Loạt nghiên cứu công bố trên arXiv ngày 1/9/2026 cho thấy các mô hình ngôn ngữ lớn (LLM) hàng đầu vẫn gặp rào cản lớn khi đưa ra quyết định chuyên môn phức tạp trong y tế và khoa học tự nhiên, dù đạt điểm số cao ở các bài thi lý thuyết.
Tại nghiên cứu xây dựng bộ chuẩn Oncology Decision Boundary Benchmark (ODBB), nhóm tác giả đã thử nghiệm 9 mô hình AI biên giới—gồm 4 mô hình đóng và 5 họ mô hình trọng số mở phát hành từ tháng 6/2025 đến tháng 4/2026—trên 2.005 điểm quyết định điều trị ung thư. Kết quả chỉ ra 42,1% tổng số tình huống không có bất kỳ mô hình nào đưa ra lựa chọn chính xác. Tỷ lệ thất bại tập trung vào việc chọn phác đồ trước khi suy luận chi tiết: 35,7% trên 1.586 mục phác đồ NCCN và 66,4% trên 419 ca bệnh ung thư đại trực tràng thực tế. Đáng chú ý, hai mô hình được tinh chỉnh theo hướng quyết đoán là GPT-5.5 và Gemini 3.1 Pro Preview đưa ra quyết định thiếu an toàn cao gấp 3 đến 5 lần so với 7 mô hình còn lại mà không đem lại điểm số cao hơn. Trong 3% đến 9% số trường hợp, các mô hình nêu đúng bước lâm sàng tiếp theo nhưng từ chối cam kết thực hiện.
Cùng thời điểm, nghiên cứu giới thiệu tập dữ liệu Expert-validated STEM QA gồm 398 câu hỏi vật lý, hóa học, sinh học và toán học do 241 chuyên gia biên soạn cũng ghi nhận tỷ lệ chính xác của các mô hình tiên tiến ở mức dưới 25%. Khi thực hiện hậu huấn luyện (post-training) với phiên bản mở rộng 2.000 mẫu riêng biệt, mô hình mã nguồn mở ghi nhận mức cải thiện 15% hiệu năng trên tập kiểm thử STEM HLE-verified (p=0.045).
Ở khía cạnh tối ưu hóa quy trình khám chữa bệnh, phương pháp CDPR kết hợp thuật toán GRPO được thử nghiệm trên tập dữ liệu MIMIC-IV và ClinicalBench nhằm mô hình hóa quá trình chẩn đoán tuần tự, giúp cắt giảm số lượng và chi phí xét nghiệm không cần thiết. Trong khi đó, nhóm nghiên cứu tại bài báo về phân bổ ghép tim đề xuất thuật toán học hàm hữu dụng trực tiếp từ kết quả phân bổ, giúp nâng hệ số competitive ratio từ mức 0,54 của chính sách hiện hành lên 0,95.
Các kết quả thực nghiệm đồng loạt nhấn mạnh rằng việc nâng cao dung lượng dữ liệu huấn luyện thuần túy chưa thể giải quyết triệt để điểm mù về khả năng ra quyết định đa bước, đòi hỏi các cấu trúc AI mới biết tự nhận diện giới hạn năng lực và chuyển giao quyền xử lý cho bác sĩ hoặc chuyên gia con người.