Crook评测13个AI模型全科问诊表现

澳大利亚全科医学住院医师构建Crook基准，让13个AI模型通过工具调用完成195场全科问诊，按诊断、病史采集、检查及开药安全性评分。结果显示，模型在191场中给出正确诊断，但总分仅为27%至85%，GPT-6.1 Sol与GPT-6 Astra居前，各模型在安全开药和成本上差异明显；没有模型用满50问的提问预算。 评分代码会对不必要检查和危险开药加重扣分。作者强调，结果反映的是基准游戏得分，不能据此认定AI胜过医生。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。