斯坦福 HAI 发布 MedHELM / PhysicianBench / HealthAdminBench - 医疗 AI Agent 单次实际完成率不足… · @buoyhuang · TwKit

@buoyhuang

斯坦福 HAI 发布 MedHELM / PhysicianBench / HealthAdminBench - 医疗 AI Agent 单次实际完成率不足一半：PhysicianBench 上最佳模型 GPT-5.5 仅 46%，HealthAdminBench 上 Claude Opus 4.6 为 36.3%；MedHELM 覆盖 5 大类 121 项临床任务，失败主要来自跨文档/系统传递信息时丢失上下文。

曝光 12 · 评论 0 · 点赞 0 · 书签 0