临床AI工具评测：哪款智能助手更可靠？医生可委托AI哪些任务？需警惕哪些虚假信息？

在7月，我们继续以规培医生初诊辅助为视角，选取心内科胸闷病例，对14款AI产品执行了3轮测试，总共收集了42条输出。

AI医生接诊了一名63岁病人，胸闷持续近一个月，非疼痛感，伴有反酸、气短、乏力；一个月前外院诊断提示冠心病；患有糖尿病、高血压，正在使用美托洛尔和格列喹酮，存在青霉素过敏史。

评估成绩由临床定性60分和技术定量40分构成，并对高风险、争议样本进行了医生复核：

首位是京东知医，88.60分；次位是ChatGPT 5.6 Sol，87.60分；第三位是百小医M4，83.80分。

接下来，让我们一同回顾分析：

现有AI已能辅助医生完成哪些工作，哪些问题仍易被看似专业的回答所隐藏，以及医生应如何挑选和使用这些工具。

本期整体排名前三为：京东知医、ChatGPT 5.6Sol、百小医M4。随后是Kimi K3进阶、蚂蚁阿福PC、Qwen 3.8 Max和豆包2.1 Expert。

仅看总成绩，领先产品间的差异已不大。

但若进一步区分临床和技术两条路径，会发现产品的能力形态差异显著。

京东知医和ChatGPT在临床定性部分均获60分（满分）；Qwen 3.8 Max技术排名第2，临床排名第6；ChatGPT临床并列第1，技术排名第5。

换言之，结构化能力强劲、规则覆盖全面、临床判断实用，属于几种不同能力，无法用单一总分完全概括。

这也是医生审视评测时需建立的第一个认知：排行榜可帮助我们缩小选择范围，但不能替代对具体场景的判断。

更值得关注的是临床安全红线违反的结果。

42条输出中，Step 1A安全红线通过37条，通过率88.1%；Step 1B高风险警示仅9条通过，通过率21.4%。

在我们的评测中，Step 1A代表一票否决级错误，如错误排除高风险疾病、虚构关键事实，或给出可能引发延误和伤害的建议。一旦触发，该轮临床有效分直接清零。

Step 1B未立即造成严重后果，但已暴露推理越界、事实混写、风险表达失衡等问题。评测采用“先判安全红线，再进入分项评分”的结构，旨在防止平均分掩盖偶发的严重错误。

这组结果给我的感受很明确：

现今不少AI已能生成一份相当逼真的临床分析，但距离医生可直接使用，仍隔着事实边界和稳定性两道障碍。

医疗场景很难容忍多数时候表现优良。

一个产品连续十次表现卓越，第十一次却错误排除了急性冠脉综合征，先前的高分无法抵消这次风险。

模型临床六维得分