四月下旬，院方批准的限定回溯测试开始。
凌晨一点，影像科那间独立工作室仍亮着灯。历史报告已按批准范围去标识，存放在受控工作站里。账号、可读目录和导出权限，信息部门事先划过；林晚核交接，医师负责标注解释。
陈野自己的电脑留在门外。不是拔掉一根网线，他就能把里面的东西随便拷出来。
这次只测报告文本的字段质控：必填项、单位、前后数值和描述冲突。它不看图像诊断，也不筛出所谓八成阴性让医生少看片。
林晚把范围表放在键盘边。
“先说清楚，你打算怎么干。”
“三段。能明确判的规则先查；需要上下文的，模型提示疑点；每一份仍按原流程由人核。机器不标红，也不等于这份报告通过。”
“没有置信度八十五？”
“不会让它自己报八十五，然后替自己开门。”
她把笔从纸边移开，示意他继续。
规则表一共四十七条。必填项缺失、单位不一致、同一处结构化字段互相矛盾，各有例子。超出范围的内容，标明无法检查，不用“未发现异常”含混带过。
林晚指着其中一条：“左右侧别不同，不一定就是错，可能同时有两处。”
陈野把“错误”改成“需核”。又加证据位置，不能只在屏幕上亮一个红框，让人翻完整篇去猜。
第二段才是模型。
他没有写“你是三甲医院专家”。输入里限定可见字段，指令要求找相互矛盾的文字、引用原句，不能从报告里补出不存在的影像发现，也不能改写成诊断建议。
输出字段只有待核项、原文位置、触发依据和无法判断的原因。程序先校验格式、字段来源与引用是否真的存在，模型生成的解释还要人看。
“少样本里放错例。”他说，“但不是放一个漏报，错误率就自动降一成。改完，得在没用来写指令的资料上再测。”
“所以今天这些，哪些给你改，哪些留着考？”
林晚抽出测试计划。三千二百份历史报告按预定方案划分，开发样本和留出集分开。标注由院方安排的专业人员完成，分歧保留，不用机器和某一个人的意见一对，就叫标准答案。
陈野最初的表，只有一列准确率。
负责标注的医师看了一眼，问：“你识别的是缺字段，还是诊断对错？这个准确率的分母是什么？”
他把那一列删了。
改成按问题类别分别统计：已标出的字段问题找回多少；提示里多少是误报；漏掉什么；专业人员还要花多久核。报告级和问题级不混算，病例也不叫一张片子。
第一轮，错得最多的不是大模型生成，而是最前面的单位转换。一份报告单位省略，程序沿用了上一条的单位，把原本不矛盾的两个数标成冲突。
林晚把来源字段调出来。
“你以为它没填，就能接着前一条？”
“我给它加了默认值。”
“那这不是它猜的，是你让它猜的。”
陈野站着看了一会儿，把默认值去掉。缺单位就缺，不替原记录修完整。
第二轮，有一类文本带着术后标记。模型把相邻几句拎到一起，读出一处原文并没有明确表达的疑点。
他刚想加一条遇到术后标记就不报，医师先摇头。
“不能一刀切。术后也可能有新问题。你现在能做的，是保留上下文，让人看它为什么提示，不是把这一类全藏掉。”
陈野把手从鼠标上拿开。那一条简单的排除规则，很容易让测试数字立刻好看。
可它好看的地方，恰好是把最难的一批移出了分母。
他在变更记录写下：不采用，避免未经验证的整类排除。
第三轮，模型引用了不存在于这份报告中的一句话。检索候选里有相似的另一份样本，它把两段混在了一起。
这次是校验程序拦住的。引用位置不匹配，结果没进入待核队列，而是进系统异常，保留输入和版本。
林晚看着屏幕：“要是它引得像，人也可能没看出来。”
“所以每条证据只能从本份允许范围里取。别的病例即使相似，也不能拿来补事实。”
他改完，重新跑开发样例。温度降低，重复结果稳定了一些，但没有因此把同样的错误都修好。稳定地错，也是错。
凌晨三点，他们暂停了一次。
林晚出去接水，回来给他放下一杯。杯子是医院普通纸杯，外面套着另一只，免得烫手。
陈野低头时，才看见自己的手腕在抖。他把屏幕关暗，离开椅子走了两步。
“你以前也这样通宵？”林晚问。
“以前会把熬了多少小时写进周报。”
“这里不按通宵给分。”
“知道。”他把水端起来，“现在只想别再改出一个默认值。”
他们没有在这一夜里宣布系统能用。留出集的结果由院方独立核，计时还要排除熟悉同一批样例带来的偏差。陈野只把当天确认的失败项和修改原因整理出来。
林晚看见他给文件夹命名“盲区清单”。
“不是模型自报的盲区。是我们已经知道它会失手的地方。”他说，“未知的还在外面。”
她翻到，指着一行：“这里写不能识别，不要写偶尔。你没有足够样本知道它有多偶尔。”
陈野改了。
是成本。他分别列设备资源、单次推理、重试和人工复核。工作站在本院运行，没有一张云API账单可以拿来替代设备成本。
“小模型便宜，也得另测。”他说，“不能大模型跑过一遍，就把结果当老师教给小模型，再默认下个月能接一半工作。”
“你把节省多少写哪里？”
“这次还没测准，留空。”
林晚看了一会儿，在那格旁边签了测试记录人，不是临床放行人。
清早交班前，工作站锁定，资料按权限留在原处。陈野带走的只有获准导出的无患者信息的技术记录。
走到楼下，他拿手机看了看银行余额。Kevin的用量款已经到账，维护准备金单独留着，母亲下一阶段治疗和照护的钱也不能动。医院这项测试还没正式采购，他不能靠想象中的两百万活三个月。
“下一阶段成本，明天会上说。”他对林晚说，“我能承担多少，也写出来。”
“好。别到一半才说自己扛不住。”
回家睡下前，陈野把测试记录又看一遍，没有把所有数字删成一张空白的漂亮流程图。准确的留，口径不清的重算，不能证明的标清不能证明。
下午醒来，手机有几通未接。主任通过正式联系人请他回电。
接通后，对方没有先问通过了多少。
“历史材料的答案，都是已经有人看过的。到了新的队列，结果还没出来，你怎么知道系统没有把错的排在安静的那一边？”
陈野坐到床沿，把脚落到地上。
“不能只看它报出来的。”他说，“没报的，也要按方案抽查，和常规流程比较。具体怎么设，需要您和评估人员一起定。”
“那三个月里，人到底少做了什么？”
他没有立即答。
目前少的，只是翻字段、找出处的一部分重复劳动；临床判断没有少，新的核查甚至可能增加工作。他若把“等着验证”讲成“已经省了八成”，就和前面的漂亮宣传没有区别。
“现在还不能保证少。可能先多。”
主任那头安静了片刻。
“明早九点。带上完整结果，尤其是漏掉的。经费、权限和退出，也一起谈。”
陈野挂掉电话，在本子上写：明天九点。
下面不是一句谁签字最累，而是三个待答的问题：结果归谁复核，错误怎么停，做不到时怎样退出。
写完，他想起工作站上自己打错的文件名，把那处拼写也加入修订记录。小错改起来容易，难的是不拿修过的小错，替还没弄明白的大问题遮脸。
作者寄语: