六成二对四成二：皮肤科考场里，2015 年的老将赢了两名 2026 年的状元

伦敦盖伊医院的皮肤科医生 Magnus Lynch，10 月 25 日发出一篇博文。他组织了一场小规模的对照考试，参赛双方的年龄差了十一年：一边是 2015 年谷歌发布的卷积网络 Inception v3，另一边是当下风头最盛的两台前沿大模型，GPT-6 Astra 和 Claude Fable 5.1。考题是皮肤科的日常难题，看图判断皮损的类别。

比分不太给面子。老将六成二，两位状元并列四成二。

一场考试说明不了什么。可这场考试的出题方式，恰好卡在了大模型最难受的位置上。

🧪 考题是怎么出的

Inception v3 不是新东西。斯坦福团队 2017 年在《自然》上那场著名的"皮肤科医生级"演示，用的正是这族架构。Lynch 从公共皮肤图像库 ISIC 里取了六万八千零一十一张图给它微调，一块 H100，二十分钟完事。他在博客里特意交代，这个网络是"故意不用最强"的基线选手。

考卷来自 2025 年发布的公开数据集 MILK10k：两百个皮损，每个都做过活检，答案是病理报告给的。一百个属于"不能放回家"的危险组，含三十个黑素瘤，二十五例基底细胞癌，二十五例鳞状细胞癌，另有二十个光化性角化病；另有一百个良性组，痣和脂溢性角化病各半。全部经过活检证实，考卷因此是难的：日常图像库里大量存在的典型样本，一张都没进来。

📊 分数条

三位考生各自作答，按首选答案计分。结果如下。

分差主要拉在良性疾病上。五十个痣，老将认对三十七个，GPT-6 只认对十六个；五十个脂溢性角化病，Claude 只认对六个。错法也各有性格。GPT-6 把七十五个皮损都判成了基底细胞癌，真答案只有二十五个；Claude 则有五十三次往光化性角化病上猜，真的只有二十个。两台大模型各自抱着一把锤子，把不少钉子以外的东西也敲了下去。

柱子的高下一眼可见。分科目的细账都在上面的表里，同一张考卷，同一个评分标准。

⚖️ 这场考试的保质期

Lynch 自己在文末把坑都列了。样本小，黑素瘤只有三十例，置信区间宽得很；每个大模型对每个病例只跑一次，没有重复采样；考卷里的图像来自公开数据集，两台大模型的训练语料可能见过它们，不过他在博客里的判断是，见过对模型只会有利，这个方向的偏差解释不了落后的结果。

还有一个公平性问题。老将的阅卷阈值设得比较宽，按预设会放走十八个黑素瘤，远多于两位状元的三个和四个；把放行标准对齐之后，放走数量降到两个和一个，优势收窄。另有一组对照读数：在普通的存档图像上，老将的曲线下面积能到 0.96，在这份活检证实的难卷上只有 0.86。卷子是真的难。

博文未经同行评审，分析脚本倒是用了 Claude Code 辅助写就，评分环节按病理报告脚本化执行，没有人工干预的空间。

🧭 老问题的新读数

十年前，Inception v3 登上《自然》靠的是"能跟医生打平"。十年后它重新上场，比的东西变了：不看像不像医生，只看窄科目上谁更稳。通用模型什么都懂一点，可皮损分类是一个答案空间极小、后果极重的封闭任务，专项网络在这种地方又便宜又快，二十分钟的微调就够。

大模型当全科医生的叙事还在往前跑。这份小样本的成绩单至少提醒了一件事：全科之下，专科的流水线并没有退休，反而显得更结实了。至于两位状元什么时候能在窄科目上稳住阵脚，Lynch 的考卷就摆在那里，两百道题，随时可以重考。

信源：Magnus Lynch 博客 Lynch Lab《A 10-year-old CNN outperforms frontier LLMs for skin cancer diagnosis》（2026-10-25）；ISIC Archive；MILK10k 数据集说明；Esteva 等《自然》2017 年皮肤癌分类论文（背景）。

限定：全部数字出自该博文，单作者、未同行评审；每模型每病例单次运行；黑素瘤样本三十例，统计功效有限；两台大模型的具体版本与提示词设置以博文自述为准；本文不含任何就医建议。