这项由加州大学圣克鲁兹分校与NVIDIA研究团队联合开展的研究，以预印本形式发布于2026年6月，论文编号为arXiv:2606.01961，感兴趣的读者可通过该编号在arXiv平台查阅完整原文。

**一段关于"AI医研员"的故事**

假设你是一位资深医院管理者，你决定雇用一个全新的"AI员工"来完成繁琐的医学影像研究工作。这位员工收到任务后，需要自己看懂需求、准备好工具、测试方案是否可行、完整执行分析，最后把报告整齐地交到你手上。听起来相当理想——但这位AI员工真的能做到吗？会在哪个环节掉链子？

这正是这篇论文试图回答的核心问题。研究团队构建了一个名为**AUTOMEDBENCH**的测试平台，专门用来评估当前最先进的AI系统能否像真正的医学研究员一样，从头到尾独立完成一整套医学AI研究任务。

这个问题之所以重要，是因为我们身处一个AI能力飞速进化的时代。近年来，大语言模型（也就是ChatGPT这类AI的底层技术）已经从单纯的"答题机器"进化成能够写代码、调用工具、长时间保持思路连贯的"任务执行者"。学术界将这种新形态称为"自动研究"或AutoResearch——让AI不只是回答问题，而是真正参与科研流程。

医学影像领域恰好是测试这种能力的极好场地。不同于一般的问答任务，医学研究要求AI同时具备领域知识和工程执行力。一个典型的任务可能要求AI理解临床目标、处理不同格式的医学图像、选择合适的模型、解决依赖冲突、验证中间结果、运行大批量推断，最后以严格的格式提交报告——每一步都可能出错，而且一旦出错往往会连锁影响后续所有步骤。

在这篇论文之前，大多数医学AI评估系统只关心最终答案对不对，就像只看期末考试的分数，完全不管学生是怎么复习、怎么解题的。这种"只看结果"的方式有一个致命的盲点：当AI得了低分，你根本不知道问题出在哪里——是它没看懂题？是工具没装好？是中途计算出错？还是最后交卷时格式写错了？AUTOMEDBENCH就是为了打破这个盲点而生的。

**一、一套"全程监控"的医学AI研究考场**

AUTOMEDBENCH的设计理念可以用一个生活场景来理解：这就像一场被全程录像的烹饪比赛，而不只是最后试吃成品。评委不仅品尝菜肴，还会仔细观看选手从看食谱、备菜、试味、调整到摆盘上桌的每一个动作，并给每个环节单独打分。

具体来说，这个测试平台把每个AI的研究任务分解为五个固定阶段，形成一个统一的研究工作流。第一阶段是**计划（Plan）**，AI需要理解任务目标、选择合适的研究方法，并写下一份完整的执行计划；这个阶段考验的是AI的"领域知识"，占总工作流评分的25%。第二阶段是**搭建（Setup）**，AI要安装所需的软件、加载预训练模型或API、确认数据路径都正确；这个阶段占15%，考验的是基础工程能力。第三阶段是**验证（Validate）**，AI需要先拿一两个案例跑通整个流程，检查中间结果是否合理，如果有问题要在这里修正；这个阶段权重最高，占35%，因为研究团队认为"在大批量运行之前发现并修复问题"是整个流程中最关键也最容易被跳过的一步。第四阶段是**推断（Inference）**，AI对所有测试数据运行完整的分析并生成预测结果；这个阶段占15%。第五阶段是**提交（Submit）**，AI需要核对提交格式是否符合要求，然后把最终结果交给评估系统；这个阶段占10%。

除了工作流分数（称为"主动性评分"或Agentic Score），系统还会把AI提交的结果与隐藏的标准答案进行对比，计算出一个"任务分数"（Task Score）。最终的总分是两者各占一半的平均值。这种设计意味着一个AI就算把流程走得漂漂亮亮，如果最终产出的医学结果质量很差，总分仍然不会好看；反过来，即便侥幸拿到不错的结果，如果过程一塌糊涂，总分也会被拉低。

**二、考题从哪里来：24道横跨五大医学领域的真实难题**

测试平台一共包含24个真实的医学AI研究任务，来自20多个公开的医学挑战赛和数据集，涵盖五大研究方向。

在**医学图像分割**领域，AI需要在CT或MRI图像中精确标注出特定的器官或病灶区域——比如从腹部CT中识别出肾脏和肿瘤的边界，或者从胎儿MRI中分割出大脑的不同组织层。这类任务包含8个具体考题，数据集从2019年的KiTS19（肾肿瘤）到2025年最新发布的PanTS（胰腺），跨度相当大。评判标准是"宏观Dice系数"，简单说就是AI标注的区域和真实区域有多大的重叠比例，数值越接近1越好。

在**图像增强**领域，AI需要改善医学图像质量。比如把低剂量CT（为减少辐射而降低图像质量）还原成清晰图像，或者对低分辨率MRI进行超分辨率重建。这里用的评判标准叫SSIM，衡量的是增强后图像与理想参考图像的结构相似度。

在**视觉问答（VQA）**领域，AI需要看着医学图像回答问题——比如"这张X光片里有没有气胸？"或者"这张病理图像显示的是哪种细胞类型？"评判标准是回答的准确率。测试集包含5个任务，从2018年的经典放射VQA数据集，到2025年新出的医学视频多帧推理数据集，难度层次分明。

在**报告生成**领域，AI需要根据医学图像撰写完整的临床报告，就像放射科医生读片后写的那种文字描述。这类任务的评判最为复杂，综合使用了BLEU、METEOR、ROUGE-L等文本相似度指标，以及F1RadGraph这个专门衡量放射学实体和关系识别准确度的指标，取七个维度的平均分作为最终任务分数。

在**病灶检测**领域，AI需要在图像中找出病变的位置并画出边界框，比如在胸部X光中标出异常区域，或者在牙科全景片中标出牙齿疾病。评判标准是mAP@0.5，也就是在IoU（两个边界框的重叠比例）达到50%以上时的平均精度均值。

每个任务还有两种难度版本，称为"LITE"和"STANDARD"。两个版本使用完全相同的数据、评判标准和时间限制，唯一的区别是任务说明书的详细程度不同。LITE版本就像一份详尽的食谱，告诉AI用哪个模型、装哪些包、怎么验证中间结果；STANDARD版本则更像只给了一道菜名和大致方向，让AI自己决定用什么方法、解决什么依赖、设计什么验证方案。24个任务乘以两个难度，总共是48个考场设置。

**三、考试规则与防作弊机制**

AUTOMEDBENCH的公平性设计相当严格，像是一场有监考员的正式考试，而不是随意的测试。

每个AI在独立的计算容器（可以理解为一个隔离的"考场小隔间"）中运行，有GPU算力、可以访问网络、能看到公开的输入数据，拥有一块专属的工作区。但AI严格禁止看到隐藏的标准答案——答案被锁在另一个完全隔离的"评卷室"容器里，只有AI提交完结果后才会被用来评分。AI也不能访问其他AI的工作区，不能查看评分标准，更不能在运行过程中训练或微调模型（只能使用预训练模型）。一旦发现违规，该次运行的所有阶段分数直接归零。

研究团队对六个前沿AI系统进行了测试，包括来自Anthropic的Claude Opus 4.6、来自OpenAI的GPT-5.4、来自Google DeepMind的Gemini 3.1 Pro，以及三个开源模型：GLM-5（智谱AI与清华大学）、MiniMax-M2.5和Qwen3.5-397B（阿里巴巴）。这些模型都是2026年2月到3月间发布的最新版本，代表了当前最顶尖的AI能力水平。

为了保证统计可靠性，大多数任务每个AI运行10次，五个较复杂的分割任务则运行20次，最终总共积累了数千条运行记录。每一次运行都记录了完整的对话历史、工具调用、代码执行结果，平均每次运行包含33轮对话交互，这意味着AI需要在一个较长的时间跨度内保持前后一致的思路和判断。

运行结束后，研究团队还会对每次运行进行"事后验尸"式的错误分析，给每次失败的运行打上错误标签。这些标签分为五类：E1"理解错误"（搞错了要做什么）、E2"数据/模型搭建错误"（工具没装好）、E3"验证/恢复错误"（发现问题但没处理）、E4"实现/执行错误"（代码跑着跑着崩了）、E5"交付/提交错误"（结果有了但格式错了）。这些错误标签不影响分数计算，只用于诊断分析，就像医生的病历记录一样。

**四、成绩单出炉：谁最厉害，差距有多大**

六个AI系统的总体排名呈现出清晰的梯队。Claude Opus 4.6以66.5分位居第一，GLM-5以61.6分紧随其后，Gemini 3.1 Pro得到59.0分排第三，GPT-5.4得到55.3分，MiniMax-M2.5和Qwen3.5-397B则分别以51.6和51.2分垫底。最高分和最低分之间相差15.3分，说明当前各大顶级AI系统之间确实存在显著差距，但还没有拉开到不可比较的程度。

然而，当研究团队把分数按五大医学任务类型分开看时，情况就更加有趣了。以病灶检测为例，Claude Opus 4.6得了85.7分，排名最末的MiniMax-M2.5也有80.0分——整体偏高而且差距不大。报告生成则完全相反，Claude Opus 4.6的55.8分已经是最高，而MiniMax-M2.5只有可怜的28.9分。VQA任务则颠覆了总体排名：GLM-5以64.0分领跑，而总分第一的Claude Opus 4.6只排到第五，GPT-5.4更是只有14.9的任务分，表现异常糟糕。这表明不同AI系统各有擅长的方向，总分榜遮掩了大量值得关注的细节。

还有一个现象贯穿所有AI：工作流评分普遍高于任务质量评分。也就是说，AI们往往能把每个研究阶段都"走过一遍"，显得流程完整，但最终交出来的医学分析结果质量却明显不如流程分数那么好看。这就像一个厨师能按食谱的每个步骤操作，但做出来的菜并不好吃一样——流程规范不等于结果优质。

**五、流程解剖：AI在哪个环节最容易翻车**

把五个工作流阶段的分数单独拎出来看，会发现一个非常一致的规律：搭建（S2）阶段是最强的，验证（S3）阶段是最弱的。

"搭建强"意味着当前的AI系统非常擅长安装软件、加载模型、配置环境——这些相对标准化的技术步骤对AI来说不算难事。但"验证弱"就耐人寻味了。验证阶段要求AI用一两个案例试跑，检查输出结果是否合理，发现问题后要主动调试修正——这种"先小规模试试看，再大规模跑"的严谨习惯，对于人类研究员来说是基本素养，但对当前AI来说却偏偏是最难做到的。

更多scaffolding（更详细的任务说明）并不会稳定地帮助AI做得更好。比较LITE和STANDARD两个难度版本的工作流分数，会发现规律相当复杂：GLM-5在LITE版本下比STANDARD版本高了8.3%，Qwen3.5也提升了8.0%；但GPT-5.4在LITE版本下反而比STANDARD版本低了16.3%，Claude Opus 4.6也略微下降了0.9%。这个发现揭示了一个微妙的道理：对某些AI来说，更多的指令可能会把它限制在一个脆弱的固定路径上，或者导致不必要的步骤，反而降低效率。这对未来开发AI研究助手的人来说是一个重要提醒——不能想当然地认为"说得越详细AI就做得越好"。

在成本与效果的关系上，数据也打破了一个直觉：花更多钱并不意味着得更高分。从单次运行的平均费用来看，Claude Opus 4.6平均每次消耗约19.77美元，Qwen3.5只需1.83美元——相差超过10倍。但分数差距远没有成本差距那么悬殊。不同任务类型的相关性也大相径庭：分割任务的成本与分数相关系数r=0.75，说明花钱确实有帮助；但VQA任务的相关系数只有r=-0.06，几乎没有任何关系。这意味着在大多数任务类型上，有效利用计算资源（比如用在验证和调试上）比单纯烧更多算力更重要。

**六、错误解剖：AI究竟是怎么失败的**

研究团队对所有运行记录进行错误标注后，发现了一个关键规律：绝大多数失败是"工程性"的，而不是"知识性"的。

在所有被标注的错误代码中，E5"提交错误"（提交格式不对、文件名错误、结果不完整等）占了38.1%，E3"验证错误"（发现问题但没处理，或根本没做验证就直接大批量跑）占了37.7%，这两类加起来占了所有错误的四分之三以上。E4"执行错误"（代码崩了、张量形状不匹配等）占12.6%，E2"搭建错误"占10.6%，而E1"理解错误"（搞错了任务要求）只占区区0.9%。

这个分布说明了什么？它说明当前最先进的AI系统基本上能看懂医学研究任务的要求，大方向不会错，但在执行细节上频繁翻车——尤其是在"检验自己做的对不对"这个环节，以及"把结果以正确格式打包交出去"这个最后一步。这就像一个学生考试时知道所有知识点，但总是因为看漏题目细节或者没检查答题卡而失分。

更重要的是，错误代码与分数之间的关系相当严峻：一次运行里如果有一个错误代码，平均总分比零错误运行低48%；有两个或更多错误代码的运行则持续在低分区间徘徊，很难翻身。这意味着错误会产生明显的连锁反应，一旦某个环节出问题，后续阶段的补救能力非常有限。

排名靠前的AI系统不仅错误更少，还更善于在出错后恢复。研究团队专门统计了"触发两个或更多错误代码后仍能完成全部流程并提交评分结果"的比率，称之为恢复率。Claude Opus 4.6的恢复率是34.6%，GLM-5是22.2%，其余四个AI的恢复率则分别只有6.1%、3.8%和两个0%。这意味着强大的AI系统不光更少出错，在出错时也更能像经验丰富的研究员那样镇定地排查问题、调整策略，最终完成任务。

**七、这场考试告诉了我们什么**

归根结底，AUTOMEDBENCH这场测试传递了几个核心信息，对于理解当前AI的真实能力边界非常有价值。

当前最顶尖的AI系统已经能够相当熟练地"走完"一个医学研究工作流的每个步骤——搭建环境、运行模型、提交结果，这些对它们来说不再是障碍。但"走完流程"和"做出高质量的医学分析"之间，仍然存在一道不小的鸿沟。工作流分数普遍高于任务质量分数，说明AI更擅长"演示流程"而非"产出价值"。

验证能力是最明显的短板。跨越这道鸿沟的关键，不仅仅是让AI拥有更多医学知识，而是让它学会在中间环节主动质疑自己——"我跑出来的结果合理吗？肿瘤分割的结果怎么只有7个体素，正常吗？"这种"元认知"能力，也就是对自己工作成果的批判性检验，是当前AI最明显的短板之一。

错误的积累效应不容忽视。一个错误往往会引发后续的连锁失败，而大多数AI在遭遇多重错误时恢复能力有限。排名第一的Claude Opus 4.6凭借较高的恢复率脱颖而出，这表明未来改进AI研究能力的重要方向，不只是提升初始表现，还要提升"亡羊补牢"的能力。

高额成本并不自动等于高质量输出，而评分的关键维度是工作流质量与最终结果的双重组合，缺一不可。这对于未来部署AI研究助手的机构来说，是一个需要仔细权衡的实际问题。

这项研究还有一个务实的贡献：整套评估框架、容器化环境和评估代码都以开源方式发布，任何研究团队都可以在同样的标准下测试新的AI系统，或者在这个框架上添加新的医学任务。随着越来越多的医学AI研究任务被纳入这个平台，我们对AI"医研员"能力的理解也会越来越清晰。

医学AI的自动化研究不是一个遥远的幻想，而是一个正在发生的现实。目前它还需要人类的监督和把关，特别是在验证中间结果和确保输出质量方面。但随着AI恢复能力的提升和验证机制的完善，这个差距正在缩小。AUTOMEDBENCH提供的不只是一份成绩单，更是一张精确的能力地图，告诉我们现在的AI在哪里，以及还需要走多远。对原论文感兴趣的读者可以通过arXiv编号2606.01961查阅完整内容。

**Q&A**

Q1：AUTOMEDBENCH测试平台和传统医学AI评测有什么不同？

A：传统医学AI评测通常只看最终答案对不对，就像只看期末考试的分数。AUTOMEDBENCH不同，它把整个研究过程分成计划、搭建、验证、推断、提交五个阶段，每个阶段都单独打分，同时还记录AI在哪里出错、为什么失败。这样就能区分AI是"不懂医学知识"还是"懂但执行出了问题"，诊断信息更精准。

Q2：AUTOMEDBENCH验证阶段为什么权重最高，占35%？

A：验证阶段（S3）要求AI在大批量运行之前，先拿少量案例试跑，检查结果是否合理。研究团队认为这是最关键也最容易被跳过的步骤——如果这里发现了问题但没处理，错误会在后续大批量推断中放大，导致整批结果作废。现有AI普遍在这个阶段表现最差，说明"自我检验"能力是当前AI最明显的弱点。

Q3：在AUTOMEDBENCH上多花钱用更贵的AI模型，会得到更好的医学研究结果吗？

A：不一定。数据显示，最贵的模型Claude Opus 4.6平均每次运行花费约19.77美元，最便宜的Qwen3.5只需1.83美元，成本相差十倍以上，但分数差距远没那么大。而且在VQA任务上，成本与分数几乎没有相关性。研究表明，能否有效利用计算资源进行验证和调试，比单纯烧更多算力更能决定最终结果质量。