ClinConsensus 中文医疗榜单发布：GPT-5.2 居首，跨过门槛只是第一步

晓天衡宇·评测社区

342人浏览 · 2026-08-07 14:30:01

晓天衡宇·评测社区 · 2026-08-07 14:30:01 发布

评测背景

大模型在健康科普、用药咨询等场景已经能给出像模像样的回答，但面对真实的复杂病例，模型究竟是在输出流畅的通用文本，还是真的能完成安全、完整且临床合理的诊疗建议？中文医疗场景正适合检验这种能力——诊断推理、治疗方案、随访管理环环相扣，任何一处遗漏或不当表述，都可能影响回答的临床可用性。

ClinConsensus 是为检验这类能力而构建的大模型评测基准，聚焦复杂临床问答、诊断推理、治疗建议与随访管理等关键能力。它以真实脱敏临床案例为题，将评测重点从“回答是否合理”推进到“回答是否逐条满足临床要求”，旨在检验模型在真实复杂医疗场景中的决策稳定性与输出合规性，探索真实临床使用价值。

本次晓天衡宇中文医疗榜单覆盖 11 款国内外主流大模型。每款模型都完成同一套 2500 个真实病例，每个案例配有专家预先设定的 30 条评分准则，从安全性与可执行性、临床合理性与完整性、沟通质量三个维度对回答提出要求，以考查大模型在真实临床语境下的综合表现。

榜单概览

点击访问晓天衡宇评测社区，查看完整榜单、排行榜规则、评测集详情、详细得分榜单。

核心结论

结论 1：GPT-5.2 独自领先，所有模型均未达到 33 分

本期榜单中，GPT-5.2 以 32.90 分位居第一，领先第二名 Baichuan M3 5.08 分，但整体分数仍处于低位。11 款参评模型平均分 24.14，榜尾模型Grok 4.1 Fast 仅 17.76 分。

结论 2：榜单中部得分高度相近，尾部断层清晰

榜单中部呈现高度密集的格局：

第二梯队 Baichuan M3、Claude Opus 4.6、Qwen3.5 Plus 等三款模型排第二至第四名，得分集中在 26.68—27.82 分，其中 Claude Opus 4.6 与 Qwen3.5 Plus 仅差 0.18 分。

排名第六的 Qwen3-Max 与排名第七的 DeepSeek V3.2 更是只差 0.04 分，在这一区间内，小数点层面的差异不具实质区分意义。

与之对照的是榜尾明显断层：第十名 20.05 分与第十一名 17.76 分差 2.29 分，提示尾部模型与中部梯队之间存在明显差距。

结论 3：模型差距集中在复杂案例，覆盖深度才是分水岭

通过逐题分布，可看出模型间真正的能力差距集中在复杂案例上：

GPT-5.2 命中准则不足 10 条（该题记 0 分）的题目仅占 11.48%，约每 9 题才有 1 题完全未达门槛；而榜尾 Grok 4.1 Fast 的这一比例达 32.28%，约每 3 题就有 1 题记 0 分。

同时，GPT-5.2 命中 20 条以上准则的高覆盖题目，占 22.64%，明显高于其余十款模型。头部与尾部模型的差距不在于常规案例能否达到基本覆盖，而在于复杂案例中能否在医生校准阈值之上保持持续覆盖。

评测设计

晓天衡宇本次评测基于 ClinConsensus 。该评测集包含 2500 个中文开放式医疗案例，覆盖 36 个医学专科、12 类任务主题、多档难度，以及面向普通用户和医疗专业人员的不同对话场景。每个案例均配有 30 条病例特定的评分准则，整套评测共包含 75000 个评分判断点。采用 GPT-5.1 strict judge 作为主评分器，对模型回答逐条给出命中判定，再汇总计分。

评测维度

本评测采用基于专家 Rubric 的开放式问答判分方式，每个案例的 30 条准则归入以下五个维度组：

十二类任务主题

评测集覆盖的十二类任务主题按主榜单分项归为 4 大类，另有医疗随访 1 类：

从任务分布看，本评测集更强调真实临床使用价值，其中“个性化方案生成”、“鉴别诊断”、“病历内容理解”等高价值任务占比较高，能够较好反映模型在复杂医疗决策场景下的能力上限与短板。

复杂度分层

数据集按复杂度划分为三个等级，以支持分层评测；构建过程还采用两阶段质量控制，以保证数据质量：

评测方法

样本依据临床任务与专科跨度划分为 L1—L3 三级复杂度，评分采用论文主指标 CACS@10（Clinician-Anchored Coverage Score，阈值 k=10）：每题命中少于 10 条 rubric 记 0 分，达到 10 条后每多命中一条增加约 4.76 分。通过单例 30 条专家准则的全量覆盖，严格量化模型在真实复杂医疗场景中的决策稳定性与输出合规性。

Rubrics 总体命中率作为辅助参考指标，不参与排名。整体评测流程包括三层：样本构建与质控、评估标准设计、逐条判定与计分。