MedXpertQA

专家级医学推理与理解基准（ICML 2025）：4,460 题、17 专科、11 系统部位；本条目对应 MM 多模态子集（图像 + 真实临床场景）

基本信息

30 秒看懂

MM 子集准确率口径，难度显著高于既有医学多选基准；字节 Seed2.0 引用 79.6、Qwen3.8 引用 80.4（其对照列 GPT5.6-Sol 81.5 / Gemini3.1-Pro 80.7 / Opus4.8 71.7），均为厂商自报。

评分协议

这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。

模型发布采用时间轴

共收录 3 场模型发布（收录 6 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20

2026

2026-08-03 Alibaba / Qwen·国内

Qwen3.8-Max

参数2.4T（激活 95B）模态文本·图像·视频

通义将 Qwen3.8-Max 定位为当前 Qwen 家族最强大的模型，基于 Qwen 3.5 架构将参数规模扩展至 2.4 万亿（激活参数 95B），在编程、办公、科研与长周期任务上全面提升，并成为首个开源权重的 Qwen-Max 级模型（权重于下周发布）。已收录评测覆盖智能体编码与办公、多模态理解与操作、视频理解及长上下文等领域，Terminal-Bench 2.1 86.6、PaperBench 93。

开源权重（预告）多模态智能体长周期任务编程与办公

查看模型变体与证据

MedXpertQA 80.4

2026-04-02 Google DeepMind / Gemini·国际

Gemma 4 E2B / Gemma 4 E4B / Gemma 4 26B MoE / Gemma 4 31B Dense

本发布含 4 个变体，各变体规格见模型详情。

面向本地运行的开放权重模型，支持推理与工具调用；本变体输入能力和上下文按官方发布页记录。

开放权重本地运行

查看模型变体与证据

Gemma 4 31B Dense · MedXPertQA MM 61.3%Gemma 4 26B MoE · MedXPertQA MM 58.1%Gemma 4 E4B · MedXPertQA MM 28.7%Gemma 4 E2B · MedXPertQA MM 23.5%

2026-03-10 ByteDance Seed / 豆包·国内

Seed 2.0-Lite

模态文本·图像·音频·视频

字节 Seed 系列页将 Seed2.0 Lite 定位为 Seed 基础模型系列首个全模态（omni-modal）理解模型，原生支持视频、图像、音频与文本的统一理解，并升级 Agent、Coding 与 GUI 能力，兼顾输出质量与响应速度，适合通用生产级场景。已收录评测覆盖文本智能体与编码、多模态理解、GUI 操作及视频与音频理解等领域，GPQA Diamond 88.4%、OSWorld Verified 64.4%。

全模态理解生产级通用GUI 操作智能体

查看模型变体与证据

STEM 79.6

数据缺口（本页暂未收录）

• 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
• 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
• 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
• 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
• 测试集污染检测结论，以及是否已饱和的结构化标注

以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。

复现入口

相关评测（同类别）

引用

本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。