夜雨聆风声明在前：这不是广告，没有任何工具付了推广费。评测基于2026年7月的工具版本，AI工具迭代极快，排名可能下个月就变了。
一、怎么测的
用同一个心内科入院记录的指令模板，分别喂给6款工具。指令包含：患者信息、查体数据、心电图和BNP结果，以及5条输出要求（按结构输出、先列依据再给分级、心电图不得改写、推断内容标注、禁止编造数据）。
评分看4个维度：医学术语准确性（心电图描述、心功能分级、ICD-10编码）、指令遵循度（有没有按要求输出）、中文自然度、合规性（数据出境风险、免费额度）。
6款工具：Claude Opus 4.7、GPT-5.5、Qwen3-Max（通义千问）、百川M4、文心一言5.0、DeepSeek V4。
二、逐一点评
1. Claude Opus 4.7 —— 综合最强，医学术语零失误
医学术语：满分。心电图"V1-V4导联ST段压低0.1-0.2mV"一字不差地保留，没有"润色"。NYHA分级判断依据列得清楚，ICD-10编码正确。Agent执行能力业界标杆，超长文本解析最强。
指令遵循：满分。7段结构一段不少，推断内容标了【推断】前缀，没有编造数据。6款里唯一完全按指令输出的。
中文自然度：偶有翻译腔。整体可读，但不如国产工具自然。
最大问题：海外工具，患者数据上传境外服务器，违反《个保法》。阿里已内部全面封禁Claude相关工具，合规风险需重视。
适合谁：不涉及患者隐私的练习场景，或已做脱敏处理。术语和格式要求最高的场景首选。
2. GPT-5.5 —— 通用推理均衡，但医学不够"专"
医学术语：基本准确。BNP 850pg/mL，它自动补了"排除心衰界值<100pg/mL"，这个数值本身符合ESC指南，但问题在于指令没要求它补充参考值，属于"自由发挥"。心功能分级给了II级，但判断依据写得不够具体。
指令遵循：7段结构基本到位，但心电图描述被轻微"润色"了，"T波低平倒置"变成了"T波低平并倒置"。多模态能力出色，但写病历用不上。
中文自然度：好。比Claude自然，但不如国产工具。
最大问题：同样的合规问题。另外GPT-5.5有"自由发挥"的习惯，会在你没要求的地方加内容。
适合谁：对中文自然度要求高、能接受轻微润色的场景。需脱敏后使用。
3. Qwen3-Max（通义千问） —— 国内合规第一，中文医学语料扎实
医学术语：准确。心电图描述逐字保留，ICD-10编码正确，没有幻觉。比GPT-5.5稳。开源生态完善，中文性价比远超海外同级。
指令遵循：7段结构完整，但"推断内容标注【推断】前缀"这条没执行。这点不如Claude。
中文自然度：满分。6款里中文最自然的，"现病史"读起来就是中国医生写的口吻。
最大优势：国内合规，数据不出境。有免费额度。注意：通义千问7月15日下线了用户自建智能体功能（合规调整），但不影响基础对话使用。
适合谁：涉及真实患者信息、需要国内合规的场景首选。也是免费用户的第一选择。
4. 百川M4 —— 医疗专用大模型，幻觉率全行业最低
医学术语：最强。百川M4是清华联合百川智能发布的医疗增强大模型，在HealthBench权威评测上排名第一，超越GPT-5.5和Claude Opus 4.7。事实性幻觉率仅3.3%，全行业最低（GPT-5.5为3.8%，Claude为6.9%，DeepSeek为9.8%）。
独特能力：主动追问。通用模型拿到不完整信息会直接"猜"，M4会像医生一样追问，一层层把信息补全。这个能力在写病历场景特别有用，因为住院医师口述的信息往往不完整。
指令遵循：7段结构完整，心电图描述保留。推断内容标注不如Claude严格，但比Qwen3好。
中文自然度：好。医学术语使用规范，读起来像临床医生写的。
最大优势：医疗场景专精，幻觉率最低。国内合规。
注意：通用能力（非医疗场景）不如Claude和GPT-5.5。如果你只用AI写病历，M4是最专业的选择；如果你还用AI做其他工作，需要搭配一个通用模型。
5. 文心一言5.0 —— 医学知识丰富，但格式不太听话
医学术语：准确，百度有医学知识图谱加持。但诊疗计划偏"科普化"，用药建议写成"建议在医生指导下使用"，没有直接给具体方案。
指令遵循：最大问题在这。7段结构只给了5段，心电图被改了一个字，"ST段压低"变成了"ST段压低改变"。
中文自然度：好，但偶有"百科风格"。
适合谁：查医学知识可以，写病历的格式遵循度不够，需要较多人工调整。
6. DeepSeek V4 —— 免费良心，推理强但医学训练不够
医学术语：基本准确，但ICD-10编码给错了，"冠状动脉性心脏病"给成了I20（心绞痛）而不是I25.1。心功能分级依据不够具体。推理成本大幅降低，国际影响力持续提升，被OpenClaw平台设为默认评测基准。
指令遵循：7段结构完整，但推断内容没有标注。心电图描述保留得不错。
中文自然度：好。逻辑清晰，但用词偏"技术流"。
最大优势：完全免费，国内开源。适合预算有限的场景。
适合谁：学生、规培生。ICD编码和用药方案必须人工核对。
三、横评对比表
幻觉率数据来源：百川M4官方发布，同口径对比。仅供参考，实际表现可能因场景不同而异。
四、不同场景怎么选
医疗场景首选：百川M4。医疗专用大模型，幻觉率最低，还会主动追问补全信息。如果只用来做医疗相关的事，这是最专业的选择。
日常写病历（脱敏后）：Claude Opus 4.7 > 百川M4 > Qwen3-Max。Claude的术语和格式最好，但前提是做了脱敏。
涉及真实患者信息：百川M4 > Qwen3-Max > 文心5.0。国内合规，数据不出境。
纯免费使用：DeepSeek V4 > Qwen3-Max（免费额度）> 文心5.0（免费额度）。
追求输出质量（不在乎成本和合规）：Claude Opus 4.7。医学术语零失误、指令完全遵循。
五、3条避坑提醒
坑1：海外工具不能传真实患者信息
Claude和GPT-5.5质量最好，但数据上传境外服务器违反《个保法》。阿里已内部全面封禁Claude相关工具。用之前必须脱敏：姓名用代号，不填住院号和身份证号。
坑2：没有一款工具的ICD编码能完全信任
6款工具都或多或少在ICD编码上出过错。DeepSeek V4把"冠状动脉性心脏病"（I25.1）给成了I20（心绞痛）。涉及医保报销的诊断编码，一律以你们医院的编码库为准。
坑3：工具更新很快，排名随时可能变
本次测评基于2026年7月版本。DeepSeek V4刚上线，百川M4发布不到一个月，工具能力还在快速迭代。建议每2-3个月用同一个指令重测一次。
写在最后
如果你觉得这篇测评有用，点个赞让我知道测评系列该不该继续做。你平时用哪款工具写病历？留言区说说你的体验。
— END —
本文为「AI工具测评」系列第1期。前几期「科室AI实战」和「医疗AI入门」可在历史文章中查看。
声明：工具选择仅供参考，最终使用需结合个人场景和合规要求。
