---
title: "诊断基准上拿第一，不等于就是更安全的诊断者。"
url: https://wakenex.com/notes/topping-a-diagnosis-benchmark-is-not-being-a-safer/
language: zh-CN
type: note
section: "系统研究"
published: 2026-10-24T10:58:51+07:00
author: "WAKENEX"
id: "note:topping-a-diagnosis-benchmark-is-not-being-a-safer"
x_post: https://x.com/AAwakened32198/status/2113842629624680449
alternate_language: https://wakenex.com/notes/topping-a-diagnosis-benchmark-is-not-being-a-safer/index.md
license: "© WAKENEX。可引用与摘要，请注明出处并附原文链接。"
cite_as: "WAKENEX. \"Topping a diagnosis benchmark is not being a safer diagnostician.\" wakenex.com, 2026-10-24. https://wakenex.com/notes/topping-a-diagnosis-benchmark-is-not-being-a-safer/"
---

# 诊断基准上拿第一，不等于就是更安全的诊断者。

**一句话判断：** 在诊断基准测试中取得最高分，并不等于成为更安全的诊断者。

**WAKENEX 概念：** [反馈分工：不要用一种指标替代其他问题的答案](https://wakenex.com/zh/concepts/match-the-feedback-to-the-question/)

![明亮阳光的医院走廊里，几位穿手术服、只见背影的医护人员在彩带中把一枚巨大的金色一等奖奖章别到一块空白白板上庆祝；右侧一张铺着叠好毯子、放着听诊器的病床空无一人、无人照看。叠加](https://wakenex.com/assets/notes/topping-a-diagnosis-benchmark-is-not-being-a-safer/cover-1600.jpg?v=9f482d9b8c)
*图片：WAKENEX*

一个 AI 在诊断测试上比医生准四倍，赢下的却是比标题窄得多的一场比赛。2026 年 10 月 22 日，微软在《科学》发表研究：它的 MAI 诊断编排器（运行在 GPT-5 上）在最难的《新英格兰医学杂志》病例档案上有 83% 答对，而被允许查教科书和网络、却不能找同事或专科医生的全科医生只有 36%。

但要看这个测试到底测了什么。这些是写好的书面病例，被特意挑成疑难杂症，以纯文本作答——没有真实病人，没有影像，没有“到底哪里出了问题”的不确定，而且由另一个模型在“说出病名”这一层打分。微软自家的编排相对单用 GPT-5 只多了约四个百分点，所以大部分差距来自这套考法，而不是这套系统。

微软自己也把真正的检验讲得很清楚：一场活体临床试验——已宣布与 Beth Israel Deaconess 合作，但尚未开展。所以这个 83% 回答的是“它能不能解开一道精选的诊断谜题”，而不是“它对你面前这个病人是不是更安全的诊断者”。如果一场前瞻性试验显示它在真实病人结局上（而不只是说出病名这一层）有同样的优势，我们就会修正这个判断。

下次你读到“AI 在某件事上超过专家”，先做一件事：弄清这个基准到底测了什么，再问有没有人在真实场景里验证过。研究，不构成医疗建议。

---
引用格式：WAKENEX. "Topping a diagnosis benchmark is not being a safer diagnostician." wakenex.com, 2026-10-24. https://wakenex.com/notes/topping-a-diagnosis-benchmark-is-not-being-a-safer/

网页版：https://wakenex.com/notes/topping-a-diagnosis-benchmark-is-not-being-a-safer/