Hospital-bench 用 320 床医院模拟评测 Agent,GPT-6.2 得 62.4% 居首
kalyan_kpl · x · 2026-11-21
发布 Hospital-bench:迄今最全面的医院运营模拟 benchmark,评测 AI Agent 处理一家 320 床医院、13 个互联系统中的行政工作流(保险核验、预授权、理赔、计费、病历等)。
- GPT-6.2 Astra 居首:均分 62.4%,每任务成本 $2.72,安全检查失败率 13.3%,但无任务因伤害被清零
- Claude Fable 5.2 第二(60.3%),Gemini 4 Neon 第三:59.8%、每任务 $2.17、15/48 任务完全通过
- 20 个模型中仅 Claude Opus 5.5 通过率最高(35.4%),整体完全通过率普遍低于 36%
- 结论:前沿 Agent 距离胜任医院行政运营仍远,安全检查是主要失分点
「编程与Agent」频道最新
- Reddit 网友用 Oracle 云+Telegram 搭起手机遥控的云端 AI 编码部门 — SexyMint · 2026-11-21
- Greg Isenberg 提出 AI 创业闭环:获取上下文、编排 agent、快速迭代 — alvelda · 2026-11-21
- 开发者用 Codex Computer Use 扒弹球机图纸,1:1 复刻 Stern 街机渲染 — craigsdennis · 2026-11-21
- VibeArmory 0.3.0 发布:端侧模型给 Mac 上的 AI agent 行为异常打分 — agf2007 · 2026-11-21
- exolabs 曝 agent 自主优化推理引擎:一天内把新模型提速 7 倍至 210 tok/s — simonguozirui · 2026-11-21
- Inkling 2 Mini 实测:小模型驱动开源个人助理跑通全套日常 — stanfordnlp · 2026-11-21