斯坦福复盘三年医疗 AI 基准：知道不等于做得到

斯坦福 HAI 团队用三年构建 MedHELM、MedAgentBench、PhysicianBench 和 HealthAdminBench 等医疗 AI 基准，复盘模型在复杂医疗工作流中的执行表现。复盘指出，知道应采取的行动与完整完成查病历、调取心脏超声等认知任务并不等价，模型在后一环节仍明显欠缺。