微软AI在2026年10月22日发布顺序诊断基准SDBench和诊断系统MAI-DxO，相关论文发表于Science。MAI-DxO在《新英格兰医学杂志》的复杂病例上取得83%的诊断准确率；同一批病例中，医生在不用外部参考时为22%、可用参考时为36%，MAI-DxO约为医生的3.7倍和2.3倍。
这次测的不是背题，是看病的顺序
执照考试会把信息一次给全、让考生选一个答案；真实门诊的信息是一点点来的，医生要决定先问什么、先查什么。SDBench把病例改成互动形式：304个《新英格兰医学杂志》复杂病例，加上一批来自MIMIC-IV-ED的急诊病例，模型和医生都只能从有限信息起步，逐步申请问诊和检查。基准同时记录诊断准确率、申请了哪些证据和估算的检查费用，答案和路径一起打分。
MAI-DxO像一组医生在会诊
它不是单个模型直接甩出答案，而是让多个虚拟角色分别提出诊断、挑选问题和检查，并互相质疑，分几轮更新判断，还要权衡每项检查的价值与成本。在更常见的急诊病例上，它取得80%的准确率，医生为47%，约为1.7倍；偏重省钱的配置在复杂病例上仍有81%的准确率，费用不到对比系统的一半。换上更新的GPT-5.5后成绩进一步提高，说明收益主要来自这套编排方式，而不是绑死在某一个模型上。
能说明什么，还不能说明什么
微软已把SDBench中部分病例的基准、守门与评判代码开源，供其他团队复现和挑战。但这仍是病例推演评测，不是临床部署结果：真实诊室里还有查体、沟通和责任问题，83%不能直接换算成临床水平。对医疗AI更实在的信号是评测方式在变——只晒执照考试分数会越来越不够看，能不能用更少的检查、按对的顺序走到正确诊断，才是更接近临床的考法。
