总分只说明一半。Index 另按角色和能力分列给分。面向医疗专业人员这一列,Claude Opus 5.5 以 55.6 领先。推理能力上 GPT-6 Astra 拿到 58.7,任务执行上 Claude Fable 5.1 是 46.1。同一个模型换个格子就换位置。GLM-5.3 在专业人员维度排第 14,在医疗管理人员维度排第 4。
报告里最能说明问题的是分项。HealthBench Professional 的前十名,患者沟通中位数 69.1,医学理解 60.5,循证医学 58.7。往下是临床决策 55.5 和安全与伦理 48.8。垫底的是医学计算,47.0。十个模型无一例外,沟通分都高于临床决策分。
工作流上是同一条曲线。医疗服务与管理 78.5,临床评估与诊断 59.1,治疗规划与实施 53.0。PhysicianBench 里 10 个模型有 8 个重复了这个规律。评估诊断中位数 57.1,治疗规划 50.0。两件事在分数上分得很开。
执行环节的账更难算。PhysicianBench 把一次就诊拆成 670 个检查点,覆盖 21 个专科。模型要在 FHIR 标准的电子病历里查资料、下操作、写记录,全部通过才算成功。912 个失败检查点中,临床推理占 51.4%。按类内失败率看,行动执行 17.4% 最高,文档记录 14.6%,数据检索只有 4.9%。
这类任务长这样。医生说一句「把 3 床的万古霉素按肾功能调一下,改完病程记一笔」。模型要打开患者页,翻出最近一次肌酐,核对体重和用药记录。然后改医嘱,写一条带时间戳的病程;任何一步点错位置,整题判失败。这类任务首期只有 100 道,占全部任务不到一成。它也是最接近医院里正在试的那批智能体的部分。