Crook 基准评测 13 个 AI 模型完成 195 场全科问诊

澳大利亚全科医学住院医师自建 Crook 基准，让 13 个 AI 模型通过工具调用完成 195 场全科问诊，并按诊断、问诊史采集、检查与开药安全性评分。13 个模型在 191/195 场问诊中给出正确诊断，但总分从 27% 到 85% 不等，GPT-6.1 Sol 与 GPT-6 Astra 得分最高，安全开药和成本差异明显。