83% 不是医生的成绩单：微软 MAI-DxO 登上《科学》，测的是问诊过程而非看病能力

发生了什么：一篇《科学》论文，和一个被误读的 83%

2026 年 10 月 22 日，微软 AI 与《科学》杂志同日公布了一项研究：论文《Sequential diagnosis with language models》（用语言模型做序贯诊断）刊登于《科学》第 394 卷，微软 AI 同步发表了题为《Building Medical Superintelligence》的公告。研究的主角是两样东西：一是序贯诊断基准 SDBench，二是建立在这个基准上的系统 MAI-DxO（Microsoft AI Diagnostic Orchestrator，微软 AI 诊断编排器）。最先被传播开的数字是 83.2%：在 304 个《新英格兰医学杂志》临床病理讨论病例上，搭配 GPT-5 的 MAI-DxO 达到了 83.2% 的诊断准确率，而参与对照的全科医生在可查资料条件下的平均准确率是 36.1%，在不可查资料条件下是 22.3%。在另一组 325 个急诊入院病例上，MAI-DxO 为 80.3%，医生为 46.8%。

这些数字一出，“AI 打败医生”的标题立刻开始流传。本文的立场是：先把标题放下，把数字放回它原来的测量条件里再看。因为这篇论文真正有价值的地方，恰恰不是“谁赢了”，而是它换了一种出题方式：不再把完整病例一次性交给模型、让它选一个答案，而是让诊断者和模型都从一段简短的病情摘要出发，一步一步决定问什么、查什么、什么时候下结论，并且每一步都要付出“检查成本”。诊断在真实世界里本来就是这样进行的：医生不是先拿到全部化验单再看病，而是在信息不完整的情况下，一边问、一边查、一边修正判断。SDBench 把这个过程变成了可以测量的东西，这才是它值得写一篇长文的原因。

SDBench 是怎么考的：不是选择题，是问诊过程

理解 SDBench，先要理解它和传统医学基准的区别。传统的医学考试式基准，比如执业医师考试题，是一次性把所有信息摆出来：主诉、现病史、体格检查、化验结果全给你，然后问“最可能的诊断是什么”。这种题目测的是知识储备，不测临床过程。而 SDBench 把 304 个《新英格兰医学杂志》临床病理讨论病例和 325 个来自 MIMIC-IV-ED 数据集的急诊入院病例，转化成了一场一场的交互式问诊：参与者（医生或 AI 系统）先拿到一段简短摘要，然后可以提问、可以开检查、也可以在任何时候提交最终诊断。最终诊断由一个“法官”智能体按医生制定的五级量表打分，达到 4 分或 5 分（即管理方案不变的诊断）才算正确；同时，每一次检查都会按 CPT 定价估算成本，问诊过程本身也被计入成本。

这个设计里还有两个配角智能体，值得单独说清楚。一个是“守门人”（Gatekeeper）：它掌握完整病例档案，负责回答诊断者的提问和检查申请；如果申请的内容在原始记录里根本没有，它会生成“诊断上中性”的合成结果，而不是直接说“没有这项数据”——因为“没有”本身就可能泄露答案。另一个是“法官”（Judge）：它按五级量表把提交的诊断和参考诊断做比较。也就是说，SDBench 测的不是模型知不知道某个罕见病的名称，而是它会不会问对问题、会不会避免无差别开检查、会不会在证据足够时及时收手。微软 AI 的公告也强调，基准衡量的既是答案，也是“拿到答案的路径”。

MAI-DxO 在这个基准里的工作方式，官方的比喻是“一个虚拟医生小组在辩论”。它不是让单个模型直接给答案，而是模拟多个互补角色的临床专家：各自提出诊断、选择有用的问题或检查、挑战正在形成的判断，经过多轮辩论后更新评估，同时在每一步权衡检查的预期价值和成本。微软称这套编排是模型无关的，也就是说它可以搭在不同厂商的模型上；本次论文的主结果用的是 GPT-5，发表前又用 GPT-5.5 全套重跑了一遍，结论是编排带来的优势没有随着模型变强而消失，反而有所扩大。这个“模型无关”的说法如果成立，意义比某一个模型的分数更大：它意味着改进的来源不只是底座模型变大了，还包括工作流本身的设计。

数字要怎么读：83.2% 对 36.1%，分母并不相同

现在回到最受关注的那组数字，并且把容易被标题省略的前提补齐。先说病例数：MAI-DxO 的 83.2% 是在全部 304 个《新英格兰医学杂志》病例上测得的；而医生的对照研究是在其中 56 个“为工程开发保留、未参与调参”的病例上做的，医生一共给出了 764 次闭卷诊断和 662 次开卷诊断，平均准确率分别为 22.3% 和 36.1%，表现最好的单个医生是 51.8%。也就是说，这不是同一批病例、同一规模样本的“同场竞技”，而是“系统在全量病例上的成绩”与“医生在 56 个保留病例上的成绩”之间的比较。把分母讲清楚，并不是要否定 83.2% 的含金量——即使只看 56 个病例的子集，差距仍然很大——而是要防止读者把这组数字误读成“医生在日常工作中的诊断准确率只有 36%”。日常诊疗有体格检查、有影像、有团队讨论、有随访，这些在 SDBench 的纯文本模拟里都不存在。

再说成本。MAI-DxO 在无预算约束下，复杂病例的平均成本是每例 5431 美元；施加预算约束后，80.9% 的准确率对应 2241 美元，79.6% 对应 1303 美元；而追求极致准确率的配置可以达到 84.5%，但成本上升到 8945 美元。医生在复杂病例上的平均成本是闭卷 3049 美元、开卷 4725 美元；急诊病例上，MAI-DxO 无约束为 80.3% / 4979 美元，医生为 46.8% / 3400 美元，表现最好的急诊医生是 62.5%。微软公告里“在不到一半成本下达到 81%”的说法，对应的就是那个 81% 左右的成本优化配置，而不是无约束的最高分配置。读成本数字时同样要留神：这些成本是按 CPT 定价和一家大型医疗系统的收费标准估算的，不是真实医院账单，更不是真实世界里“用了这套系统就省了多少钱”的证据。论文的价值在于它同时报告了准确率和成本，让后来者可以在同一张图上比较“准确率-成本前沿”，而不是只比谁的准确率高。

还有一个揭示工作方式差异的细节：MAI-DxO 在开出第一项检查之前，平均会先问 25.5 个问题，而医生平均只问 5.6 个问题就开始开检查。论文把这种策略描述为“广泛的结构化问诊先行”。这个差异很有意思：它说明 MAI-DxO 的优势有一部分来自“问得更多、问得更系统”，而不是单纯“知道得更多”。对 vibe 开发者来说，这是一个可以直接借鉴的设计启示：很多 agent 系统的问题不是模型不够强，而是它在信息不完整时过早下结论、过早调用高成本工具。先问、再查、再定论，并且给每一步标价，是一种可以迁移到客服、运维、法务审查等其他“序贯决策”场景的工作流模式。

编排到底加了多少分：GPT-5 单独是 78.9%

另一个值得单独拎出来的数字，是基线模型的成绩。据对论文图表的梳理，GPT-5 在不加编排、只用最简提示的情况下，在复杂病例上是 78.9%；加上 MAI-DxO 的编排后，达到 83.2%。也就是说，编排带来的提升大约是 4 个百分点左右；论文还报告，在全部受测模型上，编排平均提升复杂病例 7.9 个百分点、急诊病例 4.4 个百分点。这个比例关系很重要，因为它纠正了两种常见的误读：第一种是“全靠 GPT-5”，第二种是“编排无所不能”。真实情况介于两者之间：底座模型已经很强，编排是在强底座上再往前推了一步，而且这一步在不同模型上都存在，不是只为某一个模型定制的作弊技巧。

对做 agent 产品的读者来说，这个结论的含金量甚至高于 83.2% 本身。今年的 agent 产品讨论里，经常出现一种“模型决定论”：换一个更大的模型，问题就解决了。MAI-DxO 的实验提供了一个反例：同样一个 GPT-5，换一种工作流——多角色辩论、成本意识、聚合多轮独立运行的结果——成绩就变了。这说明在很多真实任务里，工作流设计和模型选择是乘法关系，不是加法关系。当然，这也意味着 MAI-DxO 的成绩不能直接平移到其他任务：序贯诊断这个任务特别适合“多问、多辩论”的工作流，因为它的信息本来就是逐步揭示的；对于信息一次性给全的任务，同样的编排未必有同样的收益。把工作流当作可复用的方法论，而不是当作万能模板，是更诚实的读法。

论文自己划的红线：四条不能越过的结论边界

这篇论文难得的一点是，它在正文里自己把结论边界划得很清楚，本文把这些边界原样转述，因为它们比任何第三方的“泼冷水”都更有分量。第一，论文明确写道，这些比较“不能证明优于专科医生、多学科团队或真实世界的临床实践”。对照组是单独工作的全科医生，不是专科团队；真实诊疗还有体格检查、影像、病理切片、多学科讨论和长期随访，这些在纯文本基准里都被抽掉了。第二，病例本身是经过挑选的：《新英格兰医学杂志》的临床病理讨论病例以疑难、罕见、教学价值高著称，天然会放大“问得多、想得全”的系统的优势，而急诊病例虽然更接近日常，但仍然是历史文本记录，不是真实患者。

第三，评分标准有局限：法官量表评的是“疾病层面的诊断是否正确”，而不是“治疗方案是否恰当、是否安全、长期管理是否合理”。一个诊断在疾病名称上正确，不等于它的处理建议就是安全的；论文没有声称自己测了后者，读者也不应该替它声称。第四，作者与利益披露：据报道，全部 15 位作者均为微软员工并持有公司股权，其中数人还是相关专利申请的发明人，研究没有来自微软之外的资金。这些披露不等于研究不可信——同行评审的《科学》论文仍然有它的分量——但它意味着这是一次“厂商主导、厂商评估”的研究，独立团队的复现结果尚未公布。在复现之前，最稳妥的表述是“微软报告的基准成绩”，而不是“已被证实的临床能力”。

微软自己给出的下一步，恰好也是对这些边界的回应：与波士顿的 Beth Israel Deaconess 医学中心合作，开展一项前瞻性研究，让患者直接与系统交互，并把系统表现与医生的独立评估做比较；同时，微软表示将把 SDBench（针对部分《新英格兰医学杂志》病例）开源，包括基准、守门人、法官和成本估算代码。开源的意义在于，批评者不再只能评论论文里的数字，而是可以自己跑一遍基准、换一个模型、改一个评分规则，看看结论还站不站得住。对读者来说，判断这项研究最终价值的时间点，不在 10 月 22 日的发布日，而在独立复现和前瞻性研究结果公布的那一天。在那之前，任何“医院应该立刻部署”的建议都为时过早。

给 vibe 开发者的三点启示：过程、成本与复现

第一，把“过程”变成可测量的指标。很多 agent 产品的评估只看最终答案对不对，不看它问了多少问题、调用了多少次高成本工具、在什么时候决定收手。SDBench 的做法是把这三件事都变成基准的一部分：准确率、提问与检查的数量、累计成本。这套思路可以直接迁移：做客服 agent，就测它在转人工之前问了几个有效问题；做运维 agent，就测它在重启服务之前排除了几个假设；做法务审查 agent，就测它在下结论之前引用了几条依据。只测终点，agent 就会学会“猜答案”；同时测过程，agent 才会被迫学会“做工作”。

第二，给每一步标价，并且允许“省钱版”和“极致版”共存。MAI-DxO 同时报告了多个成本点的成绩：无约束、轻约束、重约束、极致准确率。这比只报一个最高分诚实得多，也更接近真实产品决策：用户在不同场景下对成本和准确率的偏好本来就不同，急诊分诊和罕见病会诊就不应该用同一个配置。Vibe 项目里常见的错误是只给 agent 一个默认配置，然后抱怨它“太贵”或者“不够准”；更合理的做法是像 MAI-DxO 这样，把配置做成显式的档位，让用户在“省一点”和“准一点”之间自己选，并且把每个档位的实测成绩写进文档。

第三，区分“厂商报告”与“独立复现”，并且把这个区分写进你自己的对外文案。微软这篇论文的传播史就是一个现成的教材：发布当天，标题大多是“AI 胜过医生”；读完论文的人才会补充“在纯文本模拟里、对单独工作的全科医生、在 56 个保留病例上”。Vibe 开发者在对外介绍自己产品时，也会面临同样的诱惑：把基准成绩写成通用能力。更长久的做法是反过来：在产品页上写清楚基准名称、测试条件、对照组和局限，并且附上复现方法。这样做短期看会“显得不够厉害”，长期看却能换来用户的信任——而信任恰恰是医疗、金融、法务这类高风险场景里最稀缺的产品属性。

判断：这是一次基准方法的进步，不是一次临床能力的官宣

综合来看，MAI-DxO 登上《科学》的意义，应该被定位为一次“测量方法”的进步，而不是一次“临床能力”的官宣。它证明了两件事：第一，诊断可以被建模为序贯决策过程，并且这个过程可以被基准化、被计价、被比较；第二，在这样的基准里，多角色编排的工作流确实能在强底座模型上再往前推一步，而且这个提升在不同模型上都存在。它没有证明的事同样重要：它没有证明 AI 在真实诊疗中优于专科医生或多学科团队，没有证明它能改善真实患者的结局，也没有证明它的成本优势会在真实医院账单里兑现。把这两边分开写清楚，不是给微软泼冷水，而是对这项研究最基本的尊重——因为论文作者自己就是这么写的。

对 VibeFix 的读者来说，最值得带走的不是 83.2% 这个数字，而是 SDBench 背后的工作方法：让 agent 在信息不完整时先问、再查、再定论；给每一步标价；同时报告多个成本档位的成绩；并且把“厂商报告”与“独立复现”分开标注。下一次你看到任何“AI 胜过人类专家”的标题时，可以直接套用这篇论文的读法：先问病例数和分母，再问对照组是谁，再问成本怎么算，最后问有没有独立复现。这四个问题问完，大多数标题都会自动回到它应有的尺寸。本文不是医疗建议，也不构成对任何医疗产品的推荐；如果你或你身边的人面临真实的医疗决策，请以执业医生的判断为准，而不是以一篇基准论文的分数为准。