Stanford HAI merilis MedHELM, PhysicianBench, dan HealthAdminBench, menemukan tingkat penyelesaian aktual agen AI medis di bawah setengah
Judul asli:Measuring What Medical AI Can Actually Do
Ringkasan AI
Tim Stanford merangkum hasil tiga tahun membangun benchmark AI medis, pada PhysicianBench model terbaik GPT-5.5 hanya menyelesaikan 46% tugas dalam sekali percobaan, sedangkan pada HealthAdminBench Claude Opus 4.6 menyelesaikan 36.3%. MedHELM mencakup 5 kategori besar dan 121 tugas klinis, evaluasi menunjukkan skor terendah pada dukungan keputusan klinis dan proses manajemen; kegagalan terutama berasal dari hilangnya konteks saat meneruskan informasi lintas dokumen dan sistem, kedua benchmark dibuka dengan data sintetis, kode publik, dan papan peringkat.
Poin utama
- Tim Stanford merangkum hasil tiga tahun membangun benchmark AI medis,pada PhysicianBench model…
- 5 hanya menyelesaikan 46% tugas dalam sekali percobaan,sedangkan pada HealthAdminBench Claude Opus…
- 6 menyelesaikan 36.
- MedHELM mencakup 5 kategori besar dan 121 tugas klinis,evaluasi menunjukkan skor terendah pada…
- kegagalan terutama berasal dari hilangnya konteks saat meneruskan informasi lintas dokumen dan…
Ringkasan cepat
- Waktu terbit
- Waktu diperbarui
- Sumber
- Stanford HAI News(网页)
- Kategori
- Makalah & Riset
- Skor AI
- 67
斯坦福团队基于三年基准构建经验给出实测结论,最好的医疗 Agent 完成任务不足一半,失败多源于跨系统信息传递。
Entitas Terkait
Sumber dan hak cipta
Artikel ini disusun berdasarkan judul pilihan dan ringkasan AI dari API publik AIHOT, dengan sumber yang dicantumkan dan tautan balik; hak cipta konten asli milik media dan penulis aslinya, situs ini tidak menyalin artikel secara penuh.
Cara mengutip
Saat mengutip artikel ini, sertakan judul, tanggal, dan tautan permanen, serta cantumkan sumber Orange News.
Orange News: Stanford HAI merilis MedHELM, PhysicianBench, dan HealthAdminBench, menemukan tingkat penyelesaian aktual agen AI medis di bawah setengah. 19 Oktober 2026. https://new.nat6.net/id/news/dla37so34wcgznigffx3j6qko/