随着人工智能技术的快速发展，大语言模型在通用医学领域展现出巨大潜力，但其在理论体系独特、临床实践复杂的中医药领域，长期缺乏系统、多维度的评估标准。针对这一空白，研究团队构建了全国首个通过严格同行评审并完成信度、效度检验的中医药大语言模型性能测试基准——TCM-3CEval。该基准基于中医药人才能力培养路径，包含“基础知识掌握、经典文本理解、临床决策评估”三个维度。

基准共包含450个经多轮专家验证的标准化测试项目，采用选项排列一致性检验消除位置偏倚，并评估了8种主流大语言模型。此外，团队还引入中医药研究生进行人机对比，结果发现：模型在临床决策维度上的整体表现与人类相当（56.1% vs. 57.9%），但在中医诊断学、证候鉴别等需要辨证推理的子维度上显著落后（如诊断学61.7% vs. 71.4%），暴露出AI模拟中医整体性临床思维的局限。而在经典文本理解任务中，具有中文文化先验的模型（如DeepSeek-R1）准确率达71.8%，远超国际通用模型（12.1%），凸显了文化语境对齐的关键意义。TCM-3CEval能够有效区分机械记忆与真实临床推理能力，表明当前模型虽在结构化知识上表现不俗，但面对中医独特的辨证论治体系，仍需在文化适配与整体性推理建模上实现更深层次的突破。

太阳集团tyc86为该论文第一完成单位，唐文超教授为共同通讯作者，研究生黄天爱为共同第一作者。该研究得到国家自然科学基金及上海市卫健委、中管局等课题资助，是医工交叉协同创新的重要成果。目前TCM-3CEval基准已在Medbench中医药评测赛道（https://medbench.opencompass.org.cn/track）上线，接受各大中医药大语言模型研发机构进行开放化测试。未来，团队将持续完善评测基准，推动中医药AI从“技术适配”走向“体系融合”，为人工智能赋能中医药现代化提供方法论支撑。