ARISE 更新 MAST 医疗 AI 超级智能测试，聚焦临床系统安全性与可靠性

ARISE 更新 MAST 基准，评估医疗 AI 的安全性、推理与多模态能力

ARISE 发布并持续更新 MAST（Medical AI Superintelligence Test）项目，定位为一套面向医疗人工智能的独立评测框架，帮助研究人员、开发者、医疗机构和其他组织更系统地判断“哪些 AI 更值得信任用于医疗问题”。页面信息显示，该项目聚焦临床推理、安全性以及医学影像等多个高风险维度。

MAST 由多机构合作推进，强调通过更贴近真实场景的基准集合，对医疗 AI 进行可比较、可复现的独立评估，而不是只看模型厂商自报的能力展示。

MAST 评什么

根据项目介绍，MAST 当前覆盖一般医疗 AI 使用场景以及面向临床人员的使用场景。其主要评测维度包括诊断推理、管理决策推理、安全性、多模态图像、多模态放射学以及 Agentic 能力等。

这意味着，MAST 并不把医疗 AI 简化为单一问答分数，而是试图把模型在临床高风险环境中最关键的几类能力拆开来看，尤其关注那些可能直接影响建议质量、风险控制和工作流执行的维度。

当前榜单呈现了什么信号

页面显示，在最近一次更新中，OpenAI 的 GPT-5.5、Google 的 Gemini 3.5 Flash 与 Gemini 3.1 Pro、Anthropic 的 Claude Opus 4.7 与 Claude Sonnet 4.6，以及 Meta、Moonshot AI 等公司的模型均被纳入比较。

在综合分数上，GPT-5.5 以 61.6% 位居前列，Gemini 3.5 Flash 和 Claude Opus 4.7 紧随其后。页面还提供了模型间的维度级对比，例如 GPT-5.5 与 Gemini 3.1 Pro 在诊断推理、管理推理、安全、多模态图像、多模态放射学与 Agentic 指标上的差异。

这种展示方式说明，医疗 AI 的强弱已经不能仅靠一个总分来概括。某些模型可能在诊断推理更强，另一些模型则可能在多模态图像或 Agentic 能力上更有优势。

从演示到技术排行榜的完整链路

除了主榜单外，MAST 还提供多个具体基准演示页面和完整技术排行榜入口，涉及 First Do NOHARM v2、SCT-Bench、MedAgentBench v2、PhysicianBench、ReXrank Mini 等测试集，并开放 GitHub 代码仓库与数据探索路径。

这使 MAST 不只是一个“结果网页”，而更像一个对外公开的评测基础设施，方便研究者复核结果、运行自定义模型并在统一框架下进行横向比较。

为什么这类基准越来越重要

随着医疗大模型、临床决策支持系统和 AI 智能体逐步进入真实工作流，行业越来越需要面向临床风险的细粒度评测框架。单纯展示模型能否回答医学问题，已经不足以支撑采购、部署和监管讨论。

MAST 的意义在于，它试图把医疗 AI 的比较重点从“谁看起来更强”转向“谁在安全、高风险推理、多模态医学场景和 Agentic 工作流上更可靠”。对未来的产品验证、学术比较以及监管沟通来说，这类基准体系很可能会变得越来越关键。