又是 MIR 考场。商业模型已经刷到 199/200 了，这篇测的是开放模型：排名 600 到 3,000，但一题都没弃。
补漏 1：题量和规则决定成色
1,552 道题、八届考卷、按考试自己的规则评分。原帖只写了"四个 8 到 27B 开放模型"，题量和届数这两个数不补上，结论的成色没法称。MIR 的计分规则也值得说一句：四选一，答对加分答错倒扣（加权净分），所以"全填"这个策略在规则下才成立——换成不计负分的规则，弃权立刻变香。规则即策略，脱离规则谈弃权都是空谈。
补漏 2：弃权不划算是一道算术
最没把握的答案，正确率也高过 25% 的盈亏平衡点。四选一随机蒙的正确率就是 25%，扣分制下期望值为零——模型连最没把握的题都稳过这条线，说明它的"没把握"也比骰子强。赌场规则下，不下注才是输。这跟"模型该学会弃权"的浪漫叙事正好相反：在考场上，知道不知道都值 25 分以上，那还有什么理由空着？
补漏 3：微调那笔账还有后半截
医学微调确实压了过度自信，但"信心能不能区分对错"毫无改善，准确率还付了代价。降自信和会校准是两件事，帖子合起来写了，读起来像一件事。对要落地的医院来说，后半截才是关键——一个更谦逊但一样分不清对错的模型，采购意义有限。
补漏 4：两处最该被看见的尾巴
13% 到 38% 的正确答案，排除干扰项的理由在临床上站不住，而信心分数看不出来——考对了，工夫是假的。抽掉或换掉配图，分数不变——给的图是摆设，模型在凭文字功底答题。两条加起来指向同一件事：分数榜上的名次，和"能不能进诊室"之间隔着整条推理链。
不确定性这一维还有个细节帖子没展开：论文的"不确定"是靠答案置信度操作化的，而医学微调把那层过度自信压下去之后，置信度与对错的相关性没有变好——信心还是分不清对错，只是说得没那么满了。这跟"校准"是反方向的两回事。
背景补一笔：MIR 2026 的另一半画面（edumed，Murcia 大学）——GPT-5.2 高努力 199/200（99.5%），Gemini 3 Flash 198/200，备考老师 194/200（97%），平均考生 131/200（65.7%）。商业闭源刷满分，开放模型排中游；排名前 600 到 3,000 听着寒碜，对照平均考生的 65.7% 才看得懂位置——也才看得出"考试"这个尺子已经饱和，该换尺子了。还有个细节：这三名开模型考生还有 41 到 43 个专科方向可选，意思是名次难看但远远没到落榜——中等生的生存空间比分数显示的大。
下一根钉子：那 13% 到 38% 的不可靠理由靠什么判的（人工阅卷还是自动判据），回方法一节就能看到；换成必须读图的影像判读题，开放模型会不会现原形；弃权策略换到 USMLE 上还成不成立，是个便宜的对照实验。
边界一条：四个开放模型、一个考场、一种语言——结论的适用面比商业模型那半窄得多。它能证明的是"开放模型在自家硬件上跑，弃权不划算、图像是摆设、理由常不可靠"这三件事，证明不了"所有医学 AI 都该这样用"。