临床 AI 评测:顶级模型原始测试 96-97.5%,更难 324 题最好仅 65%
baseten · x · 2026-10-27
System One v0.2 评测覆盖 43 个模型、993 个临床决策(含 88 道图像题)。排名前 4 的临床 AI 模型在原始测试集上得分 96-97.5%,但在 324 道更难的新题上,最好的模型只拿到 65%。开源权重模型 mammoth-1(Baselabs)与闭源 d1-ultra(LiquidAI)并列榜首;图像题上没有任何模型超过 50%,说明现有模型对困难病例与影像判断仍有巨大差距。
所属事件:医疗AI基准加难后顶级模型准确率暴跌至65%(2 条相关)→
「模型」频道最新
- php2shell 漏洞实测：仅 2/5 前沿模型能完成利用移植，耗时 3.5-6 小时 — xeophon · 2026-10-27
- Qwen Code 发布 v0.26.2 预览版：新增会话权限规则与实验性共享 Agent Loop — qwen-code-review-bot · 2026-10-27
- GPT-6.1 Terra 事实错误率从 22.3% 降至 4.3%，降幅近 81% — haider1 · 2026-10-27
- GPT-6.1 Terra 发布:早期用户称写作与 computer use 表现亮眼 — BenBajarin · 2026-10-27
- GPT-6.1 Terra 跑分曝光:成本低至 Sol 一半,追不平 Astra — Angaisb_ · 2026-10-27
- Artificial Analysis 更新智能指数 v4.3.2，GPT-6.1 Terra 参与横评 — ArtificialAnlys · 2026-10-27