中美医疗大模型评测机制差异--中国用“题海战术考AI医生，美国相信“实战”出真知

一个事实：中国MedBench已升级至5.0——近100万条专业评测试题、63项细分临床评测任务，还首次开设了由院士团队共建的专科挑战赛；而美国OpenAI的HealthBench仅有5000例开放对话，却动用了262位全球临床医生逐条手写评分标准。

一个边界：但MedBench的题库由上海AI实验室联合医学机构自主构建，HealthBench的每段对话都按真实医患场景设计、评分标准由医师逐条撰写——两套体系的核心假设完全不同。

一个判断：医疗AI评测正在分裂为"题海量派"与"精兵实战派"两条路线，尽管二者已经开始互相渗透。这直接决定了AI进入医院的方式，也决定了你未来面对的"AI医生"到底是考试机器还是临床助手。

一、中国路线：MedBench，国家队的"题海战术"

MedBench由上海人工智能实验室联合上海市数字医学创新中心推出，是国内首个面向中文医疗大模型的标准化评测平台，已纳入司南大模型开源开放评测体系（OpenCompass）。

2025年11月发布的MedBench 4.0，覆盖60个全自主构建评测集，共70万余专业评测题。2026年8月，MedBench进一步升级至5.0：依托近100万条专业评测试题，覆盖63项细分临床评测任务，并首次开设专科专精赛道——8大专科挑战赛由钟南山、葛均波、范先群等院士团队参与共建。截至2024年7月，已有387个医疗大模型在此接受评测，这一数字至今仍在增长。

它的评测维度设计得很全：医学语言理解（MLU）、医学语言生成（MLG）、医学知识问答（MKQA）、复杂医学推理（CMR）、医疗安全与伦理（HSE）。

最狠的是防作弊机制。MedBench采用"循环洗牌"随机重排选项顺序，配合"随机提示匹配"从无关提示池中抽取干扰项，防止模型靠记忆或选项顺序猜答案；题库持续动态更新，让"背题"越来越难以奏效。

这套逻辑很清晰：用足够大的题量、足够密的维度、足够严的防作弊，筛出真正懂医学知识的模型。

二、美国路线：没有"美国的MedBench"，只有一群"精兵"

美国没有一家机构能一统医疗AI评测江湖。取而代之的是三条并行战线，各自解决不同层面的问题。

第一层：OpenAI HealthBench——考"对话"，不考"做题"

2025年5月，OpenAI发布了HealthBench，这是目前美国最具影响力的医疗AI开放评测基准。它完全不走"医学考试"路线，而是设计了5000段按真实医患场景构建的多轮临床对话，由262位来自60个国家的临床医生逐条制定评分标准。

评分不是简单的对错，而是按五个行为轴打分：准确性、完整性、沟通质量、情境感知、指令遵循。

HealthBench还分了两个子集：Consensus（专家共识验证项）和Hard（高难度挑战项）。Hard子集专门挑那些会让模型得零分或输出不安全内容的病例。

2026年8月的最新排行榜显示，即使是顶尖模型，在Hard子集上的最高分也只有42.8%（Meta的Muse Spark），GPT-5.4为40.1%

这意味着什么？当前最强的AI，在最困难的医疗对话场景中，连及格线都摸不到。

第二层：斯坦福MedAgentBench——考"干活"，不考"聊天"

如果说HealthBench考的是"你会不会跟病人说话"，那斯坦福发表在《NEJM AI》（《新英格兰医学杂志》旗下专注于人工智能与医学交叉领域的独立姊妹刊）上的MedAgentBench考的就是"你会不会在医院系统里干活"。

MedAgentBench搭建了一个FHIR（快速医疗互操作资源，国际通用的医疗数据交换标准）兼容的虚拟电子病历环境，里面有100个患者档案、70万+数据元素。模型需要完成300个真实临床任务：开药、下检查单、调阅病历、写病程记录。

该研究2025年发表时，最佳成绩是Claude 3.5 Sonnet v2的69.67%——近三成任务会失败。斯坦福团队表示，更新的模型成功率已明显提升，但距离"零失误"仍然很远。

这项研究揭露了一个关键盲区：模型在MedQA（美国医师执照考试风格的题库）上的得分已接近天花板，但在MedAgentBench上连70%的任务都完成不了。知识考满分，不等于会看病。

第三层：FDA的盲区：批了1451个AI，却零横向对比

1、FDA本身不是评测机构，但它的AI/ML医疗设备清单正在塑造行业的"及格线"。截至2025年底，FDA已累计批准1451个AI/ML医疗设备，2025年单年就批了295个，创历史新高。但这里有一个巨大的证据缺口：2025年《JAMA Health Forum》审阅了691个FDA已批准AI设备的审批档案，结果触目惊心：46.7%的摘要没写研究设计，53.3%没报告样本量，不到2%引用了随机对照临床试验（RCT）——这是医学证据的"高考"，能证明"是这个AI导致了好的结果"而不是巧合。

也就是说：近一半厂商连"我们怎么测的"都没交代，超过一半连"测了多少人"都没说。 这意味着，那个被FDA盖章的AI读片工具，可能只是在一家医院、用几百张精心挑选的片子做了回顾性回测，就拿到了上市许可。FDA的审批门槛，在证据质量上可能比你想象的要低得多。

2、更值得注意的是通用大模型的"越界"。 2026年6月《Nature Medicine》的一项研究用MedQA（美国医师执照考试基准）和HealthBench（OpenAI医疗对话评测基准）对比测试发现，GPT-5.2（OpenAI通用大模型）、Gemini 3.1 Pro（谷歌通用大模型）等通用大模型的表现，优于两款面向医生的专科临床AI工具——OpenEvidence（临床决策支持工具）和UpToDate Expert AI（循证医学临床参考工具）（注意：这两款是临床参考工具，并非FDA获批器械）。

但这个结论本身还在被争夺，而且原因可能比"谁更聪明"更复杂。

论文作者自己给出了几个可能的解释：

第一，RAG（检索增强生成）反噬。OpenEvidence和UpToDate Expert AI都高度依赖RAG——从医学文献库中检索相关内容再生成回答。但已有研究表明，当检索到不相关材料，或基础模型整合检索结果的能力不足时，RAG反而会损害输出质量。换句话说，"查资料再回答"这个设计，在部分场景下成了拖累。

第二，通用模型在"沟通"维度上全面碾压。在HealthBench的五个评分轴中，通用模型在完整性、沟通质量、情境感知三个维度上显著领先。OpenEvidence在清晰度维度上得分最低（2.84分），说明它的短板不是"不懂医学"，而是"不会把医学知识组织成医生能读懂的回答"。

第三，专业工具"拒答"率过高。 在真实临床查询（RCQ）测试中，UpToDate AI拒绝了19%的查询，而其他模型仅拒绝1-3%。拒绝率过高等于直接交白卷——这在评分中是大忌。

第四，评测基准本身可能有偏差。 MedQA和HealthBench是公开数据集，通用大模型在训练时可能"刷过题"（数据污染）。更微妙的是，HealthBench由OpenAI开发，GPT-5.2在其上得分最高，可能存在"基准-开发者重叠"——训练数据、优化目标或评分标准设计上的隐性偏向。但作者强调，RCQ（真实临床查询）基准完全来自NYU Langone医院的真实去标识化查询，不受训练数据污染，而在这个基准上通用模型仍然胜出。

第五，也是最关键的一层：通用模型在"规模、对齐和跨域推理"上的投入，可能已经超过了专业工具的"医学专项优化"。 论文指出，前沿LLM拥有更大的训练语料、更快的迭代周期和更强的对齐能力，"规模、对齐和跨域推理可能超过领域特定调优，成为医学能力的关键决定因素"。

不过作者也给自己留了退路：这只是一个"快速演变格局的快照"，不是永久排序。深度专科任务可能仍需要更复杂的领域适配。而且这项研究没有评估响应延迟和引用质量——这两点恰恰是专业工具在真实临床中的核心优势。

这个结论仍在被反向争夺：OpenEvidence资助的一项独立研究得出了相反结果；另一项来自Synduct（医疗AI公司）的预印本研究也显示，其专科医疗系统在HealthBench Hard（高难度医疗对话评测集）上反超了GPT-5.2。

所以更准确的说法是：在"知识问答"和"对话对齐"这两个维度上，通用大模型目前确实更强；但在"引用可追溯性"和"响应速度"这两个维度上，论文没测，专业工具未必输。 这场争论的本质，其实是"考试考什么"决定了"谁拿高分"。而FDA的审批体系，恰恰不考这场试——它只问"你是否达到了自己声明的性能"，不问"你是否比通用大模型更强"。

三、核心分歧：考什么？怎么考？谁来判卷？

把两套体系放在一起看，差异一目了然。

中国相信"题海"能筛出真才实学，美国相信"实战"才能暴露真问题。

需要说明的是，这条分界线正在变得模糊：MedBench从4.0起就引入了贴近真实诊疗的实战化评测，5.0更把智能体评测和专科挑战赛纳入核心框架——"中国只考做题"已经不完全成立。

MedBench的优势在于覆盖广、防作弊严、中文场景深。它的近100万道题能确保模型不会在医学常识上翻车，也能横向对比几百个模型的知识储备。

但HealthBench和MedAgentBench揭示了一个MedBench仍在补课的问题：医学知识 ≠ 临床能力。一个模型能在考试中拿高分，却可能在真实对话中遗漏关键病史、开出冲突药物、或者在病历系统里下错医嘱。

反过来，美国的分散生态也有代价。没有统一基准，厂商可以"挑考场"——在某个考试型基准上刷分就宣称"超越人类医生"，在HealthBench上不提。FDA的审批更是只问"是否达到你自己声明的性能"，不问"是否比通用大模型更好"。

四、对普通人的影响：你未来面对的AI医生，取决于这场"考试改革"

这场评测路线的分裂，最终会体现在你走进医院时的体验上。

如果"题海派"赢了，你面对的AI医生可能知识渊博、考试满分，但说话像教科书，问诊像做问卷，遇到复杂病例就卡壳。

如果"精兵派"赢了，你面对的AI医生可能对话流畅、能调病历、会开检查，但偶尔在基础医学知识上犯低级错误——因为没人用近100万道题筛过它。

但为什么中美一开始就走上了不同的路？

核心原因是两国的医疗体制和AI使命完全不同。中国医疗资源高度集中于三甲医院，基层（县级医院、乡镇卫生院）严重缺医生。AI医疗的首要任务是"知识下沉"——让偏远地区的医院也能达到三甲诊断水平。这要求AI首先具备扎实的医学知识，而不是复杂的对话能力。MedBench的70万道题，本质上是一个"国家级筛选漏斗"：谁能做对足够多的题，谁就能被派去基层"补课"。

美国则相反。医疗市场化程度高，医生是绝对核心，AI只是辅助工具。它不需要替代医生的知识储备，而是必须融入医生的工作流——会调EHR、会写病程、会跟病人沟通。因此评测重心从"懂多少"（MedQA）进化到"会不会干活"（MedAgentBench）和"会不会说话"（HealthBench）。

第二个关键差异在监管逻辑。 中国NMPA（国家药监局）将所有AI医疗软件归为Class III（最高风险等级），审批最严，厂商需要可量化的性能指标（AUC、F1分数）才能过关。标准化题库提供了明确的"及格线"。而美国FDA将96%的AI设备归为Class II（中等风险），审批相对宽松，但上市后监管更严——这导致评测重心从"上市前考试"转向"上市后真实世界表现"。

第三个差异在数据生态。中国医院数据总量大，但跨机构共享困难（《数据安全法》《个人信息保护法》）。MedBench这样的集中式评测平台可以绕过数据孤岛——不需要把真实患者数据拿出来，用标准化题目就能横向对比几百个模型。而美国EHR系统极度碎片化（Epic、Cerner等互不兼容），没有全国统一的数据平台，很难建立大规模集中式题库，只能各机构在本地数据上各自验证，催生了分散式评测生态。

最可能的结果是：两条路线正在互相渗透。

五、一个值得警惕的信号

2025年，上海联影（United Imaging）拿下10个FDA AI/ML医疗设备clearance，成为当年全美获批最多的企业之一。截至2025年底，联影累计已有38个AI设备通过FDA审批，在国产品牌中遥遥领先。

这里需要先厘清一个概念：FDA的"clearance"不等于"approval"。

Clearance走的是510(k)实质等价通道——只要证明你的设备和市场上某款已上市设备"安全性和有效性实质等价"，就能放行。这是FDA最宽松的审批路径，绝大多数AI影像软件都走这条道。

Approval走的是PMA（上市前批准）通道——针对心脏起搏器、人工心脏瓣膜等最高风险器械，必须自己做大规模临床试验，从零证明"我自己就是安全有效的"。

联影的10个AI设备，全部走的是clearance/510(k)，不是approval/PMA。

这意味着什么？联影这些设备在中国上市前，面对的是NMPA（国家药监局）的严格审查，以及MedBench近100万道题的知识筛选；但到了美国，它们只需要找一个已上市的同类产品当"对标"（predicate device），证明"我的读片准确率和它差不多"，就能通关。

注意：这里的"等价"绝不是知识产权层面的"抄袭"。 FDA审的是临床性能参数（灵敏度、特异度、AUC），不碰代码、算法和专利。联影的算法是自己写的，专利是自己的，它只是借用了FDA的监管"捷径"来快速入市。但通关之后，如果专利权人认为你的技术侵犯了他们的专利，美国联邦法院随时可以起诉你——FDA的clearance章，绝不等于"知识产权清白证明"。

更关键的是，同一个AI，在中国要考"近100万道题"，在美国只要"对标一个已上市的同学"。FDA的510(k)逻辑是"你过线了吗"，不是"你比谁强"。HealthBench不测影像AI，MedBench只测中文模型——两套评测体系像两条平行铁轨，永不相交。

结果是：一个中国患者和一个美国患者，可能用着同一款联影AI读片，但两人都不知道这款AI在对方国家的"考场"里表现如何。全球医疗AI评测分裂成孤岛，而患者站在岛上，看不见对岸。

【互动问题】

如果明天你去医院，挂号时被告知"这位AI助手通过了近100万道医学考题"和"这位AI助手在300个真实病历任务中成功率70%"，你更信任哪一个？

A. 题海派——知识扎实才靠谱

B. 实战派——会干活比会考试重要

评论区聊聊你的选择 👇

信源清单

MedBench 官方平台，上海人工智能实验室。https://medbench.opencompass.org.cn/home

MedBench 5.0 发布报道（近100万条试题、63项细分任务、8大专科挑战赛），2026年8月。

MedBench 4.0 发布报道（60个全自主构建评测集、70万余题），浦江医学人工智能大会，2025年11月。

HealthBench: Evaluating Large Language Models Towards Improved Human Health，OpenAI，arXiv:2505.08775，2025年5月。

BenchLM HealthBench Hard 排行榜，2026年8月13日快照。https://benchlm.ai/benchmarks/healthbench-hard

MedAgentBench: A Virtual EHR Environment to Benchmark Medical LLM Agents，NEJM AI，斯坦福大学，2025年8月；及斯坦福HAI后续报道。

Lin et al.,Benefit-Risk Reporting for FDA-Cleared Artificial Intelligence–Enabled Medical Devices，JAMA Health Forum，2025年9月（691个设备、46.7%、53.3%、不足2%引用随机对照试验）。

Vishwanath et al.,General-purpose large language models outperform specialized clinical AI tools on medical benchmarks，Nature Medicine，2026年6月。

OpenEvidence backs study that finds it beats LLMs，STAT Health Tech，2026年7月（反向结论研究报道）。

Kumar et al.（Synduct），Evaluating an LLM-Based Medical Assistant on Realistic Clinical Queries，arXiv:2509.02594（2026年2月修订）。

2025 Year in Review: AI/ML Medical Device 510(k) Clearances，Innolitics，2025年12月（2025年295个、联影10个领跑）。

FDA AI/ML医疗设备官方清单及第三方统计（截至2025年12月30日，累计1451个）。

FDA，Request for Public Comment: Measuring and Evaluating AI-enabled Medical Device Performance in the Real-World，2025年9月30日。