← 全部模型资讯

未来医生 MedGPT 报道称 88 比 12 胜过 250 名三甲医生,消融实验说差距在流程

据新智元 2026 年 11 月 12 日报道,一项 40 例疑难肺癌病例的多中心研究称,未来医生 MedGPT 以 88 比 12 的病例级比分胜过 250 名三甲医生,无辅助医生平均 53.26 分而 MedGPT 85.29 分;报道中的消融实验称拆掉流程会掉近 24 分,且报道未说明权重或 API 是否开放。

发布 更新

发生了什么

据新智元 2026 年 11 月 12 日的报道,未来医生联合国内三甲医院胸外科开展了一项多中心研究,从 100 例复杂肺癌病例中挑出 40 例指南推荐不明确的疑难病例作为考卷。20 位专家在看答卷之前先为每例写好 6 条、共 240 条评分规则,其中 40 条是安全红线。参与对比的是来自 98 家医疗机构的 250 名三甲医生,六成以上为主任或副主任医师。报道称,无辅助条件下医生群体平均得分 53.26,未来医生 MedGPT 得 85.29;在与 750 份无辅助医生方案的病例级一对一比较中,MedGPT 有 660 次评分更高,报道给出的比分是 88 比 12,其答卷平均比医生短四成以上。报道还给出另一套评分口径的模型横评:MedGPT 综合 96.22,报道列出的 GPT-5.4、Claude Opus 4.7、Gemini 3.1 Pro 分别为 71.38、61.81、54.62。同一报道称,消融实验把整套流程拆掉、只让底层模型直接回答会掉近 24 分,仅移除多学科会诊模块掉 16 分;在人机协作维度下,无辅助医生 53.40 分,仅提供检索参考为 61.05 分,审阅完整策略报告后为 66.27 分。

对开发者的影响

这套系统对开发者有参考价值的部分不在某个模型,而在流程。报道描述的流程分三段:入库时把文献拆成一条只记一个结论的证据单元、由程序从原文抽取、模型只能引用不能自编;把患者信息整理成随检查结果更新的状态表,更新需医生签字;再让最多六个专科智能体各自出意见并原样保留分歧,生成标准路径、前沿路径和验证任务,经虚拟患者推演与安全、尾部风险、证据与剂量、时序执行、边际价值五个维度的对抗式审查,结果只允许保留、修复或淘汰,通常要过两到三轮才放行。对做垂直领域智能体的团队,这些是可迁移的设计约束,不是可以直接调用的模型能力。需要说清的是,报道讲的是未来医生 MedGPT 这个封闭系统,报道没有提到它开放权重,也没有给出面向开发者的 API 或许可信息,因此对 API 用户来说,这条新闻改变的是评估方法和架构取舍,而不是立刻可替换的接入选项。另一个容易被忽略的点是,同一篇报道既给出 96.22 对 71.38 这种带检索与多智能体审查的系统成绩,又承认拆掉流程会掉约 24 分,把这两组数字放在一起看,可以得出一个条件性判断:该横评更接近完整流程对裸模型的比较,不宜当作同一脚手架下的模型能力排序。

接入与评估建议

以下建议属于条件性分析,不是报道中的事实。 第一,先量化流程,再动底层模型。报道中的变化是消融实验的数字:拆掉整个流程、只留底层模型直接作答,成绩掉近 24 分;只拿掉多学科会诊模块掉 16 分。要做的选择是先把证据检索层、多智能体会诊、对抗式审查做成可逐个关闭的开关,再谈换模型。这条建议只在你有稳定的、预先写定的评分规则时成立,如果口径还在改,测出的分差分不清来自模块还是来自评分标准。可测量的判据是同一套规则下逐模块开关的得分差,同时记录答案长度,因为报道称系统答卷比医生短四成以上,长度突变往往说明分数是靠堆字数换来的。 第二,结构化证据库与常规检索增强生成之间的取舍。报道称证据在入库时就被拆到一条只记一个结论,且只能由程序从原文抄出、模型只能引用;仅肺癌一个病种就拆了一万三千多篇文献,生成二十多万条结构化证据单元。你要决定的是先投入人力做这种证据层,还是先用常规检索增强生成顶着。它的前提是幻觉代价高、领域内有指南和药品说明书这类可核验文本、并且有能校验抽取质量的人;如果语料杂乱、提问范围又很开放,先做检索更现实。可测量的判据是引用精确率,即抽出的引用是否真的支持该条结论,以及输出中无法溯源的数字占比。 第三,把系统对系统与模型对模型分开评测。报道中的变化是同时给出两套数字:模型横评里 MedGPT 96.22,对报道列出的 GPT-5.4 71.38、Claude Opus 4.7 61.81、Gemini 3.1 Pro 54.62;人机协作维度里则是 53.40、61.05、66.27。要做的选择是在你的用例集上至少跑两条基线——完整系统,以及拆掉脚手架的底层模型,而不是把别人带检索和审查的系统直接和自己的裸模型比。前提是你能复刻对方的流程;复刻不了,也用你自己系统的开关版本做对照。可测量的判据是换口径后排名是否稳定,一旦翻转,说明结论对脚手架敏感,不能直接拿来选型。 第四,人在环的形态要选清楚。报道称只给检索参考时医生得 61.05 分,审阅完整策略报告后到 66.27 分,且患者状态表的更新要医生签字才作数。选择是产品只暴露检索片段,还是输出待审阅的完整策略报告并保留签字确认节点。这取决于流程里是否已有可追责的确认环节,以及报告长度是否超出审阅者的时间预算。可测量的判据是同一批病例下仅检索与完整报告两条臂的评分差,以及医生对方案的实际修改比例。

限制与待确认事项

报道中的评分规则由研究团队请专家预先拟定,病例只有 40 例且集中在肺癌一个病种,报道没有提到第三方独立复现,这些数字应视为研究方口径下的自报结果;报道引用的一线专家评价也来自报道本身,属于支持性意见。报道中出现的模型版本名与得分无法从该来源之外核实。人机比较、模型横评与人机协作三套数字口径不同,报道自己也做了区分,不能互相换算或直接排序。最需要明确的是:未来医生 MedGPT 目前在 KimiSeek 上没有对应条目,不应把它当作已在该平台上架的模型;报道也没有说明其权重是否开放、是否提供开发者 API、采用何种许可,任何关于接入与可获取性的信息都应以厂商口径为准。

三分钟跑通第一次调用

注册后创建 API Key。调用费用从账户余额扣除。新用户首充 7 折。充 ¥500,实付 ¥350,到账 ¥500。充 ¥1000,实付 ¥850,到账 ¥1000 最低充值仍为 ¥10,适合试用。

来源与编写说明

250名三甲医生输给中国AI!引发中美医疗权威热议

本文基于所列来源,由 AI 辅助整理、分析和翻译,并经过自动质量检查。分析与建议不代表实测结果;模型可用性与价格请以当前目录为准。