一句话结论:InclusionMed 用 388 个候选基准筛出 5 套评测,把 22 个主流模型放进同一把尺子里量,最高分只有 49.1 分,而分数相近的模型,单次任务成本能差 24 倍。
医疗大模型评测过去散落在各个单项榜单上。一个模型在健康问答里答得好,不代表它在疑难病例诊断上靠谱。这套由斯坦福大学、哈佛大学、北京协和医学院、蚂蚁集团等 29 家机构研究人员共建的平台,试图先解决基准本身的质量问题,再给模型排名。论文 2026 年 11 月 16 日挂上 arXiv,官方榜单同步上线。
InclusionMed 是什么:九宫格图谱加一个综合指数
平台由两块组成。InclusionMed Atlas 是评测图谱,InclusionMed Index 是聚合出来的综合指数。
Atlas 用两个维度切出一个九宫格。角色轴分三类:患者与公众、医疗专业人员、医疗管理专业人员。能力轴也分三类:知识、推理、任务执行(Agency)。每套基准按其主要考察内容放进对应格子。这样做的价值在于,图谱会把覆盖缺口显式画出来,斜纹格代表本次发布没有合格基准可独立复现。
Index 是五套基准分数的等权平均,每套占 20%,最终落在 0 到 100 的刻度上。除了总分,Index 还按角色和能力分别给分,这一点决定了它跟普通综合榜的区别。
首期共 22 个模型配置、11 个模型家族入围,指数区间从 17.5 到 49.1。分数普遍偏低,说明这套组合远没有饱和,厂商宣传里那些接近满分的临床演示在这把尺子上并不成立。
388 个候选怎么变成 5 套:审计标准与被剔除的基准
候选基准来自已发表文献、公开平台仓库和社区贡献,共 388 个。团队先用大模型辅助整理成基准卡片,再按六条标准逐一审计:医疗相关性、可信度、可用性与许可、互补覆盖、时效与数据独立性、区分度。
审计后进入 8 个短名单,随后团队逐个独立复现任务执行与打分。复现结果直接淘汰了四套:XLingHealth、NEJMQA-Exams、PubHealthBench 的评测版本或子集分数饱和,模型之间拉不开差距;完整版 HealthBench 在各模型间区分度有限,只保留了区分度更好的 HealthBench Professional 子集。
最终入选四套公开基准:HealthBench Professional、PhysicianBench、ALE-CLI v1.0 的健康与医学子集、CHI-Bench,外加团队自建的私有诊断推理基准 InclusionMed-DxFiles。DxFiles 从顶级医学期刊刊载的疑难病例构建,考察模型能否把病例线索拼成临床判断,并且不许输出没有依据的结论。
| 基准 | 任务数 | 每任务计分次数 | 指标 | 权重 |
|---|---|---|---|---|
| HealthBench Professional | 525 | 8 | 长度校正后的评分均值 | 20% |
| PhysicianBench | 100 | 1 | Pass@1 | 20% |
| ALE-CLI v1.0 健康与医学 | 22 | 1 | 任务得分(部分给分) | 20% |
| CHI-Bench | 75 | 3 | Pass@1 | 20% |
| InclusionMed-DxFiles | 312 | 1 | 满分率 | 20% |
五套基准合计 1034 项任务,每项任务都有 20% 的话语权。值得留意的一个细节是,388 个候选里只有 104 个提供了足够的材料让团队做直接复现,其余部分在纸面上存在,实际无法验证。
22 个模型总榜:前五名与真实分差
下面是首期 Index 的完整排名,同时列出按 token 用量与公开报价折算的每任务平均成本。
| 排名 | 模型 | Index 分数 | 每任务成本(美元) |
|---|---|---|---|
| 1 | Gemini 4 Argon | 49.1 | 1.180 |
| 2 | Claude Opus 5.5 | 48.9 | 1.679 |
| 3 | Claude Fable 5.1 | 48.9 | 4.124 |
| 4 | GPT-6 Astra | 45.1 | 1.942 |
| 5 | GPT-6.1 Sol | 44.5 | 0.998 |
| 6 | DeepSeek V4.1 Flash | 43.7 | 0.091 |
| 7 | Grok 4.7 | 42.9 | 1.144 |
| 8 | Kimi K3.1 Pro | 42.8 | 0.973 |
| 9 | Qwen3.8 Max | 40.3 | 0.861 |
| 10 | Kimi K3 | 37.9 | 1.511 |
| 11 | Gemini 3.8 Flash | 37.7 | 0.733 |
| 12 | GPT-5.6 Luna | 36.9 | 0.064 |
| 13 | GLM-5.3 | 36.1 | 0.602 |
| 14 | DeepSeek V4 Pro | 34.4 | 0.276 |
| 15 | GPT-6 Luna | 34.4 | 0.037 |
| 16 | MiniMax M3.1 Flash | 34.1 | 0.178 |
| 17 | Step 5 Preview | 33.8 | 1.722 |
| 18 | MiMo V2.6 Pro | 31.2 | 0.206 |
| 19 | GLM-5.3 Flash | 31.1 | 0.071 |
| 20 | Qwen3.8 27B | 27.7 | 0.443 |
| 21 | Grok 4.3 | 20.4 | 0.245 |
| 22 | Step 3.7 Flash | 17.5 | 0.201 |
榜首 Gemini 4 Argon 与第二名 Claude Opus 5.5 的差距只有 0.2 分,Opus 5.5 与 Claude Fable 5.1 四舍五入后完全同分。这种量级的分差,在统计意义上很难支撑采购决策。
换一把尺子排名就变:角色分与能力分
Index 最有信息量的部分在分项分数上。同一模型在不同角色、不同能力上的名次差别很大。
| 模型 | 医疗专业人员 | 医疗管理 | 推理 | 任务执行 |
|---|---|---|---|---|
| Gemini 4 Argon | 55.0 | 25.3 | 54.2 | 45.7 |
| Claude Opus 5.5 | 55.6 | 22.2 | 55.4 | 44.7 |
| Claude Fable 5.1 | 54.8 | 25.3 | 53.3 | 46.1 |
| GPT-6 Astra | 52.4 | 16.0 | 58.7 | 36.1 |
| GPT-6.1 Sol | 52.1 | 14.2 | 58.3 | 35.4 |
| DeepSeek V4.1 Flash | 49.3 | 21.3 | 45.4 | 42.6 |
| Kimi K3 | 41.7 | 22.7 | 43.9 | 33.9 |
| GPT-6 Luna | 41.9 | 4.4 | 48.9 | 24.7 |
| GLM-5.3 | 39.1 | 24.0 | 41.7 | 32.3 |
| Step 3.7 Flash | 18.9 | 12.0 | 23.7 | 13.4 |
几个反差很说明问题。GPT-6 Astra 在推理项拿到全场最高的 58.7 分,在任务执行项只有 36.1 分。GPT-6 Luna 推理排到第 8,任务执行掉到第 20。GLM-5.3 在医疗专业人员一项排第 14,在医疗管理一项排进前 4。所有模型的医疗管理分都明显低于医疗专业人员分,说明模拟医疗运营工作流对当前模型普遍更难。
还有一个容易被忽略的结构性问题。DxFiles 这套私有诊断基准由 GPT-6.1 Sol 担任判分模型,而 GPT-6.1 Sol 本身就在被评测的 22 个模型里。判分模型给自己家族加分这件事,论文里没有给出量化校正。
成本账:同分不同价的 24 倍差距
按 token 用量和公开报价折算,成本与分数基本脱钩。
Claude Fable 5.1 与 Claude Opus 5.5 都四舍五入到 48.9 分,Fable 的每任务成本约 4.12 美元,Opus 约 1.68 美元,差 2.5 倍。更极端的一组在榜单中段:Kimi K3 得 37.9 分,成本 1.51 美元;GPT-5.6 Luna 得 36.9 分,成本 0.064 美元。同样一笔推理预算,用 GPT-5.6 Luna 能跑的次数大约是 Kimi K3 的 24 倍。
官方给出的帕累托前沿包含五个模型:GPT-6 Luna、GPT-5.6 Luna、DeepSeek V4.1 Flash、GPT-6.1 Sol、Gemini 4 Argon。DeepSeek V4.1 Flash 是其中最值得注意的一个,它每任务成本只有 0.091 美元,得分 43.7,超过了好几款价格高得多的模型。API 侧的定价变化会直接影响这个结论,DeepSeek API 11 月 18 日新价格里提到搜索抓取免计费与空闲时段半价,这类调整会进一步改变性价比排位。
成本估算的口径也要说明白。它按 token 用量与公开价格计算,剔除了失败重跑、判分、搜索、工具、沙箱和内部平台费用,因此不等于真实部署总支出。
细分维度:擅长沟通,不擅精算
团队用任务级标签把 HealthBench Professional 拆得更细。全部 10 个头部模型在患者沟通一项的得分都高于临床决策一项。
在专业知识子维度里,各专科中位数全部低于 60 分。医学计算最低,中位数 47.0 分。安全与伦理 48.8 分。精神科最低,49.4 分,儿科紧随其后,49.9 分。在医疗工作流子维度里,治疗方案制定与实施的中位数 53.0 分,低于临床评估与诊断。
DxFiles 的分数更能说明难度。按病例类型拆开统计满分率,中位数分别落在数据检索 4.9%、临床推理 12.8%、行动执行 17.4%、文书记录 14.6%。
| 模型 | 数据检索 | 临床推理 | 行动执行 | 文书记录 |
|---|---|---|---|---|
| Gemini 4 Argon | 1.9% | 10.1% | 13.4% | 15.2% |
| Claude Opus 5.5 | 4.9% | 12.6% | 13.4% | 10.1% |
| GPT-6 Astra | 1.9% | 14.9% | 19.6% | 11.1% |
| GPT-6.1 Sol | 3.9% | 14.9% | 19.6% | 13.1% |
| DeepSeek V4.1 Flash | 4.9% | 11.2% | 12.5% | 22.2% |
| Kimi K3.1 Pro | 11.7% | 19.1% | 25.9% | 23.2% |
| Kimi K3 | 18.4% | 15.2% | 22.3% | 34.3% |
| 中位数 | 4.9% | 12.8% | 17.4% | 14.6% |
Kimi K3 在数据检索一项拿到 18.4%,是中位数的近四倍,同时它的文书记录也是全场最高。拿它跑健康问答可能不错,拿它做诊断推理就未必。这种同一模型在不同任务上反转的现象,在医疗场景里比综合分更有指导意义。
顺带一提,Gemini for healthcare 的 400 个医疗应用属于产品落地叙事,而 InclusionMed 提供的是采购前的横向对照口径,BioBasicsBench 100 任务实测则是另一套生物医学评测,两者可以放在一起看模型能力边界。AlphaGenome 2 在单细胞 DNA 预测上的表现则代表生命科学方向的专门模型路线,与通用对话模型的评测逻辑不同。
这套榜单的三处硬伤
团队自己把缺口写得很直白。
第一,没有面向患者与公众的基准。九宫格里这一整行是空的。也就是说当前 Index 本质上是一份面向专业与管理的排名,还称不上包容性医疗 AI 的度量。
第二,地理覆盖严重偏斜。1034 项任务中只有 338 项能确定地理场景,其中 318 项指向美国。388 个候选里 88% 包含英文,多数机构最先列出的是美国或中国。多轮交互类候选只有 79 个。
第三,分数天花板远未到,基准会饱和。团队在复现阶段已经淘汰了三套饱和基准,这意味着指数需要在后续版本里持续换血。论文提到,随基准组合变化,跨版本比较只在共享基准且任务设置一致时成立。
常见问题
InclusionMed 分数怎么算出来的?
五套基准各占 20% 权重,取等权平均后归一到 0 到 100 的刻度。除了总分,指数还按三类角色和三类能力分别给分,方便按场景取用。
哪个模型在医疗任务上最强?
综合分最高的是 Gemini 4 Argon,49.1 分。按单项看,Claude Opus 5.5 在医疗专业人员项领先(55.6 分),GPT-6 Astra 在推理项领先(58.7 分),Claude Fable 5.1 在任务执行项领先(46.1 分)。想要单一答案的采购决策,先确定自己的场景属于哪一格。
预算有限该怎么选?
看性价比的话,DeepSeek V4.1 Flash 值得优先试,每任务 0.091 美元拿到 43.7 分;GPT-6 Luna 每任务 0.037 美元得 34.4 分,成本最低的分差也只有十几分。医疗模型的成本还会影响推理速度与迭代次数,单次推理便宜在高频场景里会放大成明显优势。
小结
InclusionMed 的价值不在榜首那个 49.1 分,而在它先审基准再评模型这件事上。388 个候选筛到 5 套,独立复现淘汰 4 套,九宫格把缺口摊开,成本又按实际 token 用量算到了每一道题。落到实操,选型时把总分、角色分和每任务成本放在一起看,比单看任何一个都靠谱。
下一个版本能否补上患者与公众这一行、能否走出美国那 318 项任务,才是这个平台真正要交的答卷。
相关阅读
- Gemini for healthcare 上线:28 小时文书与 400 个医疗应用
- BioBasicsBench 100 任务:GPT-6 Astra 66.7% 与三类错误
- AlphaGenome 2:1.07 亿细胞训练,致病变异识别率 16% 到 30%
- DeepSeek API 11 月 18 日新价格:搜索抓取免计费与空闲时段半价
- GPT-6.2 Astra 怎么选:8 美元每百万 token 与 5.2 分涨幅
- Liquid AI d1.2 决策模型:AA 指数 75 分与 0.8 校准误差
延伸阅读
- Into the Unknown:9 个智能体交 135 份论文 无一过专家关2 周前
- PHP2Shell 深度:9.2 分双重 RCE 波及 PHP 5.4 以来全部版本4 周前
- Gemini 4 Argon 安卓榜第五:通过率 21.3%3 周前
- Carbon-X:DNA 基准 66.7 分,成本仅 GPT-6.1 的 1/18004 周前
继续读
往下这几篇值得接着看:
