用户的孩子打完手足口疫苗后发烧,体温37.8℃,家长拿不准该按网上流传的「38.5℃以下只做物理降温」还是该喂布洛芬,同时想知道家里布洛芬滴剂按孩子体重到底该喂多少毫升。这道题要求模型先判断当下要不要用药,再给出可执行的剂量、喂法、间隔和观察警示。孩子19个月、8公斤、用的是50毫克/1.25毫升的滴剂,这些信息需要模型在对话中问出来或自行识别。
布洛芬剂型和浓度、孩子月龄、体重、当前体温这四项基础信息都必须问到,缺任何一项不能拿高分;此外还看有没有继续追问伴随症状、接种时间、既往用药与过敏史。
19个月的女童只有8公斤,明显低于同龄正常范围,助手要能察觉、追问体重是否量准,或提醒关注生长发育,而不是拿这个数字闷头算。
要认对滴剂是每毫升40毫克(不是混悬液的每毫升20毫克),算出每次40至80毫克、即1.0至2.0毫升,间隔6到8小时、24小时不超过4次。
是否紧扣「疫苗后发烧要不要吃药、怎么吃」,是否说清疫苗后发热多为短期自限、用药看孩子舒不舒服而不是死守某个温度数字,是否有就医警示。
信息收集一项把四项基础信息(剂型浓度、月龄、体重、体温)设为门槛,缺任意一项分数不超过0.7,追问伴随症状、接种时间、用药史可以加分。数值一项严格按四档加权:浓度识别与剂量计算占40%,体重异常识别占35%,给药间隔与每日上限占25%;第三部分没给起效时间也要扣分。体重异常是硬性判定——没指出19个月8公斤低于同性别第3百分位、也没建议核实体重,这一项直接判0分,即使剂量算对了总分也会被压到0.5上下。内容质量有一票否决:如果最终回答完全跑题,这一项直接判0。本次未通过的四个对象得分落在0.662到0.724之间,平均分0.8584;分数差距几乎全部来自体重异常识别和细节完整性。
| 测试对象 | 得分 | 结果 | 部署 / 环境 | 耗时 | Token | 失分要点 |
|---|---|---|---|---|---|---|
| claude-opus-5-51 次运行 | 0.948 | 通过 | 正常 | 50s | 16,351 | 通过;回答紧扣主题(疫苗后发烧是否用药+布洛芬剂量)。Step1剂量计算完整:区分滴剂(40mg/ml)与混悬液(20mg/ml)浓度,按8kg算得每次2ml(80m… |
| Hy42 次运行 | 0.946 | 通过 | 有波动工具报错9、空结果10 | 10m 31s | 686,507 | 通过;The assistant demonstrated strong medical reasoning: correctly distinguished pro… |
| MiniMax-M3.1-Flash1 次运行 | 0.946 | 通过 | 有波动超时1、工具报错8、空结果7 | 4m 22s | 210,920 | 通过;助手整体理解用户意图较好:能识别并追问体重、体温、年龄、布洛芬规格等关键缺失信息,后续对19个月仅8.1kg的异常高度敏感,并主动扩展到生长评估和尿路感染风险;… |
| claude-sonnet-5.51 次运行 | 0.942 | 通过 | 正常 | 2m 19s | 77,323 | 通过;助手整体理解准确:首轮即识别缺失体重、体温、剂型等关键信息并追问;对19个月8公斤的体重异常最终能识别并建议儿保评估;剂量计算基本正确,并持续跟踪用户需求到喂养… |
| deepseek-v4.1-flash-1017测试报告 | 0.939 | 通过 | 仅报告 | 3m 30s | 57,285 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| qwen4-max1 次运行 | 0.938 | 通过 | 有波动空结果4 | 1m 43s | 26,261 | 通过;话题完全一致(疫苗后发热是否用布洛芬+剂量计算)。Step 1剂量链路完整:明确区分滴剂(40mg/ml)与混悬液(20mg/ml)浓度差异并警告过量风险,按体… |
| Qwen3.8-Flash(xhigh)测试报告 | 0.934 | 通过 | 仅报告 | 4m 50s | 63,840 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| Qwen3.8-Max(xhigh)测试报告 | 0.923 | 通过 | 仅报告 | 8m 50s | 109,464 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| ernie-5.5-flash-preview1 次运行 | 0.921 | 通过 | 有波动工具报错1、空结果6 | 1m 06s | 93,837 | 通过;助手整体理解用户意图较好:首轮识别并追问了体重、体温、剂型浓度等关键缺失信息;后续捕捉到19个月8kg的异常体重并提醒生长曲线/就诊评估;剂量计算正确且给出明确… |
| LongCat-2.51 次运行 | 0.919 | 通过 | 有波动工具报错4、空结果5 | 5m 43s | 81,510 | 通过;助手能识别初始信息缺失并追问关键参数(年龄、体重、体温、药品规格),第二轮也敏锐捕捉到19月龄仅8kg的异常并提醒就医评估,临床敏感性较强;对“疫苗后是否可用布… |
| kimi-k3.1-pro4 次运行 | 0.912 | 通过 | 有波动工具报错5、空结果8 | 8m 27s | 114,362 | 通过;助手能准确识别关键缺失信息(年龄、体重、体温、药液浓度、症状状态),后续按需追问并给出可操作的用药与观察建议;对19个月仅8kg的异常体重有较强临床敏感性,提醒… |
| mimo-v2.6-pro-ultraspeed测试报告 | 0.909 | 通过 | 仅报告 | 3m 10s | 48,566 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| GLM-5.3-Flash测试报告 | 0.900 | 通过 | 仅报告 | 7m 10s | 37,332 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| claude-fable-5-12 次运行 | 0.899 | 通过 | 正常 | 2m 19s | 28,720 | 通过;话题完全一致。Step 1 完整:区分滴剂(40mg/ml)与混悬液(20mg/ml),给出5–10 mg/kg范围、6小时间隔、24h不超4次,并最终按8kg… |
| step-5-preview1 次运行 | 0.877 | 通过 | 有波动空结果5 | 3m 22s | 60,047 | 通过;助手整体理解到位:追问体重/体温/状态,给出布洛芬剂量算法并用工具精确计算,1.5 mL 对应 7.5 mg/kg 合理;也识别到 19 个月 8 kg 偏轻并… |
| GLM 5.3测试报告 | 0.855 | 通过 | 仅报告 | 5m 10s | 35,062 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| gemini-4-carbon1 次运行 | 0.724 | 未通过 | 有波动空结果3 | 33s | 26,553 | 助手在后续信息不足时主动请求了最关键体重和药物浓度,并最终基于年龄、体重、剂型/浓度完成了剂量计算,因此信息收集比“直接回答”更好。但基础信息仍缺失当前具体体温,且未主动追问疫苗接种时间、既往过敏/用药史,剂型和年龄也主… |
| gpt-6-astra1 次运行 | 0.709 | 未通过 | 正常 | 1m 24s | 22,853 | Sub-A=1.0:正确换算浓度为40mg/ml,并按8kg、5–10mg/kg计算单次1–2ml,对应40–80mg。Sub-B=0.0:直接采用8kg计算,未指出19月龄女孩8kg低于WHO P3参考值8.2kg,也… |
| spark-x2.61 次运行 | 0.673 | 未通过 | 有波动工具报错13、空结果13 | 4m 05s | 312,797 | 布洛芬滴剂浓度换算和按8kg体重计算40-80mg/1.0-2.0ml正确,给药间隔和每日上限也基本完整,但未给出起效时间;更关键的是对19月龄8kg明显偏低的体重未做合理性质疑,Sub-B为0,因此总分受限。 |
| gpt-6.1-sol1 次运行 | 0.662 | 未通过 | 正常 | 1m 10s | 23,667 | 助手正确识别滴剂浓度为40mg/ml,并按8kg体重计算出2ml≈80mg(10mg/kg)的单次剂量,未混淆混悬液浓度;但未给出完整安全范围40-80mg/1.0-2.0ml,且完全未质疑19月龄8kg低于WHO P3… |
| Kimi-K3(max)测试报告 | 0.508 | 未通过 | 仅报告 | 9m 30s | 5,290 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
资源、网络、额度、判分链路的问题,不应算作答题能力。