已开发出新的基准ACP-Bench，用于评估自主计算病理学（ACP）的Agentic Harness系统。该框架将现有系统适配到病理学特定任务、工具和证据标准，评估了跨越不同类别和身体系统的41个工作流任务。该基准评估了九个模型和三个Harness组，生成了369个完整轨迹。结果表明，虽然工作流启动和诊断报告较为成熟，但正式的端到端完成仍然罕见，这凸显了需要可重用标准来审计Agentic系统中可靠的临床自主性。 AI
影响 为评估AI代理在临床病理学中的能力建立了新标准，可能加速安全应用。
排序理由 研究论文，介绍了一个用于评估特定领域AI系统的新基准。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
