斯坦福团队总结三年构建医疗 AI 基准的成果，PhysicianBench 上最佳模型 GPT-5.5 单次仅完成 46% 任务，HealthAdminBench 上 Claude Opus 4.6 完成 36.3%。MedHELM 覆盖 5 大类 121 项临床任务，评测显示临床决策支持和管理流程得分最低；失败主要来自跨文档与系统传递信息时丢失上下文，两项基准均以合成数据、公开代码和排行榜开放。 🔗 阅读原文 via AIHOT · https://aihot.news/items/dla37so34wcgznigffx3j6qko
信息源：AI HOT · 精选
- 原文链接：斯坦福 HAI 发布 MedHELM、PhysicianBench 与 HealthAdminBench，测出医疗 AI Agent 实际完成率不足一半
- 分类：论文
- 作者：Stanford HAI News
- 发布时间：2026/10/19 00:00
评论0