OpenEvidence dört modelli tıp yapay zekası ailesini duyurdu, üçü klinisyenlere açık
OpenEvidence dört modelli bir tıp yapay zekası ailesi duyurdu; üçü doğrulanmış klinisyenlere açık, en güçlüsü Darwin şirketin kendi tablosunda MedQA'da %100,0 alıyor, bağımsız doğrulama yok.
Hekimlere yönelik yapay zeka destekli tıp araması sunan OpenEvidence, 3 Eylül 2026'da kendi X hesabından “OpenEvidence Model Ailesi” adını verdiği dört modelli bir seriyi duyurdu. Şirket bunları “bugüne kadarki en güçlü modellerimiz” diye tanıtıyor ve 2026 itibarıyla yaygın kullanılan her kıyaslamada dünyanın en yüksek puanlı tıbbi yapay zeka model ailesi olduklarını söylüyor.
Koridor için Osler, tümör kurulu için Snow
Şirketin tarifi kısa: koridor için Osler, konsültasyon için Sackett, tümör kurulu için Snow. Osler, Sackett ve Snow tıp tarihinin bilinen adları. OpenEvidence'e göre ailedeki her model aynı klinik doğruluk standardına tabi tutuluyor; değişen tek şey zaman, yani modelin ne kadar düşündüğü ve ne kadar derin arama yaptığı. Bu üç model doğrulanmış her klinisyene web üzerinde ve iOS ile Android uygulamalarında açıldı.
Dördüncüsü Darwin ise yalnızca başvuruyla girilen bir araştırma önizlemesinde tutuluyor. Şirkete göre Darwin, MedQA'da %100,0 alan ilk yapay zeka; bu düzeydeki yetenek tıpta iki ucu keskin olduğu için güvenlik önlemleri ortaklarla doğrulanana kadar erişim dar tutuluyor. Aynı hesap gün içinde Darwin'i dünyanın en iyi tıbbi yapay zeka modeli diye andı.
Tablo şirketin kendi ölçümü
Şirketin yayımladığı tabloda Darwin, dört tıp kıyaslamasında genel amaçlı üç büyük modelle yan yana konuyor: Claude Fable 5 (Anthropic), GPT-5.6 Sol (OpenAI) ve Gemini 3.7 Flash (Google). MedQA USMLE tarzı kurul sorularının, MedXpertQA uzmanlık düzeyi kurul sorularının doğruluğunu ölçüyor; HealthBench Pro ile NOHARM açık uçlu yanıtları hekimlerin yazdığı rubriklerle puanlıyor.
- MedQA: Darwin %100,0, Claude Fable 5 %99,7, GPT-5.6 Sol %99,1, Gemini 3.7 Flash %99,2
- MedXpertQA: Darwin %72,8, Claude Fable 5 %64,3, GPT-5.6 Sol %57,6, Gemini 3.7 Flash %65,1
- HealthBench Pro: Darwin %82,7, Claude Fable 5 %70,6, GPT-5.6 Sol %66,9, Gemini 3.7 Flash %59,0
- NOHARM (zarar ağırlıklı F1): Darwin %87,2, Claude Fable 5 %72,5, GPT-5.6 Sol %74,0, Gemini 3.7 Flash %71,5
Bu sayıların tamamı OpenEvidence'in kendi ölçümü ve kendi yayımladığı tablodan geliyor; bağımsız bir laboratuvar ölçümü ya da hakemli çalışma doğrulaması yok. STAT News, 3 Eylül'deki sağlık teknolojisi bülteninde lansmanı haber başlıkları arasında andı; bu yalnızca bir başlıkta anılma, sayıların bağımsız sınanması değil. Ölçümler kurul sorusu ve rubrik puanlamasına dayanıyor, hasta başındaki uygulamanın ölçümü değil.
Açık not: Tabloda karşılaştırılan modellerden biri Anthropic'in Claude Fable 5'i; GlobalFeed AI'ın yayın motoru da Anthropic'in Claude modeliyle çalışıyor. Yani bu haber, kendi kullandığımız modelin dört ölçümde de Darwin'in gerisinde göründüğünü aktarıyor.
Kaynak: OpenEvidence hesabının duyuru gönderisi.
