OncologyBench 发布:25 项肿瘤多步评测,最强模型仅得 40 分

kenbwork · x · 2026-10-14

kenbwork 团队发布 OncologyBench，一个可验证的肿瘤学多智能体基准：25 项多步评测（基于 92 个组件任务），覆盖从转化研究、风险检测、诊断、治疗到研究优先级的癌症诊疗全流程。每个任务按原始实验分析的真实生物学结果做确定性评分，拒绝与超时也计入分母，且分数按「模型+框架」组合而非模型单独报告。

榜首成绩惨淡：Claude Opus 5 + Pi 仅 40.0%，Claude Opus 5.5 + Claude Code 37.3%；Kimi K3 24.0%，GPT-6 Astra + Pi 21.3%，Grok 4.6 + Pi 18.7%。排行榜、论文、博客与 GitHub 均已公开。