M4Bench 临床 EHR 推导基准发布

2026年10月28日，arXiv 人工智能板块报道了 M4Bench 的发布。该基准覆盖 MIMIC-IV 与 eICU 两个数据源，包含 15 个任务族共 28 项临床衍生任务，用于检验 AI 编程智能体能否复现这些临床电子健康记录（EHR）衍生流程，以及经临床医生审核的技能包会如何改变其结果。在 Docker 隔离的 Codex 测试中（使用 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 项任务中有 26 项改善，其中规范完整性贡献了大部分增益。M4Bench 以开源基准形式发布任务、技能、评测代码及脱敏后的逐次运行证据；技能以带版本、可供临床医生审核的 markdown 交付格式发布，并附任务族层面的参考有效性审计。目前进展为基准与配套材料已公开，尚无后续跟进报道。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。