开源基准 M4Bench：评测 AI 编码智能体复现临床推导的能力

M4Bench 是一个开源评测基准，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，已被 NeurIPS 2026 评估与数据集赛道接收，并开源任务、技能、评测代码和脱敏的逐次运行证据。 实验在 Docker 隔离的 Codex 环境（GPT 5.4 Mini 与 GPT 5.5）中进行：引入临床医生审核的智能体技能使 reward 提升 0.136，28 项任务中 26 项改善，其中主要增益来自规格完整性（+0.162，技能本身再增 0.024）。Claude Code 复现（Opus 4.7 与 Sonnet 4.6，共 560 次运行）方向一致（+0.120，21/28 改善），但两类设置下能通过全部严格检查的运行仍属少数。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。