评测数据集 · 实体榜单 · medbench-agent · GB-Clin
MedBench Agent 轨：公开评测地图与私有门禁映射｜朗慧
同一骨干上 Agent 编排可显著抬升端到端与安全任务——评测必须区分模型能力与系统能力。 对齐 2026-09-27 前沿评测进展，给出 GB-Clin 映射、字段清单与询盘入口。
English entry: /en/gate/benchmarks/medbench-agent/
定义与观测窗口
MedBench Agent 轨（MedBench Agent Track）· 观测窗口 2026-09-27。
同一骨干上 Agent 编排可显著抬升端到端与安全任务——评测必须区分模型能力与系统能力。
主映射 SKU：GB-Clin（临床对话评测集）。相关扩展：GB-Safety。
参考文献标识：arXiv:2511.14439。
测什么 / 测不到什么
测量面：
- 任务规划
- 工具调用
- 场景交互
- 记忆与协作
产业共识缺口：
- 只测补全不测治理策略
- 工具轨迹不可审计
数据集要求（可采购字段）
- 工具白名单版本
- 调用轨迹
- 治理策略 ID
完整采购与门禁协议见意图簇文章，并回到类目页 GB-Clin。
意图簇（商业词进攻）
角色入口
MedBench Agent 轨公开协议能对照的是：任务规划、工具调用、场景交互、记忆与协作。这些维度要分列，不能收成一个总分。
公开材料测得到、合同里买不到的部分是：只测补全不测治理策略；工具轨迹不可审计。
写进数据卡时建议保持同名的字段是：工具白名单版本、调用轨迹、治理策略 ID。缺哪一项，就标成未覆盖。
朗慧 把公开对照留在需求地图上，把可下单的规格放在 GB-Clin 的私有层。观测窗口 2026-09-27；版本以原论文和当期数据卡为准。