arXiv Artificial Intelligence· Hannes Ill, Rafi Al Attrach, Rajna Fani, Ahram Han, Ryohei Yamamoto, Marlene Louisa Moerig, Dukyong Yoon, Leo Anthony Celi·· 19 小时前AI 评分34
M4Bench：评估临床电子健康记录衍生智能体的流程规范
M4Bench: Evaluating Procedural Specification for Clinical EHR Derivation Agents
AI 导读
M4Bench 是覆盖 MIMIC-IV 与 eICU 的 28 项临床衍生任务基准，用于检验 AI 编程智能体能否复现这些衍生流程。在 Docker 隔离的 Codex 测试中（GPT 5.4 Mini 与 GPT 5.5），经临床医生审核的技能包使奖励比无技能基线提升 0.136，28 项任务中 26 项改善；其中规范完整性贡献了大部分增益。
来源：arXiv Artificial Intelligence · arxiv.org