我让 13 个 AI 模型在医疗问诊游戏中扮演医生：195 次问诊全部诊断正确，差异在安全性

一位澳大利亚受训全科医生构建了扮演 GP 的问诊游戏，玩家需用自然语言问诊、检查、开检验、开药与转诊，代码按手写答案标准从流程而非仅诊断结果评分。作者让 13 个 AI 模型在 5 个免费病例上各运行 3 次，模型只能通过工具（交谈、检查、开检验、开药、转诊、诊断）行动，看不到答案与得分，且由与人类玩家相同的代码评分；患者由小型开源模型 Qwen3 8B 扮演，仅在被问及时才透露信息。作者称 195 次问诊诊断均正确，差异体现在安全指标上，并列出各模型得分、红旗识别率与单次成本（如 GPT-6 Astra 83%/88%/$0.21，GPT-6.1 Sol 80%/82%/$0.03，Claude Opus 5.5 77%/67%/$0.37 等）。上述模型名称与结果均来自作者自述，未提供可独立核验的证据。

AI推荐理由 以统一评分代码对 13 个模型进行 5 个病例、每个 3 次的对照测试，并给出分数、红旗识别率与单次成本，属于可复现的模型能力对比；但为 Reddit 个人帖，模型名称（如 GPT-6 Astra、Claude Opus 5.5）无法在输入中核实，结论应视为作者自述而非独立验证。