ACP-Bench

新基准评估自主病理学工作流中的AI代理系统

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。