱系——是全球老龄化社会面临的最严峻公共卫生挑战之一。然而在常规临床诊疗中认知障碍的漏诊率之高令人震惊大量患者在症状显著进展前从未接受过正式认知评估。问题并不在于临床医生不关心。恰恰相反传统认知筛查工具——如简易精神状态检查Mini-Mental State Examination, MMSE和蒙特利尔认知评估Montreal Cognitive Assessment, MoCA——需要专门的接诊时间、训练有素的评估人员且难以在繁忙的初级保健流程中规模化部署。更紧迫的是随着多款靶向早期阿尔茨海默病的疾病修饰疗法Disease-Modifying Therapies, DMTs相继获批治疗窗口正在前移——如果不能在认知损害早期识别患者最有效的干预时机就会悄然流逝。正如我们此前报道的 Automation Bias 研究AI 建议对临床医生的诊断决策具有显著影响力——但这种影响力的方向取决于系统设计的精良程度。Mass General Brigham麻省总医院布里格姆医疗系统与哈佛医学院的研究团队正是从这个视角出发提出了一个更激进的命题AI 能否不等待医生提问而是主动从日常临床文档中倾听认知衰退的早期信号2026年1月7日npj Digital MedicineIF15.1发表了由 Hossein Estiri 教授与 Lidia M.V.R. Moura 教授联合通讯的这项研究。团队没有止步于训练一个更强大的分类模型而是构建了一个名为Pythia的自主多智能体系统Autonomous Multi-Agent System其设计哲学可以用一句话概括“我们建造的不是一个AI模型而是一个数字临床团队。”Pythia 包含三个层面的核心创新1. 五智能体协作架构。Pythia 由五个专业化的大型语言模型Large Language Model, LLM智能体Agent组成每个智能体承担不同的临床推理角色——有的负责初筛、有的负责质疑初筛结论、有的负责整合多角度证据。它们在一个迭代循环Iterative Loop中自主协作相互质疑、修正推理直到性能目标收敛或系统判定已达到最优。这一过程模拟了临床病例讨论会Case Conference中多位医生交叉质证的场景。2. 零人工干预的自主优化。与传统需要人工反复调整提示词Prompt Engineering的LLM应用不同Pythia 的五个智能体自行完成提示词优化部署后无需任何人工干预。研究同时构建了一个专家驱动流程Expert-Driven Workflow作为对照——由人类专家在三款LLMLLaMA 3.1 8B、LLaMA 3.2 3B、Med42 v2 8B上迭代精调提示词。结果显示自主智能体流程在优化数据集上F1达到0.93优于专家驱动流程的0.87。3. 本地部署、数据不出院。Pythia 基于开源权重LLMLLaMA 3.1运行可完全部署在医院内部IT基础设施上无需将患者数据传输至外部服务器或云端AI服务——这在医疗数据隐私合规HIPAA/《个人信息保护法》框架下具有决定性意义。技术原理五个智能体如何会诊一份临床笔记Pythia 的工作流程可理解为一个**“AI版的多学科会诊Multidisciplinary Team, MDT”**。系统输入是来自电子健康记录Electronic Health Record, EHR的临床笔记Clinical Notes——即医生在日常诊疗中撰写的病程记录、出院小结、会诊意见等非结构化文本。五个智能体的分工大致如下第一个智能体Screener负责从笔记中初步识别可能暗示认知障碍的语言线索——如患者记不住药名“重复问同一个问题“迷路等描述第二个智能体Critic对初筛结果进行严格质疑寻找可能被误判的证据第三个智能体Integrator综合前两方的论证给出最终判断第四和第五个智能体分别在优化阶段提供替代推理路径和校准策略。关键设计在于智能体之间并非简单的投票”而是基于证据的对抗性推理。当一个智能体做出该患者存在认知障碍信号的判断时另一个智能体必须以临床笔记中的具体内容为依据提出反驳——这种机制迫使系统保持在真实证据的约束范围内从而降低LLM常见的幻觉”Hallucination风险。与我们此前分析的 NeuroVFM 不同——后者是用524万次临床脑部扫描训练的影像基础模型——Pythia 处理的完全是文本数据。这恰恰体现了医疗AI的两条互补路径影像AI解决看到了什么而文本AI解决医生记录了什么样的临床印象。两者结合才是完整的临床智能。研究使用了Mass General Brigham的3,338份临床笔记来自200名匿名患者。这些笔记被分成两个数据集一个均衡精调集2,228份正负样本各半用于优化一个真实世界验证集1,110份反映自然患病率约33%用于评估。数据说话98%特异度与AI推理的逆袭研究结果的呈现方式本身就值得关注——团队没有选择报喜不报忧而是将系统的优势和局限同时摊开指标均衡精调集真实世界验证集变化敏感度Sensitivity0.910.62↓29pp特异度Specificity—0.98极高F1 分数0.930.74↓19pp专家驱动F1对照0.870.81↓6pp特异度98%是本次研究最引人注目的数字。在真实世界环境中患病率33%Pythia几乎不会将正常患者误判为认知障碍——这对于筛查工具来说至关重要因为高假阳性率会导致大量不必要的转诊和患者焦虑。敏感度从0.91骤降至0.62则揭示了医疗AI从实验室迈向真实世界的核心挑战患病率偏移Prevalence Shift。在均衡数据集中正负样本各占50%而真实世界中阳性患者仅约33%。决策阈值未经重新校准直接迁移导致系统趋于保守。研究团队明确指出这并非模型能力不足而是部署策略需要患病率感知校准Prevalence-Aware Calibration。更值得深思的是专家重新裁决Expert Re-adjudication的结果。当AI判断与原始人类标注出现分歧时一位独立专家对所有分歧案例进行了盲法复审。结果令人意外在AI被标记为假阴性的案例中44%被独立专家认定为临床合理判断——也就是说AI根据临床笔记正确判断没有认知障碍但原始标注却错误地将其标为阳性。在所有分歧案例中专家的独立复审在58%的情况下认定AI的推理更优。“我们原以为会发现AI的错误。结果我们经常发现AI基于笔记中的证据做出了合理的临床判断。” ——通讯作者 Hossein Estiri 教授这一发现具有深远的评估学意义人类标注的金标准并不总是金标准。在真实临床环境中文档记录的模糊性、不同医生的书写风格、以及认知障碍本身的渐进性特征使得二分类标注本身就是一个充满噪声的过程。从实验室到临床应用前景与局限应用前景分场景初级保健筛查增强。在患者就诊后Pythia可自动扫描此次诊疗产生的临床笔记标记出可能存在认知障碍信号的患者触发后续正式评估——无需增加医生的工作负担也不改变现有诊疗流程。人群健康管理。在大型医疗系统中Pythia可对全体患者的临床文档进行批量扫描实现认知障碍的被动式人群筛查Passive Population Screening为早期干预争取时间窗口。基层医疗能力延伸。在神经科专科医生匮乏的基层和农村地区Pythia可作为AI预筛层将有限的专科资源集中在最需要的患者身上。开源工具推广。团队同步开源了Pythia工具包任何医疗机构或研究机构均可部署自主提示优化应用于各自的AI筛查场景。当前局限敏感度仍需提升。62%的真实世界敏感度意味着约38%的认知障碍患者可能被漏过——这一水平远不足以支撑无人值守的自主筛查。团队建议将Pythia定位为智能过滤器而非独立诊断工具。单中心、单种族人群局限。研究数据来自Mass General Brigham患者以白种人、非西班牙裔为主在其他种族/族裔人群中的泛化性能尚待验证。仅依赖文本数据。Pythia仅分析临床笔记文本未整合结构化数据如诊断编码、用药记录或影像数据可能在信息完整性上存在天花板。结论与产业启示Pythia研究最重要的贡献不是某一个数字而是验证了一种新的技术范式多智能体自主协作Multi-Agent Autonomous Collaboration能够在真实临床文档分析中达到专家级水平同时保持推理过程的可解释性。从一个模型解决一个问题到一组智能体自主协作完成一个临床任务这是医疗AI从工具走向协作者的关键一步。对于思陌智能科研服务而言Pythia的工作范式具有直接的业务启示我们为医疗机构提供的AI软件开发服务正从单一模型部署走向多智能体临床工作流的系统设计——无论是影像AI与文本AI的融合还是筛查智能体与诊断智能体的协作编排都需要跨学科的工程能力和临床理解。在医疗AI科研服务方面Pythia团队开源代码开源数据透明报告局限的做法也为高质量医疗AI研究的可复现性树立了标杆。本文基于 Tian J, Fard P, Cagan C, et al.An autonomous agentic workflow for clinical detection of cognitive concerns using large language models.npj Digit Med. 2026;9(1):51. 的独立解读仅供学术交流不构成临床建议。相关问题QPythia能否替代神经科医生的认知评估A不能也不应如此理解。Pythia的设计定位是筛查过滤器——它从日常临床文档中识别出可能需要进一步认知评估的患者而非给出诊断。真正的诊断仍需由临床医生通过标准化量表如MMSE、MoCA和必要的影像学/实验室检查完成。其98%的特异度意味着假阳性极少但62%的真实世界敏感度意味着仍有约三分之一的认知障碍患者会被漏掉。Q五个智能体同时运行对医院IT基础设施的要求有多高APythia基于LLaMA 3.18B参数运行属于可在单张消费级GPU如NVIDIA RTX 4090上推理的开源模型对硬件要求远低于GPT-5等闭源大模型。研究团队特意选择了可本地部署的技术路线并开源了完整工具包目的就是降低医疗机构的接入门槛。Q自主智能体系统会不会出现失控——比如智能体之间来回争论无法收敛A研究中设计了明确的收敛终止条件——当连续两轮迭代的性能提升小于阈值或智能体达成一致时循环自动终止。在全部测试中未观察到无限循环的情况。当然这仅是在受控研究环境下的观察在真实临床大规模部署中如何设置更稳健的安全护栏仍需进一步验证。参考文献Tian J, Fard P, Cagan C, et al. An autonomous agentic workflow for clinical detection of cognitive concerns using large language models.npj Digit Med.2026;9(1):51. DOI: 10.1038/s41746-025-02324-4 | PMID: 41501421Cummings J, Zhou Y, Lee G, et al. Alzheimer’s disease drug development pipeline: 2024.Alzheimers Dement (N Y).2024;10(2):e12465. DOI: 10.1002/trc2.12465 工程实现要点多智能体分工替代单模型一次性推理初筛、质疑、纠错、整合、优化五个角色在迭代循环中交叉质证把一次前向推理变成可收敛的讨论过程。提示词自优化摆脱人工调参五个智能体自行迭代 prompt 直至性能目标收敛部署后无需 Prompt Engineering 介入——这是它区别于常规 LLM 应用的关键工程点。直接消费非结构化临床笔记不依赖 MMSE/MoCA 等量表的额外采集环节输入端就是既有 EHR 文本落地成本显著低于新增筛查流程。指标取舍是有意为之特异度 98% / 敏感度 62%定位为高精度初筛漏斗而非确诊工具优先压低假阳性以免淹没临床工作流。把分歧设计成反馈闭环AI 与人工标注冲突时引入独立专家复审58% 案例判定 AI 推理更合理让评估结果可追溯而不是只留一个准确率数字。论文原文信息链接https://www.simoai.cn/blog/2026-08-05-pythia-cognitive-ai/