MDIA：基于 HealthBench Professional 的多智能体诊断智能管线

大多数报告的 agentic-LLM 临床基准性能提升归因于提示工程，但我们的实验结果表明，更大的提升可以来自架构和引擎层面的设计。我们提出MDIA（Multi-agent Diagnostic Intelligence Agent），即在完整的 HealthBench Professional 基准（n=525）上实现的 7 节点特色路由临床推理图谱，基于未微调的 LLM 实现。MDIA 在 OpenAI GPT-5.4-2026-03-05 上达到 0.6272，比 OpenAI 的 ChatGPT for Clinicians 高出 3.72 个百分点。实验表明，性能提升归因于系统架构：特色路由、多轮上下文保持、药物状态安全阀、站点过滤搜索、长度感知综合以及引擎层面的可靠性。这些发现支持了 agentic 临床基准性能受制于底层基础模型和编排架构两者的观点。尽管如此，我们也注意到在其他模型作为评分器时存在显著差异；特别是当使用 Gemini 2.5 Pro 时，MDIA 的得分为 0.6585，这表明评分器的选择是导致变异性的来源之一。因此，对 LLMs 进行稳健评估需要在多个独立评分器模型上进行评估。