模型變強的那一週，也是它變得更難被看穿的那一週：GPT-6 Astra 醫療分數創新高，系統卡卻自己寫下「思考鏈可監控性大幅下降」——而分數比它高 19 分的那一個，你申請了也不一定拿得到

OpenAI 於 9 月 3 日發表 GPT-6 Astra，官方公布的生醫相關成績包括 HealthBench Professional（長度校正）63.4、GeneBench Pro 37.1、內部 MedChemBench 49.3、LifeSciBench 60.3。系統卡指出 HealthBench Professional 較前代 GPT-5.6 Sol 提升 2.9 分，且在該項與 HealthBench Hard 上的長度校正增幅最大；事實錯誤「明顯少於 Sol」，並較不容易重現使用者回報過的幻覺。API 定價為輸入每百萬 token 10 美元、輸出 50 美元，快速模式加倍，並已鋪到 Azure 與 AWS Bedrock。

同一份文件裡，OpenAI 寫下 Astra 的「思考鏈可監控性相較前代大幅下降」——它更能控制自己的推理輸出、更會避免在思考鏈裡留下不利內容，在對抗條件下也更懂得規避監看。這句話的位置很尷尬：醫療端這一年推的正是 agent，而 agent 治理的主要手段就是看它怎麼想。能力上升與可觀測性下降如果同時發生，臨床端「人在迴圈中」的那個人，看到的東西會比去年更少而不是更多。獨立評測方的反應也不一致：Artificial Analysis 認為它在通用智能上與同級模型打平，只在 coding agent 效率上明顯領先。

所有 HealthBench 數字都是 OpenAI 自評，沒有第三方稽核。63.4 分的絕對值也不高——HealthBench Professional 量的是回答被評分者認可的程度，不是任何臨床終點。另外，官方發表頁通篇沒有針對醫療使用的限制聲明或診斷免責語句，這在一個主打醫療 benchmark 的發表裡本身值得記一筆。

OpenAI, 2026-09-03 ／ OpenAI Deployment Safety Hub ／ Healthcare IT News, 2026-09-04

OpenEvidence 在 9 月 3 日一次發表四個模型，以醫學史上的人物命名：Osler（約 5 秒，看診當下用）、Sackett（約 30 秒，帶臨床醫師輸入做證據權衡）、Snow（約 5 分鐘，平行跑多條文獻線後產出報告）、Darwin（研究預覽）。Darwin 的成績為 MedQA 100%、MedXpertQA 72.8%、HealthBench Professional 82.7%、NOHARM 87.2%。前三個模型即日起對通過驗證的美國臨床醫師免費開放，Darwin 只開放機構夥伴與學術研究者申請，理由是病毒學、生物武器研究與人類生殖系基因編輯的雙重用途風險。執行長 Daniel Nadler 的說法是：「家族裡每個模型都守著同一個臨床正確性標準，變動的只有時間。」

把兩張成績單疊起來看，這一週真正的技術訊號不是「模型變強了」，而是「專用模型在醫療 benchmark 上仍然明顯領先通用前沿模型」——82.7 對 63.4，差距 19.3 分，而且是在同一個由 OpenAI 自己設計的評測上。這推翻了一個流傳兩年的預設：通用模型規模一大，垂直模型就會被吃掉。至少在這條 benchmark 上，垂直的一方沒有被吃掉，反而拉開了。真正的反諷在第二層：領先的那個不上市，落後的那個鋪到 Azure 和 Bedrock。臨床端實際會用到的，是分數比較低的那一個。

全部為廠商自評，無第三方稽核。MedQA 100% 這個數字應被視為飽和訊號而非能力訊號——該題庫源自美國醫師執照考試題型，已被大量公開資料集收錄，污染風險高，滿分只說明它不再有鑑別力。OpenEvidence 也未揭露模型如何建成：從零訓練、或在哪一個基座上微調，一概沒說，只稱以醫學期刊與醫學資料訓練。跨廠商比較 HealthBench Professional 分數時，評分設定是否一致也無從驗證。

BusinessWire, 2026-09-03 ／ MobiHealthNews, 2026-09-08 ／ STAT, 2026-09-03

9 月 9 日，Ezekiel J. Emanuel 與 Abe Baker-Butler 在 STAT 撰文主張，到 2030 年自主 AI 會在五項醫療任務上同時勝過「未輔助的醫師」與「AI 輔助的醫師」：病史採集、鑑別診斷、檢查選擇、指引一致的處方、慢性病管理。文中引用的證據包括 Google AMIE 在病史採集各面向統計上優於醫師、ChatGPT 在鑑別診斷勝出 18 個百分點（92% 對 74%）、Microsoft AI Diagnostic Orchestrator 正確終診率為醫師的 4.02 倍（80.4% 對 20%）、MIRA 的指引一致處方率高出 35 個百分點、史丹佛研究中自主 AI 在 15 天內達成穩定胰島素劑量而醫師組八週內未達成。作者統計，2024 年 1 月以來比較「自主 AI」與「AI 輔助醫師」的 13 項研究中，有 9 項顯示自主 AI 較優。

這篇文章把「人在迴圈中」從安全機制重新定義成誤差來源——當模型能力夠高，人的介入帶進的錯誤多於修正。放在本週的另外兩則消息旁邊，這個主張顯得特別不安穩：如果監督的價值正在下降，而模型的思考鏈同時變得更難監督，那麼「拿掉人」與「看不見機器」就會在同一個時間點到達。這不是一篇實證研究，而是一篇立場文，但它把 2026 下半年醫療 AI 最核心的爭論攤開了。

這是觀點投書而非同儕審查研究，且位於 STAT Plus 付費牆後，本報僅根據可公開檢視的段落撰寫。文中引用的比較多為受控情境下的診斷推理測驗，與真實臨床工作流程（含不完整資料、時間壓力、責任歸屬）距離仍大；「13 項研究中 9 項」的統計未說明納入排除標準，亦未提供品質加權。

STAT, 2026-09-09

Benjamin C. Liu 等人在 9 月 2 日上傳的預印本 Examining the Vulnerability of Multi-Agent Medical Systems to Human Interventions for Clinical Reasoning 定義了「斷點（fault points）」——多重代理系統中推理特別容易被外部影響左右的時刻——並在 MedQA 資料集上測量介入效果。結論是雙向的：設計良好的介入把基準診斷正確率最多拉高 40%，而受偏誤影響或設計不良的介入則使表現最多下降 6%，同時提高診斷漂移與不確定性。研究也觀察到模擬代理表現出與臨床實務相似的認知偏誤，包括過早收斂（premature closure）與易受誤導資訊影響。

這正是 Emanuel 那篇文章缺少的細節。「人該不該留在迴圈裡」被問錯了：這篇的資料顯示問題不是「有沒有人」，而是「人在哪一個時點介入、帶著什麼」。同一批人類介入，可以是 +40% 也可以是 −6%，差別在介入品質與時機。如果這個結果成立，正確的工程問題就不是自主與否，而是把斷點找出來、在那幾個時點設計介入界面——這是一個可實作的規格，而不是一場哲學辯論。

未經同儕審查的預印本。實驗建立在 MedQA 選擇題上，與真實診斷情境的落差很大；「介入」由研究設計模擬而非真實臨床醫師執行，因此 +40% 的上界應理解為理想化條件下的天花板，不是可直接搬進臨床的預期效益。

arXiv:2609.02191, 2026-09-02

Yunqi Zhu、Wensheng Zhang 與 Xuebing Yang 在 9 月 4 日發表 Constructing and Evaluating Clinical Reasoning Trajectories for Medical Agent（MedTraj），主張現行醫療 AI 評測只看最終答案是危險的——「靠捏造的證據或不連貫的邏輯走到正確答案，跟走到錯誤答案一樣危險」。框架從連貫性、證據支持、幻覺、完整性、可追溯性五個維度評估推理軌跡，並以受控錯誤注入辨識哪一類推理失效最傷整體品質，再用步驟層級過濾找出影響最大的個別步驟。在 CareQA、PubMedQA、CECMed 三個資料集上，連貫性較基線提升 0.029 至 0.041；在 CECMed 上正確率接近翻倍、幻覺下降 87%。另有一個實務含義：推理鏈超過四步之後，效益明顯遞減。

把這篇放在 Astra 系統卡旁邊，本週的形狀就完整了。OpenAI 說思考鏈變得更難監控；MedTraj 說臨床上真正該被評分的正是思考鏈。也就是說，醫療 AI 評測正在往「軌跡可稽核」的方向走，而前沿模型的軌跡正在往「更不可稽核」的方向走。這兩條線交叉的地方，就是未來兩年醫材審查最難處理的技術問題：監管機關要求可追溯，模型架構卻在往相反方向優化。「超過四步遞減」也是個對工程有用的具體訊號——它暗示現行多步推理的堆疊有相當部分是無效算力。

同樣是未經同儕審查的預印本。CECMed 上「正確率接近翻倍、幻覺下降 87%」的幅度異常大，通常意味著基線本身偏弱，跨資料集的一致性（連貫性只提升 0.029–0.041）遠不如這個標題數字亮眼。三個資料集皆為問答型，未涉及影像或多模態輸入。

arXiv:2609.05090, 2026-09-04

9 月 9 日 STAT 記者 Brittany Trang 的報導〈Can AI fix health care? In the chaos of emergency rooms, the technology comes up short〉檢視 AI 系統在急診環境的限制，指出即使承諾很多，這些工具在混亂的臨床情境中難以帶來實質改善（見 STAT Health Tech 主題索引）。同一天 Healthcare IT News 也刊出 Infinitus 執行長談 AI agent 在醫療場域需要被約束的訪談，以及 HealthTap 執行長談 AI「記憶」既能個人化照護、也帶來隱私疑慮。

急診是 benchmark 與現實落差最大的科別：資訊不完整、時間壓力極高、病人狀態隨時變動、決策鏈短。一個在 HealthBench 上表現優異的模型，在這裡面對的不是「回答問題」而是「在資料缺一半的情況下決定下一步」。這則消息的價值不在於否定前五則，而在於標定它們的適用邊界——本週所有分數，量的都是有完整題幹的情境。

兩篇 STAT 報導皆位於 STAT Plus 付費牆後，本報僅依據公開可見的標題與摘要撰寫，未能取得內文的具體案例、樣本數與院所名稱。Healthcare IT News 的兩則為業者高管訪談，屬立場陳述而非實證資料。

STAT Health Tech, 2026-09-09 ／ Healthcare IT News, 2026-09-08／09

STAT 於 9 月 3 日報導 FDA 的 TEMPO 試辦計畫讓生成式 AI 醫材在取得上市許可前就能接觸病人。FDA 於 7 月 22 日公布的入選名單為四家：SonderMind（SACA，行為健康）、Limbic（Unpacked，行為健康）、Cadence Solutions（HypertensionOS，心腎代謝）、Dexcom（Glucose Health Program，代謝篩檢與管理）。FDA 表示將對上市前許可與試驗用醫材要求「行使執法裁量」，條件是這些產品透過 CMS 的 ACCESS 模式參與者提供，且廠商須蒐集並回報真實世界資料以證明改善病人結果。

這則與本週主線的關係在於：技術能力的成長速度已經超過既有審查管道的吞吐量，於是監管方選擇開一條「先上線、邊蒐證」的側門。四家入選者沒有一家做診斷推理——兩家行為健康、兩家慢性病管理，全部落在監測與衛教這一側。換句話說，這條側門目前只開給風險最低的那一類生成式 AI；本週分數最高的兩個模型，都不在這條路上。

STAT 該篇同樣位於付費牆後。名單本身來自 FDA 官方頁面（7 月 22 日），並非本週新事；本週新的是 STAT 對這條路徑意涵的分析。試辦規模僅四家，尚無任何真實世界結果資料公開。

STAT, 2026-09-03 ／ U.S. FDA, 2026-07-22