Исследователи представили Oncology Decision Boundary Benchmark (ODBB) — специализированный тест, состоящий из 2005 сценариев принятия решений на основе рекомендаций NCCN и реальных случаев колоректального рака. В тестировании приняли участие девять передовых моделей (четыре закрытых и пять с открытыми весами), выпущенных в период с июня 2025 по апрель 2026 года. Оценка проводилась с помощью детерминированного алгоритма, исключающего влияние других нейросетей, с последующей проверкой онкологами. Результаты показали, что 42,1% всех задач оказались нерешаемыми ни для одной из протестированных моделей. Основная проблема заключается не в нехватке медицинских знаний, а в неспособности моделей выбирать правильный путь лечения в условиях неопределенности. В 3–9% случаев модели верно определяли следующий клинический шаг, но не могли принять решение о его реализации. При этом модели, настроенные на повышенную решительность, совершали опасные ошибки в 3–5 раз чаще, не демонстрируя при этом более высокой точности. Авторы работы подчеркивают, что качество самих моделей перестало быть главным препятствием для их внедрения в медицину. Основным ограничением является использование LLM как единственного источника для принятия клинических решений. Исследователи призывают к разработке архитектур, которые способны распознавать границы своей компетенции и автоматически перенаправлять сложные задачи врачам, вместо того чтобы полагаться на «супермодели» в вопросах, требующих клинической ответственности.