HealthBench Professional
PulseAugur coverage of HealthBench Professional — every cluster mentioning HealthBench Professional across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
蚂蚁集团Ling-3.1-flash模型以1M上下文窗口为目标，面向真实世界任务
蚂蚁集团发布了Ling-3.1-flash，这是一款专为真实世界工作任务设计的新型开源AI模型。该模型通过分解任务、整合信息和调用工具，专注于完成复杂的业务流程，例如生成电商推广方案和辅助医疗咨询。Ling-3.1-flash采用混合架构，拥有高达100万token的超长上下文窗口，并优化了参数激活，以平衡性能和计算成本。在GDPVal-AA V2.1和HealthBench Professional等基准测试中，它表现出了具有竞争力…
-
新研究通过先进的奖励建模和数据调度增强LLM的强化学习
研究人员正在开发先进技术来改进大型语言模型（LLM）的强化学习（RL），特别是在奖励稀疏的复杂任务中。一种方法是递归奖励改进（RRI），它使用对手来识别和修复模型生成的评分标准中可利用的奖励漏洞，在临床报告生成任务上显示出显著的收益。另一种方法CleanRM通过使用少量干净的示例来校准样本噪声比，解决了人类反馈数据中的噪声问题，从而实现了更有效的从人类反馈中进行强化学习（RLHF）。此外，用于RL的进度奖励模型（PRM4RL）框架将任…
-
inclusionAI发布Ling-3.1-flash，拥有560B参数和1M上下文窗口
inclusionAI发布了Ling-3.1-flash，这是一款先进的混合推理模型，拥有5600亿总参数和每个token250亿激活参数。该新模型在前代Ling-3.0-flash的基础上，通过增强其架构和提高在复杂现实世界任务上的性能。Ling-3.1-flash在通用代理、搜索、办公生产力和软件工程等领域展现出强大的能力，在GDPVal-AA v2.1和FrontierSWE等基准测试中取得了显著成果。
-
OpenAI 为所有 ChatGPT 用户发布带交互式界面的 GPT-6
OpenAI 宣布发布 GPT-6，免费和付费的 ChatGPT 用户均可使用。免费用户将使用 GPT-6 Luna，付费订阅用户将使用 GPT-6 Sol。此次更新引入了“智能界面”，允许 ChatGPT 在对话中生成图表和工具等交互式元素，并能在继续处理信息的同时呈现部分答案。OpenAI 还发布了一份安全报告，表明 GPT-6 模型在网络安全和生物化学方面达到了“高”阈值，尽管与早期版本相比，在自残和露骨内容等领域，尤其对年轻用…
-
xAI 的 Grok 4.7 模型现已在 Amazon Bedrock 上可用
xAI 的 Grok 4.7 模型现已通过 Amazon Bedrock 访问，为编码、长期运行的代理和知识密集型任务提供增强的功能。该新模型拥有庞大的 500K token 上下文窗口，并支持可配置的推理努力级别，允许用户平衡性能和资源使用。根据 xAI 和独立评估，Grok 4.7 专为持久性而设计，具有改进的输出自我验证能力和在复杂、多小时任务上的更好性能。
-
新的RIFT分类法识别出LLM医学基准评分细则中的缺陷
一项新的研究论文介绍RIFT，这是一个旨在识别和纠正用于评估医疗领域大型语言模型（LLM）的评分细则中缺陷的分类法。该研究将RIFT应用于HealthBench Professional和LiveMedBench两个基准测试，揭示了诸如非原子化和不匹配的标准等重大问题。研究人员证明，这些评分细则的缺陷会显著改变LLM的性能得分，当标准被重写时，观察到的得分变化高达15.9个百分点。该论文还指出，与表面形式分析相比，RIFT在临床评分细…
-
LLM增强多语言医学推理和知识更新 · 追踪3个来源
研究人员正在开发改进大型语言模型（LLM）医学知识和推理能力的方法。一种方法是通过维基百科上的医学信息生成多语言推理痕迹，以提高在英语、意大利语和西班牙语问答中的表现。另一项研究调查了LLM在医学QA中线性探针的鲁棒性，发现虽然真理方向在语言风格和医学专业之间通常是稳定的，但在不同语料库上的退化程度不一。第三篇论文侧重于通过使用密集临床对比来增强LLM的医学知识更新，表明监督的形式显著影响模型保留和转移更新的医学信息的能力。
-
OpenAI、Moonshot、Anthropic 发布旗舰模型；基准测试显示各有千秋
OpenAI、Moonshot AI 和 Anthropic 公司迅速发布了各自最新的旗舰模型：GPT-5.6 Sol、Kimi K3 和 Claude Opus 5。这三款模型都提供了巨大的上下文窗口和有竞争力的定价，但性能基准测试揭示了细微的差异。Claude Opus 5 在 SWE-bench Pro 等编码任务和 ARC-AGI-3 等推理基准测试中表现领先，而 GPT-5.6 Sol 在智能终端任务以及 DeepSWE 1…
-
新的 AI 方法提升了机器学习的可复现性和临床诊断能力
研究人员正在开发新方法来提高机器学习模型的可复现性和基准测试能力，特别是在机器学习健康智能和临床诊断等专业领域。一种方法侧重于基于智能体、基于框架的复现，通过明确记录假设来将研究论文转化为可比较的基准实现。另一项开发 MDIA 是一个多智能体诊断智能流水线，它利用专门的路由图来提高在临床基准测试上的性能，表明除了底层语言模型之外，架构设计也显著影响结果。
-
OpenAI 的 ChatGPT for Clinicians 在测试中表现优于医生，加速医疗 AI 战略
OpenAI 推出了 ChatGPT for Clinicians，这是一个专为协助医疗专业人员设计的专业 AI 平台。在临床试验中，该平台得分 59.0，显著优于得分 43.7 的人类医生。这一新工具旨在减轻医疗服务提供者的行政负担，并改善对医学知识的获取。