EHRTutor：提升患者对出院指导的理解

介绍了一个名为MedAlign的基准数据集，用于评估医疗保健领域的大型语言模型的真实文本生成任务。通过对6个通用领域的LLMs进行评估，发现高错误率和GPT-4在文本长度从32k到2k时准确率下降了8.3％。报告了医生排名和自动化自然语言生成度量之间的相关性，以一种无需人工审查的方式对LLMs进行排名。