Исследователи Microsoft добавили в тест медицинского ИИ SDBench случаи из обычных больничных записей. В наборе, выпущенном 22 октября, агент Diagnostic Orchestrator (DxO) без ограничения бюджета показал точность диагнозов 80,3% против 76,6% у базового агента. Однако средняя расчётная стоимость обследований составила около $4980 против $4240. Оба варианта использовали GPT-5; это сравнение двух ИИ-агентов.

SDBench проверяет, как система приходит к диагнозу. Сначала ей дают короткое описание случая, затем она запрашивает сведения и обследования и решает, когда данных достаточно для ответа. Другой агент выдаёт информацию, а модель-судья сопоставляет диагноз с эталоном. Такой подход позволяет оценивать выбор следующих действий и стоимость обследования: обычный тест с готовым описанием и всеми результатами анализов этого не показывает.

В работе 2025 года использовались 304 сложных учебных случая из NEJM. Новый набор расширяет проверку на пациентов, госпитализированных после обращения в приёмное отделение. Всего в нём 488 случаев, в опубликованное сравнение вошли 325; только 71 относится к отдельной тестовой части, проверенной клиницистами. Среди её эталонных диагнозов врачи исправили 13.

Результат остаётся результатом текстовой симуляции. Если сведений в выписке нет, агент-посредник может синтезировать ответ; это не новое измерение у пациента. Расходы рассчитаны по стандартным американским ценам. Безопасность лечения и исходы для пациентов тест не оценивал.

Код SDBench доступен исследователям, а медицинские данные требуют подтверждённого доступа, обучения и соглашения PhysioNet. Новый набор позволяет проверить, переносится ли успех на сложных учебных задачах на другую подборку случаев. В показанном сравнении более высокая точность сопровождалась более дорогим обследованием — вывод о всеобщей экономии из него не следует.