打开网易新闻 查看精彩图片

11月18日,一个有点较真的平台上线了。它叫InclusionMed,全球首个医疗健康AI独立评测与分析平台,由斯坦福大学、哈佛大学、北京协和医学院、蚂蚁集团等29家机构的研究人员一起搭起来。它干的事说白了就一件:给市面上那些宣称自己懂医疗的大模型,统一出一张卷子。在此之前,各家的评测各说各话,单项测试成绩漂亮,却很难回答一个要命的问题,到底能不能用在真实的诊室里。

健康问答答得漂亮,跟会看病是两回事

先把这个痛点讲清楚。你在聊天框里问一个AI头疼该吃什么药,它可能答得头头是道。但把它放进医院的系统里,让它从一份写满缩写的电子病历里找出关键线索,或者在医疗管理流程里连续操作好几步,成绩可能就塌了。这两件事看着像,其实对模型的要求完全不一样。

InclusionMed的Atlas图谱,就是专门来拆这层东西的。它用了两个维度做交叉。一个是面向谁,分成患者与公众、医疗专业人员、医疗管理人员三类角色。另一个是考察什么能力,分成知识、推理、任务执行三类。两边一交叉,形成一个九宫格。每一项评测基准按主要内容被放进对应的格子里,谁被考过、谁还没被考,一张图就能看清。

这个设计的好处是,它不再用一个总分把模型糊成一团。你可以看到某个模型在患者科普这一格表现不错,在临床推理那一格却明显吃力。对医院或者开发者来说,这种颗粒度比一个笼统的排名有用得多。选模型这件事,本来就该对着具体场景来。

1034道题、22个模型,这把尺子怎么刻出来的

光有框架不够,关键看题。首期评测聚焦临床诊疗和医疗管理两个方向,纳入5项基准、1034项任务,横向比较了国内外11家厂商的22个模型。这些成绩汇总起来,就是首期推出的InclusionMed Index指数。

这里有个细节值得留意。研究团队没有把所有基准一股脑塞进去,而是做了独立复测,综合医疗相关性、评测可信度、场景互补性这些因素筛了一遍,最后选出4项公开基准。再加上团队自己建的一项,叫InclusionMed-DxFiles。这项自建基准的题源很硬,全部来自顶级医学期刊上刊载的疑难病例,考的是模型能不能顺着零散的病例线索,一步步推出临床判断。

为什么要自己下场建题?因为现成的公开基准容易被针对性优化,模型厂商刷分刷久了,分数就失真了。自己按疑难病例出题,且不做提前公开,考出来的东西更接近真实水平。这套做法在通用大模型评测里已经是常规操作,如今被搬到了医疗领域。这块短板补上之后,医疗AI的水平才有了可比的基线。

做医疗信息化的朋友,你们选模型时最看重哪一类任务,病历理解还是临床推理?评论区说说,我看看这份榜单的侧重点对不对路。

打开网易新闻 查看精彩图片

29家机构凑在一起,图的是什么

看看这份共建名单就能明白这件事的分量。国外有斯坦福大学、哈佛大学、宾夕法尼亚大学、康奈尔大学、哥伦比亚大学、卡内基梅隆大学、牛津大学、新加坡国立大学。国内有北京协和医学院、北京大学、复旦大学、上海交通大学、浙江大学、厦门大学、深圳大学、中国人民大学,还有中国科学院、上海人工智能实验室、中关村学院等机构,蚂蚁集团也在其中。29家凑到一起,被业内称作医疗健康领域的Artificial Analysis。

这么多机构愿意一起做,图的是一个中立的第三方位置。医疗AI要真正落地,绕不开一个信任问题,医院不敢拿一个自吹自擂的分数去用在病人身上。有人把评测做成公共基础设施,各家在同一把尺子下比,结果才有公信力。

项目组也没打算停在首期。接下来他们准备围绕复杂治疗选择里的医患共同决策、资源约束下的诊疗调度这些场景,开发新的评测任务。换句话说,这张卷子会一直加题,考的地方会越来越接近真实的临床现场。对普通患者来说,这意味着将来选一个医疗AI助手,可能有据可依,而不是全凭宣传。

你会愿意参考这种第三方榜单来选医疗AI吗?信得过的选1,还是更信医生的判断选2,评论区打个数字。我赌大部分人还是先问医生,但这个榜单迟早会进到决策流程里。

【参考来源】腾讯新闻 | 医疗健康领域的AA榜单来了综合评测平台InclusionMed正式上线 | 2026-11-18

【参考来源】爱范儿 | 早报医疗AI评测平台InclusionMed上线首期比较22个模型 | 2026-11-19