MedPhysBench把医学物理手算与查错搬上考场:四个模型计算近满分,同一模型却会放过自己算过的修正
MedPhysBench把医学物理的手算题和替同事查错做成可自动判分的基准:十个带种子的生成器覆盖放疗、诊断影像、核医学与辐射防护,参考答案由实现相应协议的代码算出,判分只做单位换算和容差比较。在1200道留出测试题上,12个模型的计算正确率为33.3%到100.0%,其中四个达到99.3%以上;五个模型在两种查错格式下都识别出至少96.7%的植入错误、误报不超过4%。同一模型算得对、查得错的情况也被记录下来,说明计算能力与查错能力需要分开评估。