研究人员推出罕见病诊断基准RareDiseaseBench

发生了什么

研究人员发布了RareDiseaseBench基准，旨在评估AI代理在罕见病诊断中的表现。该基准包含35个基于已发表病例重建的诊断工作流程，要求AI代理根据患者症状及病史，自主决定测试项目、分析结果并提出诊断与管理方案。评测结果显示，Gemini 4 Argon with Pi在105次尝试中通过46次（43.8%），Claude Opus 5.5 with Claude Code和GPT-6 Astra with Pi均通过35次（33.3%）。分析指出，数据获取与诊断工作流程是模型失败的主要原因。