公共卫生与医疗运营
突破级
暂无讲解视频
收录解读
问题与背景：推理型 LLM 在医学中很有潜力，但现有评测常只看最终答案，缺乏对检查建议、诊断决策和治疗规划全过程推理质量的结构化评估。
方法与机制：MedR-Bench 收集 1453 个结构化患者病例，覆盖 13 个系统和 10 个专科，并给出来自临床病例报告的参考推理。论文还提出 Reasoning Evaluator，从效率、事实准确性和完整性评估模型书面推理。
为什么重要：这不是普通医疗 QA，而是面向临床推理流程的评测接口，能帮助区分模型会不会推、在哪里推错、是否只是补全表面答案。对医疗 agent 和临床 AI 安全评估有复用价值。
局限：自动推理评估本身可能有偏差，病例报告不等同于真实临床工作流；因此作为突破级 benchmark 收录。