微软 MAI-DxO 诊断智能体：83.2% 准确率对医生 36.1%

微软 AI 团队把多个智能体组成一个虚拟会诊小组，在 304 例《新英格兰医学杂志》疑难病例上拿到 83.2% 的诊断准确率，同批全科医生在可以翻参考资料时只有 36.1%，不翻资料时更低到 22.3%。论文 2026 年 10 月 22 日发表在《Science》正刊，卷 394、期 6822、页 423 至 428，题为《Sequential diagnosis with language models》，全部 15 位作者都是微软员工。

这套系统叫 MAI-DxO（论文里简写为 DxO），全称 Microsoft AI Diagnostic Orchestrator。它的定位有别于单个更强的模型，走的是把多个扮演不同角色的智能体组织起来、由编排层决定问什么、查什么、什么时候收口的路线。配套发布的 SDBench 基准也一并开源，代码托管在 GitHub 的 microsoft/sdbench 仓库，采用 MIT 许可。

先给结论：这套结果目前只能说明在历史病例的受控回放里，多智能体会诊加成本约束能跑赢单个全科医生，离真实门诊还隔着前瞻性临床试验、大模型换代、专科医生这三道坎。

SDBench 把选择题改成了会诊现场

现成的医疗大模型基准大多长这样：把所有信息一次性摊在题面上，然后让模型选一个答案。这类题目对应的是医生资格考试里的一次选择，而真实诊断是另一回事。临床医生必须一步步往外拼图，决定先问什么、先开哪项检查，每拿到一条新证据就重新调整判断概率。

SDBench 就是照这个思路设计的。它把两类病例改造成可交互的逐步诊断任务：一类是《新英格兰医学杂志》的 304 例临床病理讨论病例，另一类是 MIMIC-IV-ED 数据集里 325 例急诊入院记录。每个病例开场只给一段简短的临床摘要，参与者可以提问病史、可以开检查单、也可以直接提交诊断。

基准里有两个辅助智能体负责维持这个流程。Gatekeeper 智能体充当病例守门人，把每一次信息请求都对照原始病历核验，遇到病历里没有的检查项，它会生成一段诊断上中性的合成结果，不让缺失的数据本身成为答案的暗示。Judge 智能体用一套医生撰写的五级评分细则给最终诊断打分，得 4 分或 5 分算作正确，这两档的含义是如果按这个诊断走，处理方案不会因此改变。

检查成本用美国医疗编码协会的 CPT 定价估算，价格基准取自 Kaiser Permanente 华盛顿中心医院的标准收费表，问病史和查体则折算成一个固定的门诊费用。这个设计让准确率和花多少钱可以在同一张表上比较。

三档配置与真实成本：83.2% 花 5431 美元

以 GPT-5 为底座的 DxO 在疑难病例上跑出了四组结果。放开预算时准确率 83.2%，平均每例花 5431 美元；收紧预算后准确率 80.9%，成本 2241 美元；再紧一档是 79.6% 和 1303 美元；专门朝诊断质量优化的那档反而最贵，84.5% 准确率对应 8945 美元。

急诊数据上的表现类似。无预算约束时准确率 80.3%、每例 4979 美元；带预算约束是 73.2% 和 2634 美元。微软给出的结论很直接：在这两个数据集上，没有任何一种人类或 AI 的做法能做到既更准又更便宜。

这里的成本是研究里的统一估算口径，跟医院实际的运营账单是两码事。它衡量的是这套系统在检查项目上做得够不够克制，不等于已经替医院省下了钱。

医生基线：22.3%、36.1% 与那 51.8% 的最好成绩

医生侧的实验在 56 例从工程开发中留出来的病例上做，参与者交出了 764 份闭卷诊断和 662 份开卷诊断。闭卷平均准确率 22.3%，每例成本 3049 美元；开卷平均 36.1%，成本 4725 美元。表现最好的一位个人医生做到 51.8%。

急诊那组数据里，全科医生平均 46.8%，成本 3400 美元，最好的个人医生 62.5%。也就是说，即便把 DxO 在急诊场景的最好成绩放进比较，差距是 80.3% 对 62.5%，对平均值的优势并没有形成碾压。

还有个容易被忽略的细节值得单独拎出来。论文对比了提问风格：医生平均在开第一项检查之前问 5.6 个问题，DxO 配 GPT-5 的平均提问数是 25.5 个。作者把这个策略描述为结构化的详尽问诊。换句话说，DxO 在这个基准上拿到的分数，一部分来自它愿意把病史问得更细，这本身也是成本的一部分。

编排到底加了多少：GPT-5.5 从 72% 抬到接近 87%

这组实验最能说明编排层的作用。论文在所有被测模型上用最简提示跑基线，DxO 编排平均让疑难病例的准确率提升 7.9 个百分点，急诊病例提升 4.4 个百分点。Weak 模型收益最大。

微软也测了从不同模型带来的差异。配 GPT-5 时，编排把复杂病例从 72% 抬到接近 87%，而在急诊场景两种配置的落点都在 85% 上下，编排带来的额外收益很小。最弱的 Gemini 2.5 Flash 从 46.4% 升到接近 69%。

底座模型强弱会直接改变编排的边际价值，这一条对做技术选型的人很重要。模型越强，编排能补的短板越少；模型越弱，架构设计的收益越明显。这套系统的价值随底座模型升级而稀释。

另一个值得记下的时间线。这项工作最早在 GPT-4.1 仍属先进模型的阶段启动，2025 年 6 月 27 日以预印本形式发布在 arXiv（编号 2506.22405），当时用 o3 模型报告 80% 准确率，医生平均 20%，最大准确率配置 85.5%。定稿版本补上了急诊数据集和 GPT-5、GPT-5.5 的完整评测。作者明确说明，模型换代过程中编排的精度优势不减反增。

这类编排思路的通用价值不止在医疗。微软研究院此前用类似的多智能体协同跑过小鼠全脑图谱解析，2000 个智能体 32 分钟完成任务，那种把模型推到专家环节的路径和这里属于同一个方向。

争议集中在四处，作者自己都写进了限制条款

第一，作者全部是微软员工，论文披露里明确写着几位作者是微软某项自动评估框架专利的发明人，外部资金为零。第二，基准由微软自己构建，虽然 SDBench 计划开源部分 NEJM 病例，但数据集仍需向 NEJM 集团申请授权，MIMIC 子集要走 PhysioNet 的资质审核，默认开放数据集只有 5 个纯合成病例。

第三，对照组是单个全科医生，没有专科医生，也没有多学科会诊团队。作者写明，面对与病例匹配的专家团队时，这个差距会收窄。这恰恰是最需要被质疑的一点。NEJM 的临床病理讨论病例在现实中通常交给专科处理，把这类病例交给全科医生本身就抬高了系统的相对表现。

第四，全部病例都是历史病例。模拟环境把病人叙述不确定、文档不完整、医患沟通、长期随访、影像与病理切片这些因素都排除在外。Judge 评分只判疾病层面的正确性，不评治疗方案是否恰当、是否安全、长期管理是否到位。

系统最早在 GPT-4.1 时代搭建，论文也没有纳入 GPT-6 Astra、Muse Wonder Full、Gemini 4 Argon、Opus 5.5 这些更新模型。技术文档的读者应该把它当成一份方法论证据，不能当作一份当前的排名表。

从论文到诊室：贝斯以色列女执事医院与梅奥诊所

微软 AI 负责人 Mustafa Suleyman 表示，公司要朝着医疗超级智能的方向走，目标是几年内做出与人类专家难以区分的系统，方向覆盖临床协同、治疗决策等五个领域。同时他在接受采访时说，技术仍然需要临床验证，目前只在历史病例上跑过。

下一步是前瞻性研究。微软与波士顿的贝斯以色列女执事医疗中心达成合作，将让真实患者与系统交互，并把系统结论与医生的独立判断做对比，在多个医院场景里评估临床推理能力。参与研究的 AI 健康负责人 Dominic King 说，接下来几个月会推进这项真实环境测试，商业化时间表尚未确定。

另一条线是基础模型。2026 年 6 月 2 日微软与梅奥诊所宣布合作开发面向医疗健康的前沿模型，该模型由梅奥诊所所有，微软计划通过 Azure Foundry API 提供。同期微软把旗下做 Dragon Copilot 和 PowerScribe 的语音与临床记录团队并入 Microsoft AI，把这些能力整合进同一支队伍。

配套的位置论文《Medical Superintelligence: Foundations and Aspirations》同期发表在 BMJ Digital Health and AI，提出医疗智能的六个相互依赖维度，并强调跨过医疗超级智能的门槛要求的是整体医疗推理链上超越今天最强人类主导的医疗体系，超出孤立任务上的超人类表现。

常见问题 FAQ

MAI-DxO 的 83% 准确率能直接用在真实诊断吗？

不能。83.2% 这个数字来自历史病例的受控回放，病人是模拟的，检查结果是合成的，作者也写明这项技术仍需临床验证。真实门诊里的第一道考验是与贝斯以色列女执事医疗中心合作的前瞻性研究，那份结果尚未公布。

换个更强的模型，DxO 这套编排还有意义吗？

有意义，但收益会缩水。底座模型越强，编排补的短板越少。配 GPT-5.5 时急诊场景两种配置都落在 85% 上下，编排的额外收益很小；在急诊数据上 DxO 的编排增益只有 4.4 个百分点，明显低于疑难病例的 7.9 个百分点。做技术选型时应该按自己实际使用的底座模型来估这笔账。

这套系统对医疗数据安全有什么要求？

论文给了一个隐含提示：NEJM 病例数据需要向 NEJM 集团申请授权，MIMIC 子集通过 PhysioNet 分发并需要资质审核，默认开源的数据集只包含 5 个纯合成病例。医疗诊断涉及高度敏感的病历数据，能拿到基准不代表能拿到训练与验证数据，这道门槛比工程实现更早出现。

小结

微软这次的贡献有三层。方法层面，多智能体按专家角色分工、由成本约束参与检查决策、由 Judge 智能体统一裁决，这套编排不绑定任何一家模型。评测层面，SDBench 把医疗 AI 基准从选择题改成了逐步问诊的交互任务，还把花多少钱一起计分。工程层面，Gatekeeper 与 Judge 连同成本估算代码都以 MIT 许可开源，第三方可以自己跑这个基准去挑战结论。

需要保持清醒的地方同样清楚。作者全员来自同一家公司，基准由这家公司自己构建，对照组缺专科医生，病例全部来自历史档案，最新一代基础模型没有纳入测试。83.2% 对 36.1% 是一组真实的实验数据，它证明的是编排方法在受控环境里的潜力，离这套系统已经能看病的程度仍有一段距离。

相关阅读

• 微软 MAI-Base-2：1/4 算力超越 GPT-5.6 Sol
• 微软披露 Storm-0940 攻击：ARTEX 智能体 3 小时拿下 2250 租户
• OpenAI 联合 PerturbAI 用 2000 个智能体 32 分钟解析小鼠全脑图谱
• 腾讯元宝搜索开放：千亿索引、157 信源、8 毫秒检索如何接入 Agent