马斯克转发Grok 4.6战报：医疗代理基准第一

Grok 4.6 在医疗代理基准测试中拿下第一

  Grok 4.6 在一项医疗代理基准测试中拿下第一，而且 Grok 4.5 也进入了前三。

  马斯克转发相关消息时，只写了一句：“Grok 4.6 在医疗保健问题上排名第一。”这句话很短，态度却很明确：他想强调的不是某一次模型对话，而是 Grok 新旧两个版本在同一项医疗代理任务测试中的表现。

95.9%，Grok 4.6 排在榜首

  图片中的榜单来自 MedAgentBench Standard 全量数据集，共包含 300 个案例，每个模型进行了 3 次运行，最终结果以平均值和标准差呈现。

  其中，Grok 4.6 的准确率为 95.9%，位列第一；GPT-5.6 Sol 以 94.7% 排名第二；Grok 4.5 则以 93.4% 排名第三。

  第一名与第二名之间相差 1.2 个百分点，Grok 4.6 与 Grok 4.5 之间相差 2.5 个百分点。比单个名次更醒目的，是 Grok 的两个版本同时进入前三。这也是原帖特意点出的一点。

  这次不只是最新版本冲到榜首，前一版本同样留在第一梯队。至少在这套测试所覆盖的代理式医疗任务中，Grok 两个版本都交出了靠前的成绩。

这项测试看的不只是“会不会回答”

  原帖将 MedAgentBench 称为面向现实世界代理式医疗任务的基准。这里的关键词是“代理式任务”。它关注的并非单纯生成一段医学知识回答，而是模型在特定任务和流程中的完成表现。

  这类能力正成为大模型竞争的新方向。模型不仅要给出文字，还可能需要理解目标、处理信息并完成连续步骤。医疗相关任务对准确性尤其敏感，因此，Grok 4.6 在这项基准中达到 95.9%，自然成为马斯克此次转发的重点。

  榜单前十还包括 Gemini、Muse、Claude 和 Fugu 等模型，但原帖没有把重点放在逐一比较上。真正醒目的信息仍然是：Grok 4.6 第一，Grok 4.5 第三，两个版本同时占据前三席位。

榜单第一，不等于真实临床结论

  不过，95.9% 是 Grok 4.6 在 MedAgentBench 这项基准中的准确率，不能直接理解为临床诊断准确率，也不能据此得出它已经具备真实诊疗能力的结论。

  图片没有展示 300 个案例的具体构成、完整测试方法和评分细节，因此，这份成绩更适合用来观察不同模型在同一基准下的相对表现。模型进入真实医疗场景后，还要面对更复杂的信息、责任边界与安全要求，不能仅凭一张榜单下结论。

  但就马斯克此次转发想表达的内容而言，信息已经足够直接：Grok 4.6 在这项医疗代理基准中登顶，而 Grok 4.5 仍排在第三。对 xAI 来说，这不仅是新版本拿到第一，也是 Grok 两代模型在同一榜单中同时站稳了前列。

  接下来，就看这项成绩能否在更多公开测试和实际任务中得到验证。

注：本文根据所提供的 X 平台图片整理。榜单排名与准确率均来自图片中的 MedAgentBench Standard 全量数据集结果，仅代表该项基准测试表现。