医疗大模型尽职调查报告.pdfVIP

医疗大模型尽职调查报告

医疗问答准确率与知识覆盖

•GPT-5：官方资料指出GPT-5在医疗问答方面显著优于之前版本，它提供“迄今最佳的健康相关回

答”1。第三方分析显示，GPT-5在常规医疗对话中的正确率达67.8%，明显高于GPT-4o的32%

2。面对“健康难题”案例，GPT-5平均正确率为46.2%，而GPT-4o几乎为02。此外，GPT-5的

错误输出（幻觉）率仅为1.6%，远低于GPT-4o的15.8%3。这些数据表明，GPT-5在多轮医疗对话

和复杂问答中更为严谨准确。OpenAI还强调GPT-5在专业写作、研究和分析等方面表现更像“领域专

家”45，暗示其医学知识覆盖非常广泛。

•Grok-4（xAI）：xAI宣称Grok-4将具备深度推理和多模态能力，能够将医学影像（如MRI）与文本数

据结合分析6。虽然暂无公开量化医学问答准确率的数据，但在学术类多学科考试（HLE）中，

Grok-4Heavy版以44.4%的成绩远超其他模型7。这一成绩涵盖了数学、物理、化学等多领域，间

接表明Grok-4对综合知识（包括医学相关知识）的掌握非常强劲。xAI的目标是让Grok-4在临床场景

中执行任务（如解读影像、生成病历）时做到HIPAA合规89，指向它对医学多轮推理和决策支持

的定位。

•DeepSeek-R1-0528：DeepSeek最新版R1-0528大幅提升了复杂推理能力。其在数学竞赛（AIME）

题目上的正确率从70%提升至87.5%10，综合推理（GPQA-Diamond）得分升至81.0%，HLE考试

得分翻倍至17.7%11。这些提升伴随着幻觉率的显著降低，使模型在需要高精度的任务中更可靠

12。虽然DeepSeek主要面向通用推理，但其背后的中文医学知识库规模也很大，说明其医疗问答能

力在国内模型中处于领先地位13。团队还将R1-0528用于蒸馏，推出小型但性能出色的衍生模型，可

用于集成医疗对话系统。

•GLM-4.6（智谱）：智谱GLM-4.6在多项推理基准上取得突破性进展，其在国内代码和数学测试中与

ClaudeSonnet4持平甚至超越14。GLM-4.6的上下文窗口扩展至200K字符15，支持更长的对话和

详细病例描述，对多轮医疗问答和跨学科诊疗思考非常有利。虽然目前尚无公开医疗领域专测报告，但

其在通用知识和工具调用上的进步暗示着优秀的医学知识覆盖和稳定性15。

•Qwen3Max（阿里通义）：通义Qwen3-Max（参数量超1万亿）在各类基准中表现极其强悍：文本理

解排名全球前三，尤其在编程和智能体任务上领先1617。其“思考”版本在高难度数学基准

（AIME、HMMT）中取得了满分18，表明推理能力达到顶级水平。虽然尚无公开医疗专测结果，但

Qwen系列在中文语料（包括医学文本）上的优势明显，根据后述研究，Qwen模型在中医诊疗任务中

表现出色19。因此可以推断Qwen3-Max对于医疗问答（特别是中文内容）的覆盖深度和准确度非常

高。

•Gemini2.5Pro（谷歌）：谷歌报告称Gemini2.5Pro在困难代码和推理基准（如GPQA、HLE）上表

现“顶级”20。虽然官方没有给出具体分数，但有迹象表明它在理工科类问题上极具竞争力。然而，

根据科学美国人报道，Grok-4Heavy在HLE中取得44.4%，而Gemini2.5Pro（工具版）仅26.9%

7。此外，对于中文版或中医场景，已有研究表明Gemini（1.5）在中医诊疗任务上落后于专门训练

过中文语料的模型21。综合看法：Gemini2.5Pro在国际化的大规模医学数据集上可能很强，但其多

轮对话中医知识覆盖尚需验证。