斯坦福 HAI 总结三年医疗 AI 基准建设成果，发布 PhysicianBench 与 HealthAdminBench。前者含 100 项长程临床任务，最佳模型 GPT-5.5 单次完成 46%；后者覆盖 135 项行政流程任务，Claude Opus 4.6 端到端完成 36.3%。两项基准均显示，主要失败原因是
斯坦福 HAI 发布三项医疗 AI 基准：最佳智能体单次任务完成率不足一半