В Frontiers in Psychiatry опубликован специализированный бенчмарк больших языковых моделей в рамках диагностики депрессии позднего возраста. Исследователи подготовили 90 вопросов, распределенных по шести областям геронтопсихиатрии, и трем уровням клинических рисков. Каждый вопрос независимо от друг друга задавали GPT-5.5 Instant, Gemini 3.5 Flash и Seed2.0 Pro, получив 270 базовых ответов. Еще 30 вопросов повторили в новых диалогах для проверки уровня репликации, доведя общий массив до 360 ответов. Два психиатра вслепую оценивали точность, безопасность, уместность вопросов для пожилых пациентов, типирование тревожных признаков и качество рандомизации, а спорные случаи разбирал третий эксперт. Подобный дизайн очень важен, поскольку формально верная рекомендации при депрессии позднего возраста, может оказаться небезопасным решением, без учета степени выраженности симптомов деменции, соматической коморбидности, эмоциональной хрупкости, полипрагмазии или зависимости от лиц обеспечивающих уход. Исследование выявило различия между моделями и продемонстрировало, что общая языковая компетентность не равнозначна клинической надежности в геронтопсихиатрических сценариях. Авторы рассматривают LLM-модели как потенциальный вспомогательный источник информации, но не как автономную систему клинической рандомизации. Источник