一、文章主要内容总结该研究针对中医领域大语言模型（LLMs）的临床应用能力评估问题，提出了首个聚焦“辨证论治（SDT）”全流程的综合基准数据集TCM-BEST4SDT。数据集由中医专家主导构建，涵盖中医基础知识、医学伦理、LLM内容安全、辨证论治4大任务，共600道题目，覆盖257种证候和20个ICD-11疾病组，数据标注经过专家标注、交叉验证、第三方审核三阶段流程，确保专业性和可靠性。评估框架创新设计了三种机制：选择题评估（随机选项顺序+多轮独立评估）、判断模型评估（结合专家提示的LLM评分）、奖励模型评估（量化“方证对应”程度），同时首次引入过程导向指标（思维链完整性与准确性），突破了现有基准仅关注结果准确性的局限。通过对15个主流通用域（如GPT-5、Gemini 2.5 Pro）和中医域（如华陀GPT、仲景GPT）LLM的零样本实验验证，发现优质中医语料与监督微调可提升模型临床推理能力，但多数中医域LLM因参数规模小、真实临床场景语料不足，性能不及部分通用域模型；模型规模与性能呈正相关（如Qwen3系列），验证了数据集的鉴别有效性。该数据集已公开，为中医智能模型的性能评估、迭代优化及产业化提供支撑。二、文章创新点数据集聚焦核心任务：首次构建以“辨证论治”为核心的综合基准，覆盖从证候辨识到治疗决策的完整临床链，弥补现有基准仅关注基础知识或单一证候辨识的缺陷。评估维度全面化：兼顾结果导向（14个辨证论治核心维度）与过程导向（思维链完整性、准确性）评估，同时纳入医学伦理、内容安全等通用规范维度，实现多维度综合