随着大型语言模型（LLMs）在医疗领域的迅速普及，迫切需要可扩展且具有心理测量学基础的评估方法。传统的静态基准测试在重复实施时成本高昂，易受数据污染影响，且缺乏细致性能跟踪所需的校准测量特性。研究提出并验证了一种基于项目反应理论（IRT）的计算机自适应测试（CAT）框架，以高效评估LLMs的标准化医学知识。研究设计分为两个阶段：首先进行蒙特卡罗模拟以确定最佳CAT配置，其次使用经过人工校准的医学题...