MAGIC：评估生成式AI在全球健康领域应用的国际网络

近两年，大语言模型在医疗领域的能力快速提升——临床语言模型 GatorTron 已在超过 900 亿词料上完成训练 ^[2]，Med-PaLM 2 在 MedQA 数据集上达到 86.5% 的正确率 ^[6]，通用模型 ChatGPT 也在多种临床场景中展现潜力 ^[1]。与此同时，模型的脆弱性也日益暴露：商业大模型在八种临床情景中反复复述基于种族的错误医学观念 ^[3]，提示仅有考试分数远不足以衡量临床可用性。为补齐评估环节，研究者已构建多种框架，例如涵盖五类临床任务、22 个子类别、121 项具体任务和 37 项评测的 MedHELM ^[4]，以及关注人评质量的 QUEST 框架 ^[5]；OpenAI 发布的 HealthBench 包含 5000 段多轮合成临床对话，据报道于 2025 年 5 月上线 ^[7][8]。

正是在评估需求迅速扩张、但标准仍显分散的背景下，MAGIC 网络应运而生——这是一个面向生成式人工智能在医疗健康领域评估的国际合作，由新加坡杜克—新加坡医学研究院等多机构共同牵头，作者覆盖亚、非、欧、北美、南美数十国研究者，既包括加纳、乌干达、巴基斯坦、越南等中低收入国家机构，也涵盖 WHO、国际电信联盟等国际组织代表。据其官网描述，MAGIC 旨在建立具有全球代表性的基准和统一的报告标准 ^[9]。

相较于主要由斯坦福等机构开发的 MedHELM ^[4] 和由 OpenAI 主导的 HealthBench ^[7][8]，MAGIC 把"全球代表性"明确写入网络目标——把评估场景从单中心、单一语言环境推进到跨地域、跨收入水平的多样化人群。这一布局有望缓解现有基准难以直接互比的状况，为监管者与临床机构的跨模型、跨地区比较提供更一致的参照。

不过，新论文材料中并未给出 MAGIC 将覆盖哪些具体任务、采用何种评分机制或时间表，其与 MedHELM、HealthBench 等既有基准将如何分工或互通也尚不清晰；如何在数据稀缺、隐私约束严苛的中低收入国家真正落地"全球代表性"评估，仍是网络后续需要回答的核心问题。