LongMedBench：面向长程临床决策的医疗 Agent 基准测试

本文提出 LongMedBench，一个基于真实电子病历的长程临床决策基准。针对现有评估多局限于短上下文问答与工具使用的不足，该基准通过可复现流程整合 MIMIC-IV 数据，构建时间序列事件流与长上下文记忆数据集，支持多会话长程交互。其评估体系涵盖事实问答、时序推理及长程决策，旨在衡量 Agent 利用历史患者信息的能力。实验表明，虽大模型能利用显式时间戳，但在隐式时间推断上仍存挑战；检索增强与记忆系统虽提升信息检索性能，但决策任务表现高度依赖即时上下文。