Event ·Multi-source

zavoai 发布 Hospital-bench:20 个模型医院运营智能体基准实测

zavoai 发布 Hospital-bench,一个评估 AI 智能体处理医院运营工作的基准。智能体在模拟健康系统内完成保险覆盖核查、预授权、理赔和病历调阅等任务,环境包含 13 个应用和 131 个工具。20 个模型共跑了 48 个任务。 结果显示 GPT-6.2 Astra 以 62.4% 的平均分领先,Claude Opus 5.5 完全通过的任务数最多(17/48)。安全性是最大挑战:模型出现过泄露受限患者病历、错误修改已支付理赔、越权操作等问题。GPT-6.2 Astra 和 Gemini 4 Neon 没有任务因造成伤害被判零分,部分模型最多有 10 个任务归零。 这组数据说明智能体在多系统复杂工作流中做到可靠且安全仍是难题,对医疗自动化落地的可行性评估有直接参考价值。

Current read

把 20 个模型扔进有 13 个应用、131 个工具的模拟医院里干活,GPT-6.2 Astra 拿了 62.4% 的均分,但不少模型会乱改理赔、泄露病历。做智能体评测或医疗自动化的都该看看这份成绩单。

11 sources39° AI heatLast updated 2026/11/20 16:19:38

Evidence

11 sources
Related source 1Artificial Analysis
View source
Related source 3lmarena.ai
View source
Related source 5kimmonismus
View source
Related source 6掘金本周最热
View source
Related source 7Andrew Curran
View source
Related source 8Greg Brockman
View source
Related source 9TestingCatalog
View source
Related source 10Browser Use
View source

Conflict check

Dedup data only shows that these sources discuss the same event, not that they agree. There is no structured supporting or refuting evidence yet, so no conflict is inferred automatically.