微软发布医疗Agent基准HealthAgentBench

微软研究团队在 arXiv 发布医疗智能体基准 HealthAgentBench，包含 75 个任务、覆盖 9 个类别，涉及诊断、标本评估、研究与数据管理等端到端临床工作流，代码已开源在 GitHub。 所有任务采用二元成功标准评分，依据参考标签、可执行规则或计算基线得出。团队用该基准评测了六个智能体：三个 GPT 模型（通过 Codex）和三个 Claude 模型（通过 Claude Code），每任务一次评分尝试，共 450 次评测。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。