一句话结论：讯飞医疗在 2026 年 10 月 22 日全球 1024 开发者节发布的星火医疗大模型 V3.7，以 99.6 分拿下上海人工智能实验室 MedBench 5.0 智能体赛道榜首，领先第二名 0.4 分，而它真正的门槛体现在落地侧的 12 亿次辅助诊断与 85% 的病历生成合理率上。
医疗大模型的榜单每年都会冒出一批新名字，但能长期留在榜首位置并且拿出真实临床数据的极少。这一次讯飞医疗把评测成绩与落地规模同时摆到了台面上，两组数字一软一硬，构成了这篇深度稿的骨架。
MedBench 5.0 是什么，一套什么样的尺子
MedBench 由上海人工智能实验室司南 OpenCompass 体系牵头建设，2024 年首发，此后逐年迭代，到 2026 年 7 月 18 日世界人工智能大会医学分论坛发布了 5.0 版本。它覆盖 63 项细分临床评测任务与近 100 万道评测题，钟南山、葛均波、范先群三位院士的团队分别牵头呼吸、心内、眼科三个专科赛道，四川大学华西医院等十余家三甲医院参与共建。
这套体系的特殊之处在于它同时是上海市卫生健康主管部门指定的医疗 AI 应用前置技术评测载体，也就是说一个模型想进入医院采购清单，先要在这把尺子下面量一量。5.0 版本把医疗安全性与复杂推理能力放在了评测核心，提出临床任务规划与推理、医疗工具调用与执行、医疗场景感知与交互、记忆与上下文保持、医疗多智能体协作五大能力维度，并首创医疗原子技能评测范式，对模型可能出现的幻觉做全维度校正。
榜单实际分成三条赛道。语言模型赛道评的是医疗问答与文书能力，全模态赛道评的是影像感知与跨模态推理，智能体赛道评的是模型在真实工具链上的决策闭环。三条赛道分数并不互通，横向对比时需要先看清楚自己在哪一栏里。
智能体赛道前十：99.6 分压过 Claude 与 Kimi
下面是 MedBench 官方榜单接口在 2026 年 10 月 24 日返回的智能体赛道前十名原始数据。
| 排名 | 模型 | 所属机构 | 综合得分 |
|---|---|---|---|
| 1 | 星火医疗大模型 | 讯飞医疗科技股份有限公司 | 99.6 |
| 2 | U2-Med | 云知声智能科技股份有限公司 | 99.2 |
| 3 | 微医医疗大模型 | 微医 | 97.7 |
| 4 | AIReady-Med | 杭州迅速智能科技有限公司 | 97.2 |
| 5 | WiseDiag-v3 | 杭州智诊科技 | 97.0 |
| 6 | Claude Opus 4.7 | Anthropic | 96.7 |
| 7 | Kimi-K2.6 | Moonshot | 96.5 |
| 8 | Qwen3.7-Max-Preview | Alibaba | 95.9 |
| 9 | GLM-5.1 | Zhipu AI | 95.5 |
| 10 | Gemini-3.1-Pro-Preview | 95.2 |
榜首与第二名之间只差 0.4 分，与第十名之间的差距是 4.4 分，整个前十名的分数集中在 95 分以上区间。这种密集分布说明头部模型在工具调用与流程规划上的能力已经相当接近，0.4 分更像一个系统级工程差异，例如记忆管理策略、工具调度顺序和异常重试逻辑，而非底层架构上的代差。
放到三条赛道一起看，落差更明显。
| 赛道 | 榜首模型 | 机构 | 得分 | 前十最低分 |
|---|---|---|---|---|
| 智能体 | 星火医疗大模型 | 讯飞医疗 | 99.6 | 95.2 |
| 语言模型 | 京医千询 | 京东健康 | 77.8 | 68.7 |
| 全模态 | MentX-2.1 | 缘启智慧 | 61.1 | 47.4 |
智能体赛道是三条赛道里分数最饱和、竞争最激烈的一条，通用大模型在其中全部位于 95 分上下。而语言模型与全模态两条赛道的榜首分只有 77.8 与 61.1，说明这两类任务上模型的能力分层还很真实。讯飞医疗此次没有出现在后两条赛道的榜单里，它把全部筹码押在了智能体这条赛道，而这条赛道恰好是最贴近医院实际工作流的那一条。
从 99.6 分到 85% 合理率，模型能力怎么变成医生手里的工具
官方披露 V3.7 依托全国产算力底座，实现医学语义、影像与语音的深度融合，在医疗知识问答、临床语言理解、诊疗方案推荐、医疗文书生成、多模态交互、多轮循证推理六类核心能力上完成进阶。
最能反映临床价值的一个数字是端到端智能病历生成合理率提升至 85%。病历是医生最不愿意交给 AI 的工作，因为它直接涉及责任归属与法律效力，85% 的合理率意味着模型生成的文本已经接近可交付状态，医生的角色从撰写者变成审核者。另一项披露是医学影像辅助诊断能力较行业垂类模型提升 15% 以上，这里的对手是那些只做单一病种影像的专用模型，通用多模态底座在跨模态推理上占了便宜。
横向参照更直观。微软 MAI-DxO 诊断智能体的公开数据是 83.2% 准确率对照医生 36.1%，两套口径不同无法直接相减，但都指向同一个结论，即临床诊断类智能体目前离完全自主仍有距离，模型承担的是初筛与结构化，签字的仍然是医生。
12 亿次辅诊之后：智医助理与影像云的规模账
评测分数是实验室指标，落地规模才是医院采购决策依据。讯飞医疗披露的一组累计数字如下。
| 产品线 | 覆盖范围 | 累计服务量 |
|---|---|---|
| 智医助理 | 31 个省份、828 个区县、超 7.7 万家基层医疗机构 | AI 辅助诊疗建议超 12 亿次，生成规范化电子病历 4.9 亿余份 |
| 讯飞影像云 | 安徽全省公立医院全接入，并拓展至广西、宁夏 | 存储影像数据 1.6 亿张，年均提供服务 6000 万次 |
| 讯飞晓医 | 面向个人用户 | AI 健康咨询超 2.2 亿次，下载量突破 4400 万，用户满意度 98% |
| AI 患者管理平台 | 300 余家医院 | 超 50 万人次慢病与高危人群管理，1500 万余次健康咨询 |
这四条业务线背后是一个自洽的数据闭环。医生端 AI 辅助日均调用 171 万次，患者端日均服务覆盖 52 万人次，医患两端合计日均超过 220 万次真实服务数据回流到模型侧，模型迭代又反哺到下一版病历生成与影像质控能力。讯飞医疗称其医学知识底座接近 10 亿量级，这个体量的意义在于长尾罕见病的循证覆盖，而非通用问答的语料规模。
与之并行的还有一条数据线的对照样本。OpenAI 与 PerturbAI 用 2000 个智能体在 32 分钟内解析出小鼠全脑图谱，展示的是另一种规模化路线，用智能体集群去压缩生物实验的搜索空间。讯飞医疗走的是把模型压进真实诊疗流程的路线，两者在资源投入方向上截然不同。
三家三甲医院给出的真实效果
本次开发者节同期举办的 AI 患者管理创新论坛上，三家医院披露了自己侧的数据，这是检验模型成色的第三方视角。
| 合作医院 | 共建模型 | 覆盖范围 | 关键效果 |
|---|---|---|---|
| 山东大学齐鲁医院 | 齐鲁·星火全病程管理大模型 | 20 个临床科室、70 个病种 | 管理患者超 27 万人次，减轻医护 90% 随访工作量，用药依从性 97%，计划复诊率 70% |
| 中国科学技术大学附属第一医院 | 智医随行大模型 | 30 余个临床科室、超 100 个病种 | 在线咨询超 18 万人次，患者满意度 97%，约 50% 出院患者纳入管理 |
| 中南大学湘雅医院 | 标准化随访与个案管理三级服务 | 102 个病种 | 平均住院日缩短 5 天，30 天再入院率最高下降 25% |
湘雅医院那组数据含金量最高，平均住院日缩短 5 天与再入院率下降 25% 都属于医保支付方会直接买单的指标。齐鲁医院的 90% 随访工作量下降则指向另一件事，AI 在医疗链条上的价值往往不体现为诊断准确率提升，而体现为把原本没人做的随访补齐。这套架构跑在讯飞自建的国产算力底座上，与站内此前记录的讯飞星火 X2.6 端云协同路线属于同一条国产化技术脉络。
平台 3.0 与专家共识，行业标准这场仗
同期发布的 AI 患者管理平台 3.0 把能力从单科专病扩展到全院分层服务，已沉淀 160 余条标准化专病管理路径，覆盖 30 余个主流临床科室，能力层引入智能随访 Agent 与动态循证推理，可根据患者康复进度自动调整管理方案并触发分级干预。
更值得关注的是同一场论坛启动的 AI 患者管理专家共识专项计划。国家卫生健康委医管中心、中国信息通信研究院、中国心血管健康联盟与中华医学会杂志社等机构参与，讯飞医疗与多家三甲医院共同梳理服务流程、技术规范、质控标准与应用边界。目前这个行业的痛点很明确，各家自说自话，服务参差不齐，先行者把经验产品化再变成行业共识，是把个人经验转成通用规则的一条可行路径。
常见问题
MedBench 5.0 的 99.6 分和其他医疗评测分数能直接比较吗
不能直接比较。MedBench 的智能体、语言模型、全模态三条赛道分数体系彼此独立，99.6 分属于智能体赛道内部的头部区间，与全模态赛道榜首的 61.1 分不存在换算关系。跨评测比较需要先确认题目类型、评分规则与模型版本是否一致。
讯飞医疗 V3.7 是闭源模型吗，参数规模是多少
是闭源模型。按 MedBench 榜单发布材料标注，星火医疗大模型参数量为 30B，闭源发布，运行在讯飞全国产算力底座之上。闭源意味着能力细节与训练数据不公开，这也是医疗模型在监管环境下的常见选择。
榜单第一能直接带来医院采购吗
不能。MedBench 由上海市卫生健康主管部门指定为医疗 AI 应用前置技术评测载体，榜单成绩是进入采购流程的必要条件之一，但最终决定采购的三甲医院看的是住院日、再入院率、随访工作量这些真实指标。本次三甲医院披露的随访工作量下降 90% 与再入院率下降 25%，其说服力高于榜首位置本身。
小结
99.6 分说明星火医疗大模型 V3.7 在工具调用与流程决策上做到了当前公开可测的最好水平，0.4 分的领先幅度则提醒人们头部已经贴得很近。真正构成壁垒的是那些没法靠刷分获得的东西：31 个省份 828 个区县 7.7 万家基层机构的接入，12 亿次辅助诊疗建议与 4.9 亿份电子病历的沉淀，三家三甲医院愿意公开的住院日与再入院率数据，以及一个用 160 余条专病路径支撑起来的行业标准尝试。
延伸阅读
- 科大讯飞发语音基座 SparkAudio 1.0：准确率超 96%2 天前
- 科大讯飞AI词典笔X9上架：85本词典、9科题库过亿，744元6 天前
- 讯飞医疗星火 V3.7 登顶 MedBench 5.0：99.6 分17 小时前
- OpenEvidence 估值 150 亿美元：4200 万次月度问诊1 天前
继续读
同一批更新里这几篇值得一看：
- 讯飞星火 X2.6：293B 国产算力训练，4B 端侧 BFCL 拿 71.8 分2026-10-23
- 讯飞医疗星火 V3.7 登顶 MedBench 5.0：99.6 分2026-10-24
- OpenEvidence 估值 150 亿美元：4200 万次月度问诊2026-10-23
想快速查定义？对应的词条在这里：
- AI Agent词条 · AI 自学笔记