Strict 指标下最高分只有 23%，医疗 AI 出了照妖镜

医疗 AI 的评测大多是「孤立问答题」：问一条指南、看一张图、答一个病例，分数都不低。但真实的临床是连续的：同一患者的病理、影像、分期与治疗决策必须连起来都对。港理工、InfiX.ai、中山大学肿瘤防治中心与莫纳什大学的 NPCBench（arXiv 2611.08369，IRB 批准协议 B2026-465-01，数据 CC BY 4.0）把鼻咽癌诊疗做成了「学徒式」考场。

考卷模仿专科医师培训设了六个递进层级加一个开放式会诊套件：指南记忆、原子化应用、多模态证据扎根、病例级计划、纵向决策修正，最后是 CarePath 病程片段：100 名患者、417 个评分任务，Strict 指标要求病理、T 分期和所有治疗答案全部正确。数据脱敏、多学科专家审核，评估了 30 个模型。

成绩单按论文口径相当不留情面：指南召回超过 92%，但最高病例规划准确率只有 71.9%，暴露「组成缺口」；视觉扎根最弱，完整 18 结构侵犯的正确率与证据扎根的 T 分期成功都低于 5%；Strict 全对率最高的 Claude-4.6 也只有 23%；Gemini-3.1 Care 单项 89.9% 但 Strict 仅 11%。会诊安全上，GPT-5.1 得分最高（58.4），主评审仍在其 14.6% 的回复里发现重大错误。

对医疗 AI 产品团队的启示很具体：单项分数高不等于能在真实诊疗流程里连续答对，「联合正确率」才是部署前该看的指标；视觉扎根（病理与分期的证据阅读）是当前最大的短板。这个基准的分层设计本身，也值得其他高风险领域的评测借鉴。