AutoMedBench：迈向基于代理 AI 模型的医学自动研究

针对现有医学智能体基准仅评估最终输出而缺乏过程洞察的问题，本文提出 AutoMedBench。这是一个感知工作流的基准，涵盖医学影像与多模态推理任务，将智能体执行统一划分为规划、设置、验证、推理和提交五个阶段。该基准包含长程任务，平均每个运行涉及 33 个智能体回合，并设有不同难度层级。通过分阶段评分发现，当前智能体在“验证”阶段表现最弱，而在“设置”阶段最强，表明其更擅长构建可执行流程而非验证可靠性，且验证与提交错误是主要失败原因。