MedGPT de 未来医生 : un rapport fait état de 88 contre 12 face à 250 médecins hospitaliers de niveau 3A, l'ablation désignant le pipeline
Selon un rapport de 新智元 daté du 12 novembre 2026, une étude multicentrique portant sur 40 cas difficiles de cancer du poumon affirme que MedGPT de 未来医生 l'emporte sur 250 médecins d'hôpitaux de niveau 3A avec un score au niveau des cas de 88 contre 12 ; les médecins sans assistance obtenaient en moyenne 53,26 points, contre 85,29 pour MedGPT. L'expérience d'ablation citée indique qu'en retirant le pipeline, le score chute de près de 24 points, et le rapport ne précise pas si les poids ou l'API sont ouverts.
Ce qui change
Selon le rapport de 新智元 du 12 novembre 2026, 未来医生 a mené une étude multicentrique avec des services de chirurgie thoracique d'hôpitaux de niveau 3A en Chine, en retenant 40 cas difficiles parmi 100 cas complexes de cancer du poumon, ceux pour lesquels les recommandations des guides n'étaient pas claires. Avant de voir les copies, 20 experts ont rédigé pour chaque cas 6 règles de notation, soit 240 au total, dont 40 lignes rouges de sécurité. Les 250 médecins d'hôpitaux de niveau 3A comparés venaient de 98 établissements, et plus de 60 % étaient chefs de service ou chefs de service adjoints. Selon le rapport, sans assistance, le groupe de médecins obtient une moyenne de 53,26, contre 85,29 pour MedGPT ; dans une comparaison cas par cas avec 750 propositions de médecins non assistés, MedGPT obtient un meilleur score 660 fois, soit un rapport de 88 contre 12, et ses réponses sont en moyenne plus de 40 % plus courtes que celles des médecins. Le rapport donne aussi une comparaison de modèles selon un autre barème : MedGPT totalise 96,22, tandis que GPT-5.4, Claude Opus 4.7 et Gemini 3.1 Pro obtiennent respectivement 71,38, 61,81 et 54,62. Le même rapport indique qu'une ablation retirant tout le pipeline, en laissant le modèle sous-jacent répondre directement, fait perdre près de 24 points, et que retirer seulement le module de consultation multidisciplinaire en fait perdre 16 ; dans la dimension de collaboration humain-machine, les médecins non assistés obtiennent 53,40, ceux qui reçoivent seulement des références de recherche 61,05, et ceux qui examinent un rapport de stratégie complet 66,27.
Conséquences pour les développeurs
Ce qui a de la valeur pour les développeurs dans ce système n'est pas un modèle particulier, mais le pipeline. Le rapport le décrit en trois étapes : à l'ingestion, la littérature est découpée en unités de preuve ne consignant qu'une seule conclusion, extraites du texte original par un programme, le modèle ne pouvant que citer et non inventer ; les informations du patient sont organisées en une table d'état mise à jour au fil des résultats d'examens, toute mise à jour exigeant la signature d'un médecin ; puis jusqu'à six agents spécialisés rendent chacun un avis, les divergences étant conservées telles quelles, pour produire un parcours standard, un parcours de pointe et des tâches de vérification, passés par une simulation de patients virtuels et un examen adversarial selon cinq dimensions — sécurité, risques de queue, preuves et dosage, exécution temporelle, valeur marginale —, le résultat ne pouvant qu'être conservé, corrigé ou écarté, et nécessitant généralement deux à trois tours avant validation. Pour les équipes qui construisent des agents verticaux, ce sont des contraintes de conception transférables, pas des capacités de modèle directement appelables. Il faut préciser que le rapport porte sur 未来医生 MedGPT, un système fermé : il ne mentionne pas l'ouverture des poids et ne donne aucune information d'API ou de licence destinée aux développeurs. Pour les utilisateurs d'API, cette actualité modifie donc les méthodes d'évaluation et les arbitrages d'architecture, pas les options d'intégration immédiatement disponibles. Un autre point facile à négliger : le même rapport donne à la fois un score système de 96,22 contre 71,38, incluant recherche documentaire et examen multi-agents, et reconnaît qu'en retirant le pipeline on perd environ 24 points. Pris ensemble, ces deux séries de chiffres autorisent un jugement conditionnel : cette comparaison de modèles ressemble davantage à un pipeline complet face à des modèles nus qu'à un classement des capacités des modèles sous un même échafaudage.
Intégration et évaluation
Les recommandations suivantes relèvent d'une analyse conditionnelle et non de faits rapportés. Premièrement, quantifiez le pipeline avant de toucher au modèle sous-jacent. Le changement rapporté tient aux chiffres d'ablation : retirer tout le pipeline en ne laissant que le modèle sous-jacent répondre directement fait chuter le score de près de 24 points ; retirer seulement le module de consultation multidisciplinaire en coûte 16. Le choix à faire est de rendre la couche de recherche de preuves, la consultation multi-agents et l'examen adversarial désactivables un par un, avant de parler de changer de modèle. Cette recommandation ne tient que si vous disposez de règles de notation stables et définies à l'avance ; si le barème bouge encore, les écarts mesurés ne permettront pas de distinguer l'effet d'un module de celui du barème. Le critère mesurable est l'écart de score, module par module, sous le même jeu de règles, en enregistrant aussi la longueur des réponses, car le rapport indique que les réponses du système sont plus de 40 % plus courtes que celles des médecins : une variation brutale de longueur signale souvent qu'un score est obtenu en gonflant le texte. Deuxièmement, l'arbitrage entre base de preuves structurée et génération augmentée par recherche classique. Le rapport indique que les preuves sont découpées à l'ingestion en unités ne consignant qu'une seule conclusion, recopiées du texte original par un programme, le modèle ne pouvant que les citer ; pour le seul cancer du poumon, plus de treize mille articles ont été découpés, produisant plus de deux cent mille unités de preuves structurées. Vous devez décider si vous investissez d'abord des moyens humains dans cette couche de preuves ou si vous tenez avec une génération augmentée par recherche classique. Ses prérequis : un coût des hallucinations élevé, des textes vérifiables dans le domaine comme des recommandations de pratique ou des notices de médicaments, et des personnes capables de valider la qualité de l'extraction ; si le corpus est hétérogène et les questions très ouvertes, commencer par la recherche est plus réaliste. Le critère mesurable est la précision des citations — la citation extraite soutient-elle réellement la conclusion — et la part de chiffres non traçables dans la sortie. Troisièmement, séparez l'évaluation système contre système de l'évaluation modèle contre modèle. Le changement rapporté est la coexistence de deux séries de chiffres : dans la comparaison de modèles, MedGPT obtient 96,22 contre 71,38 pour GPT-5.4, 61,81 pour Claude Opus 4.7 et 54,62 pour Gemini 3.1 Pro ; dans la dimension de collaboration humain-machine, ce sont 53,40, 61,05 et 66,27. Le choix à faire est de faire tourner au moins deux lignes de base sur votre jeu de cas — le système complet et le modèle sous-jacent sans échafaudage — plutôt que de comparer directement un système tiers doté de recherche et d'examen à votre modèle nu. Cela suppose de pouvoir reproduire le pipeline d'autrui ; sinon, utilisez les versions à interrupteurs de votre propre système comme point de comparaison. Le critère mesurable est la stabilité du classement lorsque le barème change : s'il s'inverse, la conclusion est sensible à l'échafaudage et ne peut pas servir directement au choix d'un modèle. Quatrièmement, choisissez clairement la forme de l'humain dans la boucle. Le rapport indique que des médecins recevant seulement des références de recherche obtiennent 61,05, contre 66,27 après examen d'un rapport de stratégie complet, et que la mise à jour de la table d'état du patient exige la signature d'un médecin. Le choix porte sur un produit qui n'expose que des extraits de recherche, ou qui produit un rapport de stratégie complet à examiner en conservant une étape de validation signée. Cela dépend de l'existence d'une étape de confirmation imputable dans le processus et de la longueur du rapport au regard du temps dont dispose le relecteur. Le critère mesurable est l'écart de score entre les deux bras — recherche seule et rapport complet — sur la même série de cas, ainsi que le taux de modification effective des propositions par les médecins.
Limites et points à confirmer
Les règles de notation du rapport ont été préétablies par des experts sollicités par l'équipe de recherche ; les cas ne sont que 40 et se concentrent sur le seul cancer du poumon ; le rapport ne mentionne pas de reproduction indépendante par un tiers, et ces chiffres doivent être considérés comme des résultats auto-déclarés selon le barème de l'équipe. Les évaluations d'experts de terrain citées proviennent du rapport lui-même et relèvent d'avis favorables. Les noms de versions de modèles et les scores qui apparaissent dans le rapport ne peuvent pas être vérifiés au-delà de cette source. Les trois séries de chiffres — comparaison humain-machine, comparaison de modèles, collaboration humain-machine — reposent sur des barèmes différents, ce que le rapport distingue lui-même, et ne peuvent être converties ni classées directement les unes par rapport aux autres. Le point le plus important : MedGPT de 未来医生 n'a actuellement aucune entrée correspondante sur KimiSeek et ne doit pas être présenté comme un modèle déjà disponible sur cette plateforme ; le rapport ne précise pas non plus si ses poids sont ouverts, s'il existe une API pour développeurs ni quelle licence s'applique. Toute information sur l'intégration et la disponibilité doit être rapportée à la communication de l'éditeur.