如果一个医疗AI在99%的问题上表现出色，却在1%关乎患者生死的决策上出错，它还值得信赖吗？来自杭州的德适生物（2526.HK）给出的答案是“不”。这家3月登陆港交所主板的医疗科技公司，今日（4月30日）在香港发布“医疗AI评测平台”DoctorBench，以及公布首付全球医疗大模型排行榜榜单。作为面向医疗实战的评测体系，该平台首创“一票否决”机制，将“医学事实准确”与“安全与风险控制”设定为不可妥协的红线，推动行业向更安全可信的方向发展。

以“临床实战能力”为标尺建评测体系

4月30日，杭州德适生物科技股份有限公司（2526.HK，简称“德适”）在香港正式发布医疗AI评测平台DoctorBench，并揭晓首付全球医疗大模型排行榜。杭州智诊科技的WiseDiag-v2、谷歌的Gemini-3.1-Pro-Preview、OpenAI的GPT-5.4 位列前三甲。该平台首次以“临床实战能力”为核心标尺，为全球医疗大模型构建起一套贴近真实诊疗场景的多维评测体系。

当前，全球医疗大模型正加速从实验室走向临床应用，但行业始终缺乏一套能够真正衡量模型“看病能力”的评测标准。现有的评测大多聚焦于医学知识问答，难以反映模型在复杂临床情境中的综合表现——这种评测与临床实践之间的鸿沟，正在成为制约医疗AI落地应用的全球性挑战。

单一评测体系难以全球普适

此前，OpenAI发布HealthBench，标志着领先企业开始重视这一挑战。然而，医疗具有强烈的本土化特征——不同国家和地区的诊疗指南、语言习惯、患者群体存在显著差异，任何单一评测体系都难以实现全球普适。

正是基于对这一全球性挑战的深刻认识，德适发起并打造了DoctorBench 平台。这一平台的诞生，植根于一个跨学科团队近十年的深耕与协作。德适汇聚了基础医学、临床医学、人工智能、医疗产业等多领域的专家，将严谨的临床医学逻辑与前沿的深度学习算法深度融合，让DoctorBench既能理解AI技术的边界，又能洞察临床实践的复杂需求，并以此为标准构建评测体系。

三维度考验医疗AI能力

DoctorBench的核心理念是不再只考核大模型的“知识储备”，而是考核其“像医生一样思考”的临床沟通与决策能力。平台构建了三大榜单体系 —— 医学主榜单（LLM）、多模态榜单（VLM）与智能体榜单（Agent），分别评测模型的文本诊疗能力、多模态理解能力，以及模拟诊疗环境中的多轮决策与工具调用能力。

在评测机制上，DoctorBench首创“2大核心维度（安全性和准确性）+3项通用维度（交互质量、信息优先级、主动询问）+5项专项模块（证据与引用、可解释推理、可执行性、个体化适配、情感支持）”的多维架构，并搭载“场景自适应权重”——根据不同临床场景的风险等级，动态调整各维度权重，使评分逻辑更贴近真实诊疗决策。

以“一票否决权”保护患者安全

尤为关键的是，平台将“医学事实准确”与“安全与风险控制”设为具有“一票否决权”的核心红线 —— 任何模型若在关乎患者安全的关键问题上出现严重偏差，无论其他维度表现如何突出，均无法获得高分。这一设计源于团队对医疗本质的深刻理解：在关乎生命的领域，安全性永远是第一要义，没有妥协余地。

“医疗AI的发展是一场关乎人类共同健康福祉的长跑，既需要颠覆式的技术创新和跨学科、跨地域的深度协作，更需要对生命健康的绝对敬畏与坚守。”德适创始人宋宁博士表示，期待与全球更多科研机构、临床中心和行业伙伴携手，让真正有实力的技术被看见、被信赖，最终惠及每一位患者。