返回 AI 情报
论文2026-10-18T16:00:00.000ZStanford HAI News
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
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。
正文 · AI 翻译
发生了什么
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。
为什么值得关注
这类研究进展更适合从方法、评测和可能落地的角度观察，不宜只看标题判断影响。
小黑丸怎么看
对普通用户来说，最重要的是判断这条变化会不会影响账号使用、订阅选择、工具效率或后续购买决策；对开发者和运营来说，则要关注它是否带来新的产品机会或风险信号。
原文
Original Title
Measuring What Medical AI Can Actually Do
Source
Stanford HAI News
Site
hai.stanford.edu
Published
2026-10-18T16:00:00.000Z