Илон Маск заявил о лидерстве Grok 4.6 в MedAgentBench. MedAgentBench — это комплексный тестовый набор и виртуальная среда для оценки способностей больших языковых моделей (LLM) действовать в роли медицинских ИИ-агентов.
По итогам оценки от 17 августа модель Grok 4.6 заняла первое место с показателем 95,9% правильных ответов с первой попытки (pass@1), тогда как GPT-5.6 Sol получил 94,7%.
Источник изображения: Изображение сгенерировано в Grok
MedAgentBench проверяет не просто способность ИИ отвечать на медицинские вопросы, а его умение самостоятельно выполнять задачи в условиях, приближенных к реальной работе с электронными медицинскими картами. Тест включает 300 клинических сценариев и 10 типов заданий.
Grok 4.6 также продемонстрировал стабильные результаты при повторных запусках. По сравнению с предыдущей версией Grok 4.5 показатель увеличился на 2,5 процентного пункта.
