EHR-Complex：基准测试医疗代理在复杂临床推理中的表现

针对现有基准无法反映电子健康记录（EHR）分析复杂性的问题，本文提出 EHR-Complex，一个基于 MIMIC-IV 的大规模交互式临床数据库推理基准。该基准涵盖约 5.2 万个任务，要求代理在沙箱环境中执行 SQL 或 Python 代码以完成复杂的纵向多表聚合与组合推理。评估显示顶级模型准确率仅 62.3%，且存在显著的随机脆弱性。细粒度分析揭示了 SQL 逻辑错误、医学代码查找失败及语义误解三大主要失败模式，为临床代理的鲁棒推理研究提供了严格测试床。