MAI-DxO 是微软在 2026 年 10 月 22 日发表于《Science》期刊的诊断系统：它不靠单个模型直接给答案，而是组织一组虚拟医生互相辩论、逐步查证。按微软同日发布的官方介绍，这套系统在《新英格兰医学杂志》的复杂病例上拿到 83% 的诊断准确率，而全科医生在可查参考资料时是 36%、不能查时只有 22%。
先把考试方式改成真实看病的样子
微软认为，执照考试式的评测高估了 AI：题目把全部信息一次摆出、只需选一个答案，真实诊断却是从有限信息出发，决定先问什么、先查什么，每多做一项检查都要付出成本。为此他们建了 SDBench 基准：304 个 NEJM 复杂病例，加上一批来自 MIMIC-IV-ED 数据库的较典型急诊病例，全部改造成互动病例——诊断者起步只有简短病情，之后每一步自己决定索取哪些信息，系统同时记录准确率、索取的证据和估算的检查费用，看的不只是答案，还有路径。
一组虚拟医生，比一个模型更会查
MAI-DxO 的做法是让多个智能体各提诊断假设、挑选问题和检查、互相质疑，分几轮辩论后随新证据更新判断，并把每项检查的预期价值和成本一起称量。这套编排不绑死某个模型：换上更新的 GPT-5.5 后，不改编排方法，成绩还进一步提升。急诊病例上它拿到 80%，医生是 47%；偏重成本的配置在 NEJM 病例上以不到一半的检查成本保住了 81% 的准确率。微软已把 SDBench 中部分 NEJM 病例的基准、守门与评审及成本估算代码开源，供其他团队复现和挑战。
边界也要说清：这是受控的文字基准，对照组是独自应诊的全科医生，而真实世界里这类罕见复杂病例通常会转给专科团队，系统也没有在真实临床流程中验证过。把它读成“AI 已经能替代医生”是误读；更准确的读法是，诊断评测开始像Google AMIE 的真实门诊研究一样，从“答对题”转向“问对问题、花对成本”，而多智能体编排在这种流程型任务上，确实跑出了单个模型没有的优势。
