斯坦福 HAI 复盘三年医疗 AI 基准：知道该做什么不等于做得到

斯坦福 HAI 团队发文复盘三年医疗 AI 基准建设，覆盖 MedHELM、MedAgentBench、PhysicianBench 和 HealthAdminBench 等多个基准。团队的核心论点是模型知道该做什么并不等于能把它做完，即使抛开手术等物理操作，纯认知性的计算机工作也包括查阅病历、调取两年前的心脏超声等环节，模型在完整执行上仍明显欠缺。