Большие языковые модели демонстрируют высокие результаты в тестах, связанных с медицинскими приложениями, однако стресс-тесты с использованием методов противодействия выявили повсеместную хрупкость — зависимость от упрощенных решений, слабую визуальную привязку и сфабрикованные следы рассуждений — что указывает на существенные пробелы между производительностью в тестах и доказательствами надежности, необходимыми для подтверждения готовности к применению в поддержке принятия медицинских решений и в приложениях, ориентированных на пациентов.