热点事件持续更新
KlinikeBench：临床语言模型交互评估基准
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
arXiv 论文提出 KlinikeBench，包含 333 个临床医生撰写的任务，在隔离沙盒中评估大语言模型与虚拟患者的交互式临床接诊能力。实验覆盖 31 个模型和 7 个模型家族，结果显示表现最好的模型（如 GPT-6-astra 和 Claude Opus 5）任务成功率低于 30%，尽管其诊断准确率达 90.7%，揭示诊断准确率与交互式临床评估之间存在显著差距。
AI 根据报道生成 · 1 小时前更新
最新进展10月1日 12:00
arXiv 论文发布 KlinikeBench 基准，显示高诊断准确率模型在交互式临床任务中成功率仍低于 30%。报道时间线
沿着报道，了解事件的不同侧面。
10月1日
- arXiv · Computation and Language精选KlinikeBench：超越诊断准确率的大语言模型临床评估基准
arXiv 论文提出 KlinikeBench，包含 333 个由临床医生撰写的任务，在隔离沙盒中评估大语言模型与虚拟患者的交互式临床接诊能力。31 个模型和 7 个模型家族的实验显示，表现最好的模型（如 GPT-6-astra 和 Claude Opus 5）在任务成功率低于 30%，尽管其诊断准确率达 90.7%。基准揭示诊断准确率与交互式临床评估之间存在显著差距。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。