MedAgentBench-v3

新基准揭示临床人工智能代理训练中的局限性

研究人员在现有的临床人工智能代理基准 MedAgentBench v1 和 v2 中发现了显著的局限性。他们发现存在很高的静默完成率，这会激励强化学习（RL）代理不采取行动。为解决此问题，他们开发了 MedAgentBench-v3 (MAB-v3)，并降低了静默完成率的上限。在 MAB-v3 上训练 Qwen3_8B 模型揭示了进一步的挑战，包括模型在某些任务类型上遇到困难的能力上限，以及需要精确临床代码的格式知识障碍。