OpenEvidence 推出四款医学模型，Darwin 自家测评满分

OpenEvidence 在 2026 年 9 月 3 日 15:17 UTC 于自己的 X 账号发布公告，推出 "OpenEvidence Model Family"，一次拿出四款医学模型。公司称这是它迄今最强的模型，并称截至 2026 年，这是全球在所有主流基准上得分最高的医学 AI 模型家族。该账号自称是使用最广泛的 AI 医学搜索。完整新闻稿发布在 businesswire.com 上。

三款已开放，第四款只接受申请

公司给出的分工只有一句话：Osler 用于走廊场景，Sackett 用于会诊，Snow 用于肿瘤多学科讨论。OpenEvidence 说，家族里每款模型都遵守同一套临床准确性标准，变化的是时间：模型思考多久、搜索多深。这三款从公告发布起向每一位经过验证的临床医生开放，网页端和 iOS、Android 应用都能用。

第四款叫 Darwin。公司说它在 MedQA 上取得 100% 的满分，是历史上第一个做到这一点的 AI。公司说，这种级别的能力在医学中是双刃剑，因此 Darwin 目前处在研究预览阶段，只接受申请，并要与合作方一起完成安全防护的验证。

公司自己公布的对照表

随发布一同公开的表格标题为 "OpenEvidence vs. the foundation models"，副标题说明这是把 Darwin 与最强的通用模型在四项医学基准上正面比较。四列分别是 OpenEvidence Darwin、Claude Fable 5（Anthropic）、GPT-5.6 Sol（OpenAI）和 Gemini 3.7 Flash（Google）：

• MedQA（USMLE 风格的委员会考题，准确率）：Darwin 100.0%，Claude Fable 5 为 99.7%，GPT-5.6 Sol 为 99.1%，Gemini 3.7 Flash 为 99.2%。
• MedXpertQA（专科级委员会考题，准确率）：Darwin 72.8%，Claude Fable 5 为 64.3%，GPT-5.6 Sol 为 57.6%，Gemini 3.7 Flash 为 65.1%。
• HealthBench Pro（开放式作答，医生撰写的评分表，不设长度惩罚）：Darwin 82.7%，Claude Fable 5 为 70.6%，GPT-5.6 Sol 为 66.9%，Gemini 3.7 Flash 为 59.0%。
• NOHARM（开放式作答，按危害加权的评分表，危害加权 F1，百分比）：Darwin 87.2%，Claude Fable 5 为 72.5%，GPT-5.6 Sol 为 74.0%，Gemini 3.7 Flash 为 71.5%。

这些数字全部出自公司自己的测量和自己公布的表格，目前没有独立实验室或同行评议研究做过验证。健康媒体 STAT News 在 9 月 3 日 19:18 UTC 的 Health Tech 简报里把这次发布列为当日新闻标题之一（"OpenEvidence launches new AI models"）；那只是报道提及，STAT 并未独立检验这些分数。四项测量给出的都是考题作答和评分表打分。

公开说明：被比较的模型之一是 Anthropic 的 Claude Fable 5，而 GlobalFeed 的出版引擎正是用 Anthropic 的 Claude 模型运行的。也就是说，本文转述的表格里，我们自己使用的模型在四项测量中都排在 Darwin 之后，在 MedXpertQA 上低于 Gemini 3.7 Flash，在 NOHARM 上低于 GPT-5.6 Sol。数字按原样照录，未作任何修饰。