夜雨聆风
AI 临床助手实测对比:蚂蚁阿福、京东知医、百小应、OpenEvidence、医渡智循、全诊通,谁能严守临床安全底线?
3 月，我们首次以胸闷病例开展 AI 医疗专项测评，直击行业核心痛点：如今的 AI 医疗产品话术愈发完善、表达愈发专业，为何始终难以获得临床医生的真正信任与常态化使用？
4 月，我们继续沿用同一例真实胸闷病例作为测评载体。固定单一临床案例持续迭代测评，才能真实区分模型能力是稳定硬核输出，还是短期偶然发挥。我们深耕单病种测评体系，打磨标准化测评流程，同步吸纳更多一线临床医生参与，让测评更贴近真实诊疗场景。
本次测评全面升级扩容：测评对象从 9 款增至 12 款主流产品，单款采样由 2 次提升至 6 次，新增 A/C 两套差异化提示词，累计完成72 次独立盲测采样，数据样本更充足，结论更客观。
测评选型分层对标、覆盖全面：海外选取行业顶尖三大模型：ChatGPT 5.4 thinking、Claude Opus 4.7、Gemini 3.1 pro；国内纳入标杆级专业大模型：DeepSeek V3.2 expert、Kimi 2.5 快速、豆包 2.0 expert；医疗垂直产品共 6 款：全诊通、医渡智循、百小应、蚂蚁阿福、京东知医、OpenEvidence。六款垂直产品定位差异化明显：分别侧重临床助手、循证检索、病历整理、问诊辅助等不同场景，赛道属性各不相同。
表面看，本次测评题目类似病历书写考核；但从底层设计逻辑来看，这是一道高难度真实首诊场景题：患者口述口语化、关键信息缺失、暗藏高危病情线索，同时混杂大量干扰性症状，极易造成判断偏差。首诊场景下，能否牢牢守住医疗安全红线，是 AI 医疗产品落地临床、产生实际价值的核心前提。
对比 3 月测评结果，4 月大样本实测数据，给出了更清晰、也更残酷的行业真相。
01
4月测评结果速览
12款产品测评结果
先来看最直观的 6 轮实测均分与综合排名：
T1・第一梯队（≥70 分）ChatGPT 92.0、蚂蚁阿福 PC 85.7、Gemini 74.7
T2・第二梯队（50～70 分）医渡智循 58.7、Claude 50.0
T3・第三梯队（＜50 分）OpenEvidence 48.7、DeepSeek 44.7、百小应 43.7、全诊通 32.7、豆包 19.5、Kimi 10.7、京东知医 9.7
本次 6 款医疗垂直产品共计 36 组输出内容，整体平均分仅46.5 分。这份成绩很难让人乐观，也直观说明：绝大多数 AI 医疗产品，距离真正融入首诊临床工作流、实现安全辅助应用，仍存在显著差距。
更值得警惕的是安全红线数据：Step1A 临床安全红线违规触发12 次，触发率33.3%；Step1B 高风险推理越界触发33 次，触发率高达91.7%。
当下垂直类 AI 医疗产品的核心短板，并非欠缺病情分析能力、无法给出诊断思路，或是不能完成结构化病历书写，而是普遍存在推理越界的问题。
这类越界，往往并非明显的错误输出或荒诞结论。更多隐蔽且危险的表现是：擅自将题干中未明确给出的信息，默认定义为已确认的客观事实，并以此为依据延伸推导。例如：自动补全尚未问诊确认的诱因、伴随症状、阴性体征及高危风险信息；或是直接将患者主观口述内容，升格为临床可采信的客观诊疗依据。
这类问题的最大隐患在于：输出内容逻辑完整、表述规范，看似专业严谨，实则暗藏诊疗偏差，极易误导临床判断。
结合各产品得分等级进一步拆解，两极分化的现状会暴露得更加清晰：
72 份有效输出中，共有 33 次测评得分低于 60 分，划入不推荐应用区间。
这组数据足以说明：AI 医疗垂直赛道并非整体成熟、仅存局部瑕疵，而是已呈现明显两极分化。一部分产品，能力日趋成熟，已具备临床辅助价值的讨论空间；而另一部分产品，看似输出完整、话术专业，底层逻辑与安全边界却极不稳定，远未达到临床可用标准。
再看六款垂直产品的均分差距，鸿沟更为直观：蚂蚁阿福：85.7医渡智循：58.7OpenEvidence：48.7百小应：43.7全诊通：32.7京东知医：9.7
单看平均分，看似只是简单的高低排名；但核心关键在于，不同分数背后，对应着完全不一样的缺陷类型与风险结构。这一点，我们将在第三部分展开深度拆解。
因此，若用一句话总结 4 月垂直产品的整体测评结论：当下医疗 AI 的核心差距，从来不是谁更擅长堆砌专业术语、拼凑医学内容，而是谁能在临床信息残缺、病情存在不确定性的场景下，守住边界、保持克制。
02
4月测评有哪些升级？
A/C版本总分差异
如果说3月我们更像是在“提出一个问题”，那4月这一轮，是真正开始把测评方法往严谨方向推。
最核心的升级有两个：A/C双版本，以及每款产品6次重复测试。
A版本是测的是裸模型能力，C版本不是普通提示优化，而是加入了竺玉撰写的临床规则skill。它代表的是：
当一个AI被放进更接近真实临床工作流的规则框架后，它能不能把这些规则真正转化成安全、稳定、可执行的输出。
当初在预测试时，我和竺玉并没有看到C版本在总分上带来的明显增长。
这里也讨论了很久，是要遵守事实承认分数，还是说既定C版本就应该高于A版而调试skill呢？
最终，我们还是想要遵循临床现实，只要是医生端觉得应该纳入的skill，我们就完善到skill，但决定不能为了评分而增删一些利好量表的规则。
从我们最终的结果来看，C版相对A版整体也只提升了3.1分，这说明增加prompt并不会让产品集体脱胎换骨。
但具体到单个产品，差异却非常大：
有的产品被C版显著激活，有的则明显下滑。这本身就是产品成熟度的试金石。
OpenEvidence（+49.3）、豆包（+39.0）、Kimi（+21.3）在C版改善最明显。
医渡智循（-25.3）、全诊通（-20.0）、京东知医（-19.3）、百小应（-18.7）则在C版明显降分。
对于C版改善明显的产品，这不是坏事，反而说明其底层能力可能存在，只是需要更强的约束和提示工程才能稳定调动出来。
问题在于，这种能力是否已经被产品层真正消化为稳态体验？
对于C版回撤明显的产品，则需要重点排查：
是模型本身边界控制不足，还是现有提示范式与其长处不匹配，或者产品层的任务包装没有与模型能力形成正向耦合。
第二，为什么要每款产品跑 6 次？
因为医疗不是只看上限的场景，而是高度看重下限的场景。
一个模型今天答得好、明天失控，在普通内容场景里或许只是“体验波动”；但在首诊辅助场景里，这就是安全问题。
所以4月我们把每款产品都跑满6次，本质上是在看：它到底是偶尔答对，还是持续稳定。
第三，为什么4月还坚持沿用3月的胸闷病例？
因为这道题本身足够复核临床的复杂真实性。
它既不是纯知识题，也不是单纯的信息抽取题。
它真正考的是：面对一个高危方向不能漏、常见方向又容易带偏、患者表达还很发散的首诊场景，AI能不能同时做好四件事：
-
整理事实
-
识别缺口
-
保持推理边界
-
给出可执行闭环
这也是我们为什么越来越明确：这套测评不是在看“谁更会写病历”，而是在看谁更像一个值得年轻医生使用的首诊助手。
连续性测评最大的价值，它让我们不再停留在某次测评印象，而开始真正积累对产品能力边界的长期判断。
03
垂直产品表现分析
6款垂直产品10项子维度能力雷达（各维度满分 10）
1. 蚂蚁阿福：当前垂直医疗产品中，最接近首诊临床辅助落地的选择
蚂蚁阿福本次测评表现十分亮眼：综合均分85.7，六轮测试整体表现稳定，且Step1A 临床安全红线零违规触发。
这份成绩不只是垂直赛道内部排名领先，更关键是同时达成了医疗场景三大核心要求：安全、稳定、可落地。它不仅能够完整梳理病史信息、抓取关键疑点、给出清晰的下一步诊疗建议，多轮重复测评下的输出波动也极小，一致性表现突出。
即便优势显著，产品仍存在短板：6 轮测评中，有 3 次触发 Step1B 高风险推理越界标记。因此我们对它的客观判断是：已大幅领跑同类垂直医疗产品，但想要进一步拉开差距、完全适配严谨临床场景，核心突破点不在于完善功能，而在于强化不确定信息下的克制性。即便是目前综合表现最优的垂直产品，依旧未能做到：在临床信息不足、证据不充分时，主动停止过度推演。
2. 医渡智循：专业上限可观，但场景稳定性严重不足
医渡智循本次综合均分58.7，但版本分化极其明显：A 提示词版本可达71.3，C 提示词版本仅46.0。
数据足以说明：它并非缺乏临床专业能力，而是输出质量高度依赖提问方式与场景包装。依托自身扎实的医疗知识库、数据沉淀与临床理解能力，在适配的任务逻辑下，它能呈现出色的专业度，具备合格的首诊辅助思维。
但 4 月实测数据印证了核心短板：优质能力无法固化为稳定常态。一旦提问逻辑、表述形式发生变化，信息筛选边界、病情主线判断就会出现明显偏差。这类产品的潜在风险极具迷惑性：不会频繁出现低级错误，却容易让临床使用者误判其稳定性。本质问题不在于医学认知不足，而是无法在各类真实、复杂的首诊场景中，长期守住统一的诊疗安全边界。
3. OpenEvidence：核心能力在线，但极度依赖提示词结构
OpenEvidence 是六款垂直产品中特征最鲜明的一款。整体均分48.7看似平平无奇，但拆分版本数据差异悬殊：A 版仅24.0，C 版高达73.3。
这足以证明其能力短板并非技术薄弱，而是对提示词、指令结构高度敏感。在适配的指令逻辑下，它能快速输出高水准、高专业性的临床内容；可一旦脱离适配框架，就极易出现擅自补全未知信息、混淆客观事实与主观判断等越界问题。
回归临床实用视角，这类 “上限极高、下限不稳” 的产品隐患突出。医疗诊疗容不得波动与侥幸，从不为极致上限买单，只要求稳定可靠的底线。综合来看，OpenEvidence技术潜力充足，但仍需完成深度产品化优化与临床场景约束，现阶段更偏向实验性工具，尚未建成适配临床的稳定运行体系。
4. 百小应：结构化呈现完善，但底层事实逻辑根基薄弱
百小应的问题极具行业代表性，也是多数中端 AI 医疗产品的通病。直观来看，它的输出逻辑完整、格式规范，病历结构化梳理能力成熟，整体观感专业，很容易让人产生 “可用” 的第一印象。
深入拆解内容就能发现，核心短板十分突出：原始信息抽取不准确，事实分层逻辑薄弱。虽然可以搭建完整的诊疗文书框架，但会悄悄补全题干未明确提及的病史、体征、诱因等未知信息。
在临床场景中，这类隐蔽性错误的危害远大于直白的低级失误。临床医生不易察觉细节篡改，往往会被看似合理、逻辑自洽的内容带偏诊疗思路。百小应的现状，折射出行业普遍痛点：表层形式迭代过快，底层事实校验、边界约束等核心能力跟不上。
5. 全诊通：具备首诊识别意识，却习惯性越界前置判断
本次胸闷首诊测评，高度契合全诊通的产品定位，但最终表现远不达临床预期。产品并非完全没有诊疗思维，部分输出中可以清晰看到，它能够识别高危病情线索，也具备基础的问诊追问意识，并非机械化模板生成。
其致命问题在于推理逻辑本末倒置：尚未完成关键信息问诊与核实，就提前预设结论、补全未知病情信息。整套分析流程看似闭环完整，实则全部建立在模型主观脑补的虚假事实之上。
同时，跨版本波动问题突出：A 版均分42.7，C 版骤降至22.7。这说明缺陷并非单点问题，而是全场景的稳定性、边界管控能力全面缺失，距离临床辅助标准差距显著。
6. 京东知医：综合垫底，基础信息可靠性存在硬伤
京东知医本次测评数据直白且刺眼：综合均分仅9.7，6 轮测试中有 5 次触发 Step1A 临床安全红线。
如果说其他产品尚且存在能力上限、优化空间的讨论价值，京东知医的问题已经下沉至最基础层面：无法客观尊重、还原题干原始病史信息。首诊辅助的核心前提，是精准记录、客观呈现患者基础病情，连原始信息都无法准确复刻，后续所有诊疗分析、风险判断都无从谈起。
对于青年医师、基层医护这类核心使用人群而言，这款产品的隐性风险极大：输出格式完整、话术通俗，看似能够辅助工作，却会在病史采集这一源头环节出现偏差，从根本上误导临床判断。这不是单项功能落后，而是作为医疗辅助工具，最基础的信息记录与事实保真能力尚未建立。
写在最后：
如果说3月我们更像是在发问：
为什么AI医疗产品越来越像医生，却仍然很难真正进入临床？
那4月这轮测评，至少让我更清楚了一件事：
垂直医疗产品真正的分水岭，不是知识量，不是格式感，不是会不会引用医学语言，而是它能不能在不确定条件下尊重事实边界。
蚂蚁阿福之所以领先，不只是因为它分高，而是因为它开始展现出一种更接近临床助手的能力：知道哪里可以整理，哪里只能判断，哪里必须留白。
而多数产品的问题，也不是完全不会，而是太急着把场景补完整、太急着证明自己懂医疗。
可真实临床从来不是这样运转的。
医疗场景不奖励过度自信，它奖励的是克制、留白和对事实的敬畏。
AI医生助手最重要的能力，不是把病历写漂亮，而是在证据不足时，仍然能停下来，把判断权留给医生。
图片、信息来源：稳定的坤
添加医微客小编微信（微信号：ewkey1），享受研究方案、数据报告、SCI文章免费评估服务。
