MedBench Agent 轨｜上线门禁协议：从公开评测到 GB-Clin 可合同门禁

要回答的问题

观测窗口 2026-09-27。这篇评论讨论「MedBench Agent 轨｜上线门禁协议：从公开评测到 GB-Clin 可合同门禁」。

锚点是 MedBench Agent 轨（MedBench Agent Track，arXiv:2511.14439）。公开材料对它的定位是：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。

我们把它当作需求地图上的一个点，用来判断 GB-Clin 这类私有评测集应当测量什么。下文先复述已经发表的协议与结果，再说明这些结果还留下了什么，最后给出数据集与门禁上的推论。

文中不报告 LumeSage 的榜单名次。没有可核验的对照实验，就不写分数。

文献里已经站得住的部分

2025–2026 年的医疗评测文献，实际上在拆掉「一个准确率代表临床能力」这件事。

考试型公开集（MedQA、MedMCQA、CMB、CMExam，以及 MedBench 早期综合基准，arXiv:2407.10990）仍然适合作为知识回归的哨兵。它们的问题也被讲得很清楚：题面容易进入训练语料，指南版本往往不冻结，专科尾部和高风险拒答不在总分里。

对话与系统侧，HealthBench（arXiv:2505.08775）证明开放生成需要对话级医师准则；MedBench v4（arXiv:2511.14439）证明同一骨干加上 Agent 编排，端到端和安全读数都可以明显变化，所以「模型分」和「系统分」必须分列；MedBench v5（arXiv:2606.24155）证明终答看起来稳，过程仍可能在矛盾和证据延迟下崩溃；MedHallu（arXiv:2502.14302）证明硬幻觉不是二分类玩具题。

MedBench Agent 轨 处于这条文献链上的具体位置是：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。下文只讨论这个位置上还没有被公开榜解决、因而需要写进数据集与门禁协议的部分。

本文引用的公开材料限于可核对来源，数值均来自论文或平台公开表述，不转写成 LumeSage 的实测排行。若后续版本更新，以原论文与数据卡为准。

• HealthBench. OpenAI, 2025. arXiv:2505.08775. 约 5,000 段多轮健康对话；262 名医师；约 48,562 条对话级准则；并设 Consensus 与 Hard 变体。
• MedBench v4. arXiv:2511.14439. 面向中文医疗大语言模型、多模态与智能体的评测基础设施；公开讨论中可见知识分与安全分背离、多模态弱于文本、以及同一骨干上 Agent 编排对端到端与安全任务的抬升。
• MedBench v5. arXiv:2606.24155. 从静态问答转向过程导向与幻觉感知：信息流压力（缺省、矛盾、证据延迟）、过程节点，以及幻觉从出现、传播到锚定的轨迹。
• MedHallu. EMNLP 2025, arXiv:2502.14302. 基于 PubMedQA 的幻觉检测；公开结果指出「硬幻觉」上即使强模型的 F1 仍可落在约 0.625，且「不确定」选项与领域知识有助于检测。
• MedBench（综合基准）. arXiv:2407.10990. 早期中文医疗大模型综合评测体系，后被 v4/v5 基础设施接续。考试型对照还包括 MedQA、MedMCQA、CMB、CMExam 等公开集。
• 影像侧公开对照常用 CheXpert、MIMIC-CXR；它们解决可比性，不自动解决授权、设备域与中文报告金标准。

这些数字可以怎样被引用

这些数字不能直接横比，也不能写成「我们超过了某篇论文」。它们的用途是约束句子。

HealthBench 的约 48,562 条准则说明：开放生成的分数是准则命中率，不是选择题准确率。准则由医师按重要性赋权，打分器是模型。因此报告里如果没有抽检比例，读者无法知道分数里有多少是打分器的偏好。Consensus 与 Hard 则说明作者自己也不认为整体分足够：一个用于共识，一个用于防止饱和。

MedBench v4 里被广泛转述的对比——整体大约 54 分、安全伦理可以低到大约 18 分——说明的是分轨，不是某一个模型的永久成绩。版本、子集和是否加上 Agent 编排都会改变读数。引用时要带上「v4、安全轨、基座而非编排后系统」这类限定。

MedHallu 的约 0.625 F1 针对的是硬幻觉检测，不是医疗问答总分。它说明「像专业表述的错误」比明显胡说更难被发现；也说明允许模型回答不确定，本身就是评测设计的一部分，而不只是产品话术。

MedBench v5 没有给出一个可以拿去宣传的新总分，它给出的是失败方式：终答的证据附着可以看起来稳定，过程在缺信息、矛盾和证据延迟下先坏。门禁若只存最终答案，就无法检验这篇论文提出的现象。

上线前建议冻结的四条判据

第一，MedBench Agent 轨 只作为回归哨兵，版本与日期写死，不作为唯一发布依据。

第二，GB-Clin 的私有集在约定分层上达到阈值；阈值写在协议里，而不是评测结束后再挑选。

第三，安全子集或 Hard 子集具备否决权。MedBench v4 的安全低分和 HealthBench Hard 的未饱和，都是这条判据的文献理由。

第四，未通过的样本要能归入失败类型，并决定下一步是补数据、改策略，还是收窄产品范围。没有这一步，门禁只是一个分数，不能指导下一次实验。

四条里有一条不成立，材料里就不写「已通过医疗评测」。

一段可放进评审附件的协议

下面是一段可以放进内部评审或合同附件的写法，主体是协议，不是形容词。它针对 MedBench Agent 轨，类目 GB-Clin。

「本次发布不使用 MedBench Agent 轨 的公开总分作为过关结论。公开协议仅保留为对照，版本与日期写在附录。过关与否依据 GB-Clin 的私有冻结集：分层、阈值和评分细则在评测开始前书面约定。报表至少分列：任务规划、工具调用、场景交互、记忆与协作。安全子集或难例子集未达到约定时，整体分不得覆盖该结论。每条失败样本归入类型，并注明对应的数据或策略动作。数据卡必填：工具白名单版本、调用轨迹、治理策略 ID。」

这段话故意没有名次。名次需要可复现的对照实验和对方授权的题面；两者都不在这篇公开评论的证据范围里。

医师抽检建议写比例和分歧，而不是写「经过专家审核」。分歧样本应留档：它们往往就是下一版准则或下一包数据的来源，而不是应被平均掉的噪声。

由此推出的数据集要求

测量面建议覆盖：任务规划、工具调用、场景交互、记忆与协作。覆盖的方式是分列报表。能被总分淹没的维度，就还没有被覆盖。

协议上建议写死的字段是：工具白名单版本、调用轨迹、治理策略 ID。此外，任何准备进入合同的集合都应说明排除标准、金标准来自谁、争议样本如何仲裁、与训练数据如何隔离、版本号以及下一次换题的条件。

这些要求直接来自上面的文献，而不是额外的清单：HealthBench 要求准则与抽检，MedBench v4 要求分轨与动态题，v5 要求过程日志，MedHallu 要求难度分层和「不确定」。在 MedBench Agent 轨 上缺了哪一条，就在数据卡上标成未覆盖，而不是在正文里用形容词带过。

2026–2027 年公开榜仍未完成的部分

到 2027 年，医疗模型评测里有三件公开榜尚未替产业完成的事，它们决定私有数据集的形态。

第一件是过程。MedBench v5 已经说明终答 grounding 可以稳定、中间节点仍然失败。下一代门禁会抽查日志：缺信息时是否追问，矛盾出现时是否改口，证据迟到时是否坚持旧结论。没有日志的基准，回答不了这些问题。

第二件是系统与模型的分离。MedBench v4 里，编排和工具策略可以抬升安全与端到端表现。评测集如果不记录策略版本和工具调用，就会把系统工程的进步记到基座模型头上，或反过来。

第三件是中文临床与授权数据。HealthBench 的准则网络、CheXpert / MIMIC 的影像许可、MedHallu 的英文文献问答，都是对照，不是你能直接采购来覆盖本院指南、本院设备和中文问诊的那一层。

这三件对应到 MedBench Agent 轨，就是本文强调的缺口。LumeSage 将 GB-Clin 放在这个缺口上：用医师终审、可版本化的题与审计附件，把论文里的协议翻译成可以下单的规格。公开榜继续担任地图。

读完可以做的决定

若你正在用 MedBench Agent 轨 做发布或尽调，可以把场景、对照基准的版本，以及是否需要医师抽检发给我们。意向类目为 GB-Clin。我们回复的是题集沟通说明或 Medical Gate 的排期要点，而不是一份新的排行榜。

联系方式见文末：微信二维码，或电话 +86 15010400907。请不要在表单中提交可识别患者的信息。

评测可以发现短板。它不构成医疗器械宣传，也不承诺购买数据之后模型分数或临床效果必然提高。

一次评审里实际要打开的材料

把「MedBench Agent 轨｜上线门禁协议：从公开评测到 GB-Clin 可合同门禁」落到一次内部评审，材料不该是另一篇综述，而该是可以翻页核对的四份东西。第一份是 MedBench Agent 轨 的协议说明：它测量 任务规划、工具调用、场景交互、记忆与协作。协议说明要写版本和日期，因为同一名字在不同年份对应的题集并不相同。第二份是对照结果，只保留与本次产品声称相关的分轨，不保留一张无法回溯子集的总分。

第三份是私有门禁，类目对应 GB-Clin。门禁在开评之前写好分层和阈值。开评之后再挑选「看起来过了」的子集，这份材料就失去了门禁的意义。第四份是失败样本。每条样本归入一种类型，并写明下一步是补数据、改策略，还是收窄产品声称的范围。类型来自缺口本身：只测补全不测治理策略；工具轨迹不可审计。

四份材料对不齐，评审的结论就是「还不能写已通过」。对不齐不是文稿没写完，是证据范围不够。把不够写成够，后面的尽调和复测都会打回来。

数据卡上建议与这四份材料用同一套字段：工具白名单版本、调用轨迹、治理策略 ID。字段名在评审纪要、采购订单和复测报告里保持一致，六个月后才还能对上同一次实验。

这些判断分别能核对到哪篇公开文献

下面把本文用到的判断收回来源，避免读者把评论句误当成新的实验结果。

「开放生成不能只用准确率」核对 HealthBench（OpenAI, 2025, arXiv:2505.08775）：约 5,000 段多轮健康对话，262 名医师，约 48,562 条对话级准则，并设 Consensus 与 Hard。准则命中率不是选择题准确率；打分器是模型，所以没有医师抽检比例的报告，读不出分数里有多少是打分器偏好。

「知识分和安全分可以背离，编排会改变读数」核对 MedBench v4（arXiv:2511.14439）。公开讨论中的方向是：基座模型整体均值可以落在大约 54/100，安全与伦理维度可以低到大约 18/100；同一骨干加上 Agent 编排后，端到端和安全读数都可以变化。引用时要写明是 v4、哪一条分轨、基座还是编排后的系统。

「终答看起来稳，过程仍可能先坏」核对 MedBench v5（arXiv:2606.24155）。论文关心的是信息流压力：关键信息缺省、病历内部矛盾、证据延迟到达，以及幻觉如何萌生、传播和被锚定。只存最终答案的门禁，检验不了这篇论文提出的失败方式。

「像专业表述的错误比明显胡说更难发现」核对 MedHallu（EMNLP 2025, arXiv:2502.14302）。它基于 PubMedQA 构造分层幻觉样本。公开结果指出，即便较强的模型，在硬幻觉上的 F1 仍可落在约 0.625；允许回答不确定、并引入领域知识，检测才会好转。这不是医疗问答总分。

考试型哨兵仍有用，但题面容易进入训练语料、指南版本往往不冻结。早期中文综合基准见 MedBench（arXiv:2407.10990），常一起被当作对照的还有 MedQA、MedMCQA、CMB、CMExam。影像侧的可比性来自 CheXpert 与 MIMIC-CXR 这一类公开语料，它们不自动带来再训练授权、设备域或中文报告金标准。

以上数字都是论文或平台自己的表述，不是 LumeSage 的实测排行。用在 MedBench Agent 轨 上时，只说明协议能约束哪一类句子，不说明任何未公开的模型名次。

因此数据卡上要写过程，而不只写一个终点

对 MedBench Agent 轨 而言，采购和发布真正缺的往往不是又一段背景介绍，而是过程能不能被第三方重读。重读至少包括：题或样本从哪一版指南、哪一台设备、哪一类人群来；谁给出金标准；争议样本由谁仲裁；训练流水线能否看见这些题；换题时哪一项指标还允许和上一版比较。

这些过程对应到字段就是：工具白名单版本、调用轨迹、治理策略 ID。某一项暂时没有，就在数据卡上写成未覆盖，并说明未覆盖时产品不能声称已经测量了对应风险。未覆盖的风险，本文已经点过名：只测补全不测治理策略；工具轨迹不可审计。

类目 GB-Clin 的作用是把上述过程收成可以下单的规格：医师终审层级、冻结集版本、失败类型词表，以及评测短板如何写进下一包数据的任务说明。评测可以发现短板。它不承诺购买数据之后公开榜分数或临床效果必然提高，也不把示意图上的数字写成实测指标。

若材料里只剩一个总分和一句「经过专家审核」，就还没有写完。专家审核要能回答抽检比例、分歧是否留档、分歧样本是否进入下一版准则。留档的分歧比被平均掉的噪声更有用。

要点

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。

LumeSage 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。