InclusionMed 医疗AI怎么选:22个模型49.1分与24倍成本差

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

全部文章归档与模型专题