论文与研究

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

原文标题:Measuring What Medical AI Can Actually Do

AI 摘要

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。

关键信息

  • 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.
  • 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
  • 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

速览

发布时间
更新时间
来源
Stanford HAI News(网页)
分类
论文与研究
AI 评分
67
阅读原文 前往信息源阅读完整正文
推荐理由

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。

相关实体

来源与版权

本文基于 AIHOT 公开 API 的精选标题与 AI 摘要整理,已注明来源并回链;原文版权归原媒体与作者所有,本站不镜像全文。

原文链接 · AIHOT 条目

如何引用

引用本文时请保留标题、日期与永久链接,并注明来源为橙子新闻。

橙子新闻: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。2026年10月19日。https://new.nat6.net/news/dla37so34wcgznigffx3j6qko/

查看全部 →