医疗行业｜12个分类、18科目，110个大模型应用实测横评！

本期安排上了应用于医疗行业的大模型能力评测，涉及12大分类、18个科目。同时，医疗领域不同类型、不同级别、不同科目的评测，都在爆肝输出中，敬请期待。

一、评测结论：

百度系最新大模型得分第一！，腾讯系混元大模型排名第二，DeepSeek排名第七，和腾讯系模型是排名前10中唯二的开源模型。

二、评测维度：

针对医疗行业的各类考试的选择题进行评测，囊括12大分类，18个科目：外科、皮肤科、妇产科、耳鼻咽喉科、神经内科、儿科、麻醉科、小儿外科、眼科、临床病理科、超声科、康复医学科、骨科、内科、口腔科、医学影像科、全科医学科、精神科。

各科目完整评测题集及结果详见：https://github.com/jeinlee1991/chinese-llm-benchmark

三、评测方法：

结合以上医疗类目考试的选择题，分别让各个大模型进行回答，根据结果进行打分，并统计每个模型的答题准确率。

*评测综合得分排名（图）｜绿色（闭源），蓝色（开源）

完整评测题集及结果详见：https://github.com/jeinlee1991/chinese-llm-benchmark

*评测模型概况及排名汇总（表）

类别	大模型	医疗	排名
商用	ERNIE-4.5-8K-Preview(new)	91.70	1
商用	hunyuan-turbos-20250226(new)	88.20	2
商用	hunyuan-turbo	86.60	3
商用	Doubao-1.5-pro-32k-250115	86.10	4
开源	hunyuan-large	86.00	5
商用	hunyuan-turbos-20250313(new)	84.40	6
开源	DeepSeek-R1	82.60	7
商用	Doubao-1.5-lite-32k-250115	81.50	8
商用	qwen2.5-max	78.00	9
商用	xunfei-spark-max	77.50	10
商用	xunfei-4.0Ultra	76.90	11
开源	qwq-32b(new)	76.80	12
商用	qwq-plus-2025-03-05(new)	76.70	13
商用	hunyuan-standard	76.50	14
商用	360gpt-pro	75.60	15
商用	360gpt2-pro	75.60	16
商用	kimi-latest-8k	75.50	17
商用	qwen-plus	75.50	18
商用	xunfei-spark-pro	75.50	19
商用	qwen-long	75.40	20
商用	GLM-4-Plus	75.40	21
开源	qwq-32b-preview	74.40	22
开源	qwen2.5-72b-instruct	74.00	23
商用	gemini-2.0-pro-exp-02-05	73.10	24
商用	abab7-chat-preview	72.90	25
商用	qwen-turbo	72.70	26
开源	deepseek-chat-v3	72.40	27
商用	Baichuan4-Turbo	72.00	28
开源	Meta-Llama-3.1-405B-Instruct	71.50	29
商用	yi-lightning	71.40	30
开源	qwen2.5-32b-instruct	71.30	31
开源	MiniMax-Text-01	71.30	32
商用	SenseChat-5-beta	71.00	33
开源	DeepSeek-R1-Distill-Qwen-32B	69.70	34
商用	GLM-4-Air	68.60	35
商用	GLM-4-AirX	68.30	36
商用	SenseChat-5-1202	68.20	37
开源	qwen2.5-14b-instruct	68.20	38
商用	360zhinao2-o1	68.00	39
商用	gemini-2.0-flash-thinking-exp-01-21	67.60	40
商用	360gpt2-o1	67.60	41
商用	360gpt-turbo	67.50	42
商用	ERNIE-4.0	67.10	43
商用	gemini-2.0-flash-001	66.80	44
商用	gemini-2.0-flash-exp	66.70	45
商用	GLM-4-Long	66.60	46
商用	GLM-4-Flash	66.30	47
开源	internlm2_5-20b-chat	66.00	48
商用	ERNIE-3.5-8K	65.50	49
商用	GLM-Zero-Preview	65.40	50
开源	internlm2_5-7b-chat	65.00	51
开源	qwen2.5-7b-instruct	64.80	52
商用	chatgpt-4o-latest	64.30	53
商用	ERNIE-4.0-Turbo-8K	64.20	54
开源	Llama-3.1-Nemotron-70B-Instruct-fp8	64.00	55
开源	DeepSeek-R1-Distill-Qwen-14B	63.70	56
开源	Llama-3.3-70B-Instruct	63.10	57
开源	Llama-3.3-70B-Instruct-fp8	63.10	58
商用	gemini-1.5-pro	61.80	59
商用	SenseChat-Turbo-1202	61.80	60
商用	step-2-mini(new)	60.90	61
商用	Claude-3.5-Sonnet	60.80	62
商用	ERNIE-Speed-8K	59.30	63
商用	step-1-8k	59.00	64
开源	DeepSeek-R1-Distill-Llama-70B	58.80	65
商用	moonshot-v1-8k	58.70	66
商用	GLM-4-FlashX	57.70	67
商用	Baichuan4-Air	57.60	68
开源	glm-4-9b-chat	57.30	69
开源	Hermes-3-Llama-3.1-405B	56.90	70
商用	Baichuan4	54.80	71
商用	abab6.5s-chat	54.70	72
商用	o1-mini	54.60	73
商用	o3-mini	54.40	74
商用	mistral-large	54.30	75
商用	gemini-1.5-flash	53.40	76
商用	ERNIE-Speed-Pro-128K	52.90	77
商用	gpt-4o-mini-2024-07-18	52.80	78
商用	ERNIE-Lite-Pro-128K	51.90	79
商用	step-1-flash	51.40	80
开源	qwen2.5-3b-instruct	50.50	81
开源	gemma-3-27b-it(new)	50.10	82
商用	ERNIE-Lite-8K	49.80	83
商用	mistral-small	48.50	84
开源	Mistral-Small-24B-Instruct-2501(new)	47.10	85
开源	phi-4	45.50	86
开源	gemma-3-12b-it(new)	45.10	87
开源	gemma-2-27b-it	44.90	88
开源	qwen2.5-1.5b-instruct	44.50	89
开源	Llama-3.1-8B-Instruct	43.40	90
开源	gemma-2-9b-it	42.30	91
商用	xunfei-spark-lite(new)	42.00	92
商用	gemini-1.5-flash-8b	42.00	93
开源	Meta-Llama-3.1-8B-Instruct-fp8	41.80	94
开源	Llama-3.2-3B-Instruct	38.20	95
开源	Mistral-Nemo-Instruct-2407	36.60	96
商用	ministral-8b	33.70	97
开源	gemma-3-4b-it(new)	33.20	98
开源	DeepSeek-R1-Distill-Llama-8B	31.90	99
开源	qwen2.5-0.5b-instruct	30.50	100
开源	DeepSeek-R1-Distill-Qwen-7B	30.50	101
商用	ministral-3b	29.10	102
开源	Mistral-7B-Instruct-v0.3	28.70	103
开源	Llama-3.2-1B-Instruct	26.60	104
商用	ERNIE-Tiny-8K	26.40	105
开源	DeepSeek-R1-Distill-Qwen-1.5B	25.10	106
开源	gemma-3-1b-it(new)	24.40	107
开源	qwen2.5-math-72b-instruct	/	108
开源	Yi-1.5-34B-Chat	/	109
开源	Yi-1.5-9B-Chat	/	110

完整评测题集及结果详见：https://github.com/jeinlee1991/chinese-llm-benchmark

---

大模型评测EasyLLM，目前已就DeepSeek和各个大模型的不同能力维度进行了综合评测（详情可回顾以下链接👇），接下来还会针对大模型当律师、医生、老师等各个岗位角色进行测评，看看谁是各个垂直领域的最强打工人！宝子们看好哪个大模型可以在哪些岗位胜任最强牛马？或者想评测大模型的哪方面能力？评论区留言，有求必测，一一公布结果！有评测样本、有图有真相！

  往期文章  

Llama/Qwen/DeepSeek开源之争——CLiB开源大模型排行榜03.04

那些免费的大模型API效果到底好不好？——CLiB大模型排行榜

参数量5B以下端侧大模型03.13——CLiB大模型排行榜

DeepSeek｜到底强在哪？这个评测一目了然！

---

  关于大模型评测EasyLLM  

1. 最全——全球最全大模型产品评测平台，已囊括203个大模型

2. 最新——月更各个大模型各项能力指标评测，输出排行榜

3. 最方便——无需注册/梯子，国内外各个大模型可一键评测

4. 结果可见——所有大模型评测的方法、题集、过程、得分结果，可见可追溯！

大模型评测EasyLLM目前已囊括187个大模型，覆盖chatgpt、gpt-4o、o3-mini、谷歌gemini、Claude3.5、智谱GLM-Zero、文心一言、qwen-max、百川、讯飞星火、商汤senseChat、minimax等商用模型， 以及DeepSeek-R1、deepseek-v3、qwen2.5、llama3.3、phi-4、glm4、书生internLM2.5等开源大模型。不仅提供能力评分排行榜，也提供所有模型的原始输出结果！

完整评测题集及结果详见：https://github.com/jeinlee1991/chinese-llm-benchmark

---