Stanford HAI melancarkan MedHELM, PhysicianBench dan HealthAdminBench, mendapati kadar penyelesaian sebenar Ejen AI perubatan kurang separuh
Tajuk asal:Measuring What Medical AI Can Actually Do
Ringkasan AI
Pasukan Stanford merumuskan hasil tiga tahun membina penanda aras AI perubatan. Pada PhysicianBench, model terbaik GPT-5.5 hanya menyelesaikan 46% tugas dalam satu percubaan, manakala Claude Opus 4.6 menyelesaikan 36.3% pada HealthAdminBench. MedHELM merangkumi 5 kategori besar dan 121 tugas klinikal; penilaian menunjukkan sokongan keputusan klinikal dan proses pengurusan memperoleh skor terendah; kegagalan utama berpunca daripada kehilangan konteks semasa memindahkan maklumat merentas dokumen dan sistem. Kedua-dua penanda aras dibuka dengan data sintetik, kod awam dan papan pendahulu.
Maklumat penting
- Pasukan Stanford merumuskan hasil tiga tahun membina penanda aras AI perubatan.
- Pada PhysicianBench,model terbaik GPT-5.
- 5 hanya menyelesaikan 46% tugas dalam satu percubaan,manakala Claude Opus 4.
- 6 menyelesaikan 36.
- 3% pada HealthAdminBench.
Sekilas pandang
- Diterbitkan pada
- Dikemas kini pada
- Sumber
- Stanford HAI News(网页)
- Kategori
- Kertas penyelidikan
- 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。
Entiti Berkaitan
Sumber dan hak cipta
Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.
Cara memetik
Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.
Orange News: Stanford HAI melancarkan MedHELM, PhysicianBench dan HealthAdminBench, mendapati kadar penyelesaian sebenar Ejen AI perubatan kurang separuh. 19 Oktober 2026. https://new.nat6.net/ms/news/dla37so34wcgznigffx3j6qko/