arXiv 上这篇预印本对比了两个模型在临床试验预筛上的表现：JEV 是非生成式判定模型，只输出给定选项的概率；对手是带 schema 约束的 Qwen Flash。测试集是从 TrialGPT 和基于 MIMIC-III、MIMIC-IV 的问答数据里取的 2048 组「患者-条件」配对，全程按 Zero Data Retention 处理。
批量模式下两边在 TrialGPT 和 MIMIC-IV 上宏观 F1 接近，0.652 对 0.660、0.807 对 0.814；差距出在 MIMIC-III，JEV 0.768，Qwen 0.534，拉开 0.234。这个优势主要来自把「信息不足」的条件识别出来：召回 56.3% 对 9.9%。延迟中位数 JEV 是 1.18–1.40 秒，Qwen 是 2.80–8.90 秒，单条件成本估算低 53%–74%。
作者把 JEV 定位成初筛环节，标出信息缺口交给人工复核，也明说它在解读临床证据时会出错，输出在用于资格判断前必须对回病历核对。这是预印本，同行评审状态未确认。对做试验预筛的人来说，值得看的不是它赢了哪一档，而是「信息不足」这一类能被单独拎出来，以及那部分错误需要多少人工兜底。
$BTC
批量模式下两边在 TrialGPT 和 MIMIC-IV 上宏观 F1 接近，0.652 对 0.660、0.807 对 0.814；差距出在 MIMIC-III，JEV 0.768，Qwen 0.534，拉开 0.234。这个优势主要来自把「信息不足」的条件识别出来：召回 56.3% 对 9.9%。延迟中位数 JEV 是 1.18–1.40 秒，Qwen 是 2.80–8.90 秒，单条件成本估算低 53%–74%。
作者把 JEV 定位成初筛环节，标出信息缺口交给人工复核，也明说它在解读临床证据时会出错，输出在用于资格判断前必须对回病历核对。这是预印本，同行评审状态未确认。对做试验预筛的人来说，值得看的不是它赢了哪一档，而是「信息不足」这一类能被单独拎出来，以及那部分错误需要多少人工兜底。
$BTC
