醫療 AI 的技術突破全部撞在同一道牆上——評分的人就是賣模型的人：OpenEvidence 9/30 以 150 億美元估值再募 2.5 億，而它家 Darwin 那個 MedQA 史上第一個 100% 是自測自評；Nature Medicine 的頭對頭研究發現三個通用前沿模型在 MedQA、HealthBench 與醫師真實問題上全面贏過兩款專用臨床 AI 工具，後者「表現沒比 Google AI 摘要好」；而微軟自家的 HealthAgentBench 把 54 個代理任務丟出去，最強的 Codex GPT-5.5 只過 42%

9 月 30 日，被稱為「醫師版 ChatGPT」的 OpenEvidence 完成 2.5 億美元募資、估值 150 億美元，投資方包含多家醫療系統與 Andreessen Horowitz；這使它在過去 12 個月內累計募得約 10 億美元。而這一輪的技術底氣來自 9 月 3 日發表的 OpenEvidence Model Family：Darwin 成為史上第一個在 MedQA 拿到 100% 的 AI 系統，另外 MedXpertQA 72.8%、HealthBench Professional 82.7%、NOHARM 87.2%，公司表示 Darwin 贏過 Claude 與 Gemini 的對應模型，但因為病毒學、免疫學與遺傳學的雙重用途風險而仍停留在 research preview。另外三個模型 Osler（5 秒回答）、Sackett（30 秒、證據導向）、Snow（5 分鐘文獻回顧）則對全美臨床人員免費開放。

因為沒有人獨立驗過這四個數字。9 月 22 日 Grid Health 的分析把這件事講得很直白：「這些是 OpenEvidence 自己的測驗，由 OpenEvidence 評分，由 OpenEvidence 發表。」更尖的一刀是命名——Sackett 取自證據醫學之父 David Sackett，而它提供的證據全部出自自己；同一份分析也指出，OpenEvidence 曾批評 NYU 的研究者使用 OpenAI 的 benchmark，如今自己用來宣稱世界第一的 HealthBench Professional 正是 OpenAI 的 benchmark。這不是對模型能力的質疑，而是對「臨床準確度」與「臨床效用」之間那條縫的質疑：MedQA 100% 不等於在診間裡會做對事。

四個 benchmark 分數全部為廠商自述、未經第三方稽核。「使用 OpenEvidence 的美國醫師比所有競品加總還多」這句公司說法沒有附任何引證。募資金額與估值引自 HISTalk 的二手報導，且該報導自己指出早先版本的消息是「尋求 2 億美元、估值 200 億美元」，與定案數字不符。

HISTalk, News 9/30/26, 2026-09-30 · Grid Health, 2026-09-22

Krithik Vishwanath、Anton Alyakin 與 Eric Karl Oermann 的研究做了一件這個產業很少有人做的事：把三個通用前沿大模型與兩款領先的專用臨床 AI 工具放在同一張桌子上，用兩個公開 benchmark（MedQA 與 HealthBench）加上醫師真實提交的問題做頭對頭比較。結論是三個通用模型全面勝出，而兩款專用臨床工具「表現沒比 Google 搜尋的 AI 摘要更好」。研究的 briefing 刊於 Nature Medicine 第 32 卷第 7 期第 2364–2365 頁（DOI 10.1038/s41591-026-04457-9，2026-06-17），主文〈General-purpose large language models outperform specialized clinical AI tools on medical benchmarks〉收錄於 PubMed 42286322／s41591-026-04431-5。

這份研究明確指出的風險，正是 9/30 那場募資的風險：專用臨床 AI 工具正在「幾乎沒有獨立測試」的狀態下進入醫療實務。把兩件事疊起來看，今天的技術地景是這樣的——通用模型的通識醫學能力已經高到讓「做一個醫療專用模型」這件事的附加價值變得需要證明，而要證明就得有人在廠商之外評分，但那個人目前不存在。Harvard 醫學院生醫資訊系的 Arjun K. Manrai 在 7 月 28 日的 Nature 評論裡把這件事抽象成一句話：證據醫學建立在「量尺可信」這個假設上，而醫療 AI 的能力「越來越難被正確評估與理解」。

這不是本週新聞——主文發表於 2026 年 6 月，今天把它拉回來是因為它是本週募資與自評分數爭議的唯一獨立裁判基準。另外，Nature Medicine 主文頁面在撰稿時回傳 503，本則內容依其 research briefing 與 PubMed 書目資料撰寫，未取得全文；briefing 本身沒有具名那三個通用模型與兩款專用工具是哪些，也沒有公布各自的分數。

Nature Medicine research briefing, 2026-06-17 · Nature, Medical AI has a measurement problem, 2026-07-28

由 Qianchu Liu、Sheng Zhang 等人進行、Hoifung Poon 為通訊作者的 HealthAgentBench（arXiv 2606.31179，2026-06-30 投稿）建了一套 54 個代理式醫療任務、分成 7 大類，每個任務都複製真實臨床工作流：代理必須自己去探索原始醫療資料、在複雜環境裡操作、執行多步驟的解法，而不是回答一個 prompt。結果：Codex GPT-5.5 以約 42% 的成功率居首，同時也是成本效益最好的；Claude Code 系列的模型在醫療影像任務上特別吃力；所有前沿代理在「搜尋空間大 + 需要組合式推理」的任務上都明顯失手。基準已公開釋出於 GitHub 的 microsoft/HealthAgentBench。

42% 這個數字和 MedQA 的 100% 放在一起，就是今天整份日報的核心落差。選擇題的天花板已經被打穿，工作流的地板還沒鋪好。MedQA 是一題一答、可驗證、沒有副作用；HealthAgentBench 的任務是「去這堆原始資料裡找出該找的東西，然後做對接下來的五件事」——後者才是醫院真正要買的東西。而同樣值得注意的是，微軟自己做的基準把微軟自己的合作夥伴模型也一起打了：這才是獨立評測該有的樣子，不管做的人是誰。代理在 EHR 研究管線上展現了潛力，但在醫療影像上集體失手，也解釋了為什麼影像 AI 至今仍是「單點模型 + 放射科醫師簽名」而不是「代理自己跑完」。

同樣不是本週新聞（6 月 30 日投稿）。42% 是「約」值，原文未在摘要層級給出完整排行榜；「Claude Code 系列」與「其他前沿代理」的具體分數本則未取得。54 個任務對一套要代表整個醫療工作流的基準而言偏少，作者自己也把低通過率描述為「基準很難」而非「模型很差」——這兩種解讀在數據上目前無法分離。

arXiv:2606.31179, HealthAgentBench, 2026-06-30

Sophont 把它的醫療 LLM 評測套件擴充到 30 個 benchmark（原 20 個）、61 個模型／71 種配置（原 46 個模型），同時釋出技術報告（arXiv 2605.01417）、互動排行榜與訓練環境 Medmarks-T，全部開源。可驗證題型的 Medmarks-V 由 Gemini 3 Pro Preview 領先，開放式臨床推理的 Medmarks-OE 由 GPT-5.2 居首。三個結論值得抄下來：(1) 醫學微調確實有效——各家族的醫學微調版本相對基礎模型達到「近乎 Pareto 改善」；(2) 開源的優勢只在選擇題上成立——GLM 4.7 在多選題逼近前沿，但到開放式任務優勢消失，而且需要「超過 5 倍的 token 數」才能達到與 GPT-5.2 相當的結果，對講求速度的臨床部署來說是硬傷；(3) 工具整合會反咬——給模型計算器之後，許多模型不是直接忽略工具，就是有工具仍算錯，或在拿到外部工具後發生格式崩潰。

Medmarks 做的正是 OpenEvidence 沒做的那件事：把廠商之外的評分交出去。而它的第二個結論直接打在一個很多人忽略的成本上——「開源模型分數追上了」不等於「開源模型可以用」，當它需要 5 倍 token 才追平，在一間每天跑數萬次查詢的醫院裡，那個 5 倍是推論成本、延遲與 GPU 採購量。第三個結論則對整個「醫療 AI agent」的敘事潑了冷水：代理最基本的能力是正確使用工具，而目前連「給它計算器讓它算對」這件事都不穩定。

v1.0 的部落格發表日為 2026-05-12，不是本週。Sophont 本身是醫療 AI 公司，自己做評測套件同樣存在利益關係——差別只在它把題庫、程式碼與排行榜全部開源，使第三方可以複製與反駁，這一點 OpenEvidence 沒有做到。另外，排行榜上的模型版本（Gemini 3 Pro Preview、GPT-5.2、GLM 4.7）在發表後數月間已有更新，當前名次未必成立。

Sophont Blog, Release of Medmarks v1.0, 2026-05-12 · arXiv:2605.01417

微軟研究院釋出兩個計算病理學的高效基礎模型（arXiv 2607.18218v2）。GigaPath-Flash 把一個 22M 參數的 ViT-S tile encoder 接上 21M 參數的 LongNet slide encoder，從十億參數級的 GigaPath 教師模型蒸餾而來，在 slide-level 平均表現上留住 GigaPath 的 97%，而算力少 50 倍；在 PANDA 與 EBRAINS 的 slide-level 分類上平均 0.826，優於只用 tile-level 的基線，同時 FLOPs 比原版 GigaPath 少 49.5 倍。GigaTIME-Flash 把原 GigaTIME 的 CNN backbone 換成 ViT-S，從 H&E 影像預測 21 通道的多重免疫螢光圖譜，速度快 6 倍、GPU 記憶體少 8 倍：每張 256×256 tile 從 69.1 GFLOPs 降到 14.9（4.6 倍），batch 128 時峰值 GPU 記憶體從 16.68 GB 降到 2.16 GB，吞吐量從原版約 390 tiles/秒的天花板拉到 1,679 tiles/秒，而且在分布內與分布外世代的平均 Pearson 相關係數都高於原版。兩個模型的權重全部以 Apache-2.0 釋出。

因為效率的進步不需要人家相信你的分數——它直接把門檻降下來。病理基礎模型長期的問題不是不夠準，而是一張 whole-slide image 動輒數 GB、一台能跑的機器就是一筆資本支出，結果只有大型醫學中心玩得起。16.68 GB 降到 2.16 GB 的意義很具體：前者需要一張資料中心級顯卡，後者一張消費級顯卡就能跑。這是今天唯一一則「不管誰來評分，結論都一樣」的進展，也是最可能在未來 12 個月內真的改變誰能用上病理 AI 的那一則。

所有數字出自作者自己的論文（v2 版），未經第三方重現；PANDA 與 EBRAINS 是公開的研究資料集，不是前瞻臨床驗證——0.826 的平均分數不等於診斷等級的表現。「97%」是 slide-level 平均表現的保留比例，不保證在每一個下游任務上都成立。本則內容依 arXiv 的 HTML 全文撰寫，未另行核對權重頁面上的實際檔案與授權文字。

arXiv:2607.18218v2, GigaPath-Flash and GigaTIME-Flash

MedAgentBench 由史丹佛團隊建立，做法是搭一個虛擬 EHR 環境，放進 100 份擬真病歷、共 785,000 筆記錄，要模型完成 300 項臨床任務，包含開檢驗、開藥與調閱病人資訊（Becker's 報導；研究全文刊於 NEJM AI）。問題是它的公開排行榜最後更新於 2026-05-27，榜首仍是 Claude 3.5 Sonnet v2 的 69.67%（Query SR 85.33%、Action SR 54%）。注意那個 54%——同一個模型查資料查得很準，真的要「動手做」的時候只對一半。

這是「醫療 AI 的量尺問題」最具體的一個切片：模型每幾週換一代，而獨立的評測基礎設施以月為單位落後。當一個被 NEJM AI 收錄、被產業廣泛引用的榜單，榜首還停在一個 2024 年發表的模型，任何人想問「現在最強的醫療代理有多強」都只能回去相信廠商的新聞稿。Query SR 85.33% 對 Action SR 54% 的落差也值得單獨記一筆——它跟 HealthAgentBench 的 42% 指向同一件事：讀取資料與執行動作之間有一道很深的能力斷層，而醫院買的是後者。

「榜首仍是 Claude 3.5 Sonnet v2」只代表該第三方榜單沒有更新，不代表沒有更強的模型存在——它只是沒有被獨立測過並公布，而這正是本則要說的事。原始研究的 Becker's 報導日期為 2025-09-16，是舊的報導；排行榜數字引自第三方彙整站 benchmarklist.com，未與 MedAgentBench 官方倉庫逐項核對。

benchmarklist.com, MedAgentBench leaderboard, last updated 2026-05-27 · NEJM AI, MedAgentBench

本週窗口內最值得讀的新發表都在 arXiv。〈Right Words, Wrong Moment〉（2609.35953）把 19,930 段年輕人與 ChatGPT 的對話交給臨床人員逐段判讀，結論指向的不是內容錯誤，而是流程失誤——最典型的一種是「過早跳到解決方案」。ARCagent（2609.36392）處理的是臨床問答裡一個很現實的難題：當醫療指引彼此矛盾時，檢索要如何校準，論文以 ME/CFS 為案例探討「知識完整性」與「衝突感知的動態綜合」。MERID（2609.36238）則用遞迴自我改善的多模態代理整合訪談與感測資料做重度憂鬱分析。同一批日報也掃出 UltraBench 2（2609.28610，超音波視覺基礎模型的穩健評測）與 nnFoundation（2609.26924，放射學 3D 基礎模型）。工程面則有哈佛／BIDMC 的開源數位精神醫學平台 mindLAMP，已在 17 個國家、65 個站點以 AWS serverless 架構部署。

〈Right Words, Wrong Moment〉這個標題本身就是對今天整個主題的一句話註解：benchmark 衡量的是「說得對不對」，臨床價值卻取決於「什麼時候說、順序對不對」。一個在 MedQA 拿 100% 的模型完全可以在真實對話裡犯下「過早跳到解方」這種流程錯誤，而目前沒有任何主流 benchmark 會扣它的分。ARCagent 指出的指引互相矛盾也是同一件事的另一面——真實臨床的困難往往不是知識不足，而是知識互相打架時要怎麼選。至於 UltraBench 2 與 nnFoundation：當兩個獨立團隊在同一週分別針對超音波與 3D 放射學提出新的評測與基礎模型，說明影像這條線正在補的是地基，不是天花板。

全部是未經同儕審查的預印本。arXiv 2609.35953、2609.36392、2609.36238 三篇的作者、機構與完整數據在撰稿時無法直接取得（抓取被拒），本則依 arXiv 新稿清單與摘要層級的描述撰寫，分數與樣本細節未逐項核對；2609.28610 與 2609.26924 的 PDF 回傳無可讀文字，僅依標題與檢索摘要列入。mindLAMP 的「17 個國家、65 個站點」出自 AWS 自家的產業部落格，屬廠商自述。

arXiv:2609.35953 · arXiv:2609.36392 · agents-radar medical AI daily digest, 2026-09-29