新基准显示顶尖模型医学物理计算接近满分，但仍有特定系统性错误。
资讯摘要
论文提出 MedPhysBench，用十个种子生成器产出放射治疗、诊断影像、核医学与辐射防护的计算题，参考答案由实现相关协议的代码生成，评分器负责单位换算与容差判定。在 1200 道留出测试题上，12 个模型计算得分 33.3% 至 100.0%；表现最好的四个模型共 9 道判错，其中 5 道为模型自身错误，4 道因题目表述不清或留白而符合 NCRP Report 151。查错任务中，五个模型对多为明显植入错误的检出率至少 96.7%，误报不超过 4%。
要点速读
- MedPhysBench 含计算题与查错题，覆盖放疗、诊断影像、核医学和辐射防护，最高到 TG-51 校准工作表等临床任务。
- 1200 道留出测试题上，12 个模型计算得分 33.3%–100.0%；多数模型在 level-3 临床任务上表现最差。
- Claude Sonnet 5.5 在 20 道等中心 MU 题中有 19 道漏掉平方反比修正；五个模型查错检出率至少 96.7%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。