ClinicNumRobBench: карта слабых мест LLM в числовом анализе — и как формат данных меняет точность

Специализированный медицинский AI справляется с арифметикой в 22% случаев — базовая модель делает то же самое на 75%. Дообучение на клинических текстах убивает математику втрое. Но дело не только в выборе модели: если данные поданы прозой, а не структурой — точность проседает ещё на 10–22%. Исследование ClinicNumRobBench на 1624 вопросах и 14 моделях даёт карту где LLM надёжна, а где молча ошибается — особенно больно на агрегации и сравнении, где часть моделей укладывается в 15%.