arXiv · cs.AI· Hannes Ill·· 13 小时前AI 评分39
M4Bench：评测临床 EHR 衍生智能体的程序化规格能力
M4Bench: Evaluating Procedural Specification for Clinical EHR Derivation Agents
来源与原文
arXiv · cs.AI
作者：Hannes Ill
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.37459v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
M4Bench 是一个开源基准，包含基于 MIMIC-IV 和 eICU 的 28 项临床衍生任务（15 个任务族），用于测试 AI 编码智能体能否复现临床衍生定义。在 Docker 隔离的 Codex 实验（GPT 5.4 Mini 与 GPT 5.5）中，临床医生审核的技能使 reward 提升 0.136，28 项任务中 26 项改善，其中规格完整性贡献主要增益（0.162，技能仅再增 0.024）。Claude Code 复现（Opus 4.7 与 Sonnet 4.6，560 次运行）方向一致（+0.120，21/28 改善），但整体通过严格检查的运行仍属少数。
来源：arXiv · cs.AI · arxiv.org