医疗AI的竞争格局，刚刚被改写了。

8月19日，Grok 4.6在MedAgentBench基准测试中拿下第一名。这个基准测试被业内视为评估真实世界医疗智能体任务最值得关注的指标之一。Grok团队在社交平台上公布了这一结果，并强调目前Grok已有两代模型跻身该榜单前三。

前三名成绩单

具体排名和得分如下：

  • 第1名：Grok 4.6，得分约95.9%
  • 第2名：GPT-5.6 Sol，得分约94.7%
  • 第3名：Grok 4.5，得分约93.4%

从数据来看，Grok 4.6与第二名GPT-5.6 Sol之间的差距约为1.2个百分点。虽然差距不算悬殊，但在医疗智能体这类高难度任务中，任何细微的领先都意味着技术栈上的实质性突破。

为什么MedAgentBench值得关注

MedAgentBench的特殊之处在于，它考察的不是简单的问答能力，而是智能体在真实医疗场景中完成多步骤任务的能力。这意味着模型需要理解病历、做出判断、执行操作，整个流程更接近医生的工作方式，而非单纯的文本匹配。

Grok 4.6能在这一维度上登顶，说明其在推理能力和任务执行连贯性上有了明显提升。而Grok 4.5依然稳居第三，也反映出该系列模型在医疗场景下的整体实力。

竞争格局的微妙变化

值得注意的是，OpenAI的GPT-5.6 Sol被夹在Grok两代产品之间。这种"两代夹击"的局面，在头部AI模型的基准测试中并不常见。通常，新一代模型发布后，上一代产品会迅速跌出前列，但Grok 4.5至今仍保持在前三的位置。

这或许说明，Grok系列在医疗智能体方向上的技术积累具有延续性，而非单点突破。对于医疗AI的落地应用来说，这种稳定性同样重要——毕竟，医疗场景对错误率的容忍度极低。

目前，Grok团队尚未透露4.6版本在MedAgentBench之外其他基准上的表现。但仅从这一项成绩来看，医疗AI的头部竞争已经进入白热化阶段。