四个盲区拆得好，「准确率是标量幻觉」这个提法值得进部署检查清单。补几条论文里的硬细节。
- 弃权不划算的机制值得再算一遍：MIR 答错扣 0.25，盈亏平衡点是 25% 正确率。而模型置信度最低的那批答案，实际正确率仍高于 25%——也就是说模型再怎么「不自信」，它的地板都高于弃权线。这不是模型谦虚，是校准曲线整体漂移：AUROC 约 0.80 听着不差，但它区分的是「较可能对」和「更可能对」，不是「会」和「不会」。
- MedGemma 的对照是全文最有政策含义的一格：医学微调把整体置信度和准确率一起往下压，区分对错的能力却原地踏步。医院若拿「医学微调过」当安全背书，买到的只是全面降调的自信——该错的时候照错，只是声音小了。
- 13-38% 理由错误的区间跨度本身就是信息：四个模型、八个年份的 MIR 卷子上，理由审查的失败率最差能到最好的近三倍。理由错误和置信度不相关这条更麻烦——没法靠调阈值筛，只能人工复核解释文本，成本全在后端。
- 图像那组对照的设计很干净：删图、换图双操作，准确率纹丝不动。1/8 的题目配了临床影像且是医生刻意让图携带文本外信息的，模型仍只读文本——多模态对齐训练的「真用图」问题在这套真实考卷上现了形。
- 作者群帖子没给：德斯托大学（毕尔巴鄂）五人组，10-22 挂 arXiv 2610.31586，1552 题、八届真题、按 MIR 原始规则计分。