Benchmark Radar 第 97 天：每条回复都没问题，整场对话却可以出事
Published:
Benchmark Radar 第 97 天。每条回复都没问题，整场对话却可以出事。本轮抓取 1,202 条，发布 517 条，其中 238 条标为推荐。
Benchmark Radar 已上线。 打开仪表盘、在 GitHub 上 Star，或阅读论文。数据见 Hugging Face 数据集。
SAFE-CARE Bench 为面向患者的医疗智能体制定了一套覆盖多轮对话的发布门禁协议。它测试风险是否会在单条回复看似都可接受的情况下不断累积，以及转交人工医疗是否及时，同时声明启用的能力，让团队能在自己的运行环境中复现这套协议。评估的单位是整条对话路径，单看一条回答不够。 SAFE-CARE Bench: A Benchmark Specification and Evaluation Protocol for Safety, Guardrails, and User Experience in Multi-Turn Healthcare AI Agent Conversations。
MURPHY 使用 1,500 条多语言和表情符号提示，审计推理服务器能否正确报告词元标识和概率记录。它把记录完整性与指令遵循分开评分，所以模型可以完成被要求的任务，同时它的诊断输出仍然是错的。任务成功，不被当作遥测数据正确的证据。 bytkim/MURPHY-BENCHMARK。
为什么要在意
批准一个医疗智能体，要看的是多轮对话里的延迟转交和安全与准确之间的取舍。对测量本身也该如此，系统报告的自身输出记录，需要有它自己的检查。
扫描范围
这是按关键词筛选的发现信息流，不能代表全部 AI 研究。归档简报使用了所收录 517 条证据中的 113 条。本文概述其中引用的发布成果；扫描发现日期不一定是成果的最初发布日期。
数据与简报：2026-10-31 归档快照。