MedCUA-Bench：仅基于截图的临床计算机使用智能体基准测试

计算机使用智能体可自动化重复性临床屏幕操作，但其在医疗图形用户界面中的可靠性尚未得到充分验证。现有基准多关注通用任务，缺乏对需领域知识且 UI 独特的医疗软件的代表性。本文提出 MedCUA-Bench，一个交互式临床智能体基准，涵盖 10 个医疗领域的 18 个场景，重构自真实手册与开源系统以还原真实界面。任务设有意图与步骤级目标，分离临床推理与界面执行，并通过确定性检查器评估任务完成度及五个临床安全维度。实验显示当前智能体在真实环境中表现不佳，揭示了可靠临床应用间的巨大差距。