一份结构楼板出现贯穿裂缝，摆在工地技术负责人面前的是一串选择：先看浇筑记录，还是先看同批试块强度；要不要马上请第三方来测；要不要先停工。每一步都有价——检测费、停工损失、人员工时——而最贵的那一步往往不是钱，是判断错了之后的返工。难的地方在于，没人规定过“先查哪一步”，也没有人回过头算过这次排查到底花了多少。
微软 10 月 22 日发表在《科学》上的顺序诊断工作，把这道难题搬到了台面上：它替医学诊断建了一套基准，要求诊断者每次只能申请一项信息，同时给每一步记价，最后既判结果对不对，也判这条路径值不值。
一次给全的考题，测不出会不会问问题
医学 AI 长期用执业资格考试式的基准评分：题目把主诉、体征、化验一次给全，模型选一个答案。这类基准能测知识，测不出判断过程。真实的门诊是从一段主诉开始的，医生决定问什么、开什么检查，再据新结果修正判断，什么时候该收手本身就是一个决策。
SDBench 的做法是把静态病例改成交互式流程。它取 304 例《新英格兰医学杂志》临床病理讨论病例和 325 例急诊入院病例，每例先给一小段病情摘要，诊断者（人或系统）每次只能申请一项信息——问一个病史问题、做一项查体、开一项检查——直到提交诊断。评分同时算两笔账：诊断与标准答案的差距，以及这段路累计花了多少钱。
这个结构对任何“从现象找原因”的工作都成立。它的价值不在医疗，而在于它承认了一件事：排查不是一次回答，是一串有先后顺序、有代价的选择。
三个设计，缺一个就会走样
拆开看，SDBench 里有三处设计值得单独记住。一处是 Gatekeeper。它负责核对每一次信息请求与原始病历：如果这项发现病例里根本没记录，它不会回一句“无记录”，而是生成一份诊断中性的合成结果，让诊断者既拿不到线索也排除不掉可能。这一条把“查不到”和“排除了”彻底分开。现实工作中最常见的错误恰恰相反——资料没找到，就在结论里默认这项没问题。
一处是 Judge。它用医生撰写的五档评分卡判定提交的诊断，只有 4 分和 5 分算对，理由是这两档对应的治疗方案不会因此改变。换句话说，判定的标准不是“名称对不对”，而是“会不会改变下一步动作”。这比常见的字符串比对贴切得多。
第三处是成本账。检查按 CPT 编码估算，价格取自一家医院的公开标准收费文件，问诊和查体折成一笔固定就诊费。于是“多问一句”和“多开一项”在账上都能被看见，系统得以在每一步权衡这项检查大概能带来多少信息、值不值这个价。
微软的系统 MAI-DxO 在这个基准上拿到 83.2%（复杂病例），对照的全科医生带参考资源 36.1%、不带 22.3%；急诊那批 80.3% 对 46.8%。有意思的是预算那一列：把成本收紧后，准确率从 83.2% 掉到 79.6%，花的钱从 5431 美元掉到 1303 美元。这个取舍能被摆到桌面上谈，前提就是每一步都记了价。
还有一个反直觉的细节：医生平均问 5.6 个问题就开第一项检查，而 MAI-DxO 配 GPT-5 平均问 25.5 个。它把便宜的问诊用到很足，把贵的检查尽量往后推。这套动作老手本来就懂，只是过去没有系统把它固化下来，也没有人给它标价。
限制要说清楚：对照方是单独工作的全科与内科医生，不是专科医生也不是会诊团队，作者自己写了换成专家差距会缩小；成本是模拟估算不是实际支出；15 位作者全部来自微软；微软表示真实部署仍需临床测试，几个月内会在波士顿一家医院开始试。
另一把尺：复核了，不等于改对了
同一天，Sierra 发布 τ-Entity，测的是一件更小的事：语音智能体能不能把姓名、电话、地址这类细节记对。两百个任务、十类实体，评分要求常规、噪声、重语音三种条件全部通过才计成功。榜上领先者在常规条件下记对 60.3%，三种条件全过只剩 34.0%；换成英语单语种是 74.0% 和 47.5%。
配套的 τ-Elicitation 研究给了两个能直接搬走的数字。一是给智能体一套规定动作（先问、再请对方拼写或自己复述、确认并纠正、最后提交），三种条件全过的成功率从 14%—41% 抬到 37%—54%，代价是每通电话多花 21 至 28 秒——复核有明确的价格，值得付。二是不那么舒服：已经复核过的初始错误里，最终真正改对的只有 24% 到 37%。复核这个动作本身，并不等于纠正。
还有一个算术值得记：一通需要采集三个字段的电话，即便每个字段准确率都有 75%，整通成功的概率只有约 53%；逐字段校验并允许重试，能把多字段成功率从 64% 提到 82%。环节一多，单点准确率的短板会被放大成整体失败。
移到工地上，先改三件事
施工企业的质量排查和安全隐患整改，和顺序诊断的结构几乎是同构的：从现象出发、资料分散、每一步都要花钱和时间、最后要有人签字担责。可以改的三处很具体。
一处是把排查路径写成带单价的选项清单。某一类裂缝对应的可查项——配合比记录、浇筑日志、养护记录、同批试块报告、第三方检测、局部剔凿验证——每一项标上大约的工时和外部费用，让每次排查都留下“问了什么、花了多少”。这件事做完，“为什么一上来就叫第三方”这个问题就有了数据可谈。
一处是给“查不到”一个正式状态。资料缺失时，结论里应当出现的是“待补”，而不是被当作“此项无问题”。Gatekeeper 那条规则可以直接搬：缺失既不提供线索，也不提供排除的理由。这需要改的只是一张表的字段，但它决定了后续复核的人会不会被前一次的沉默误导。
第三处是把复核和纠正分成两个字段。整改单上“已复核”打勾，不等于问题已经消除；τ-Entity 给出的比例提醒我们，复核通过的环节里仍可能有六成以上的错误留在原处。分开记录之后，季度回看时才能分清是复核能力不足，还是纠正能力不足。
有两个小规模的试法。一是挑三十份已经结案的退审或整改单，按“当时该怎么问”重排一遍顺序，看看有多少项检查其实可以先用台账排除掉——这类复盘不需要新系统，一个下午就能做完。二是给新开的隐患整改单加一个“依据”字段，写清这条结论引自哪一份记录、缺失时填“待补”，跑三个月后统计“待补”的比例和后续补回率——这个比例本身就是资料治理水平的指标。
诊断这件事被拆成一串要报价的提问之后，专业能力的位置也变了：不再是谁记的检查项目多，而是谁更清楚在信息不足时先迈哪一步最划算。
什么情况下先别上
这套做法有一个不显眼的前提：问题得有一个可枚举的检查项集合和一个大致确定的答案。病例满足这个条件——诊断对不对，事后能对着标准答案判。工地上的问题常常不满足：一道裂缝的成因可能同时涉及材料、工艺和养护，判定结论往往依赖现场经验，且事后未必能盖棺定论。
所以更现实的顺序是先挑一类窄问题试：单一分项的验收资料是否齐全且互证、某一类整改单的闭环是否真实。这类问题的检查项能列完，判据能写死，判定错了也能在下一轮被发现。等这类问题跑顺了，再往需要综合判断的方向扩。Anthropic 在同一天给出的企业与多智能体架构建议可以当作对照——他们发现带技能的单循环在许多部署上质量更高、成本更低，反对按组织架构去拆智能体。拆成多步还是合成一步不取决于信仰，取决于这一步之间要不要互相纠错：要纠错就拆，要连贯就合。
来源与说明
[1]: Building Medical Superintelligence —— Microsoft AI / 2026-10-22 (https://microsoft.ai/news/building-medical-superintelligence/) [2]: Microsoft Diagnostic AI Outperforms Generalist Physicians in Science Study —— Unite.AI / 2026-10-22 (https://www.unite.ai/microsoft-diagnostic-ai-outperforms-generalist-physicians-in-science-study/) [3]: Microsoft Says Its New AI Is More Than Twice as Good at Diagnosing Diseases as Doctors —— Web Pulse / 2026-10-22 (https://wpnews.pro/news/microsoft-says-its-new-ai-is-more-than-twice-as-good-at-diagnosing-diseases-as) [4]: Microsoft’s AI got 83% of medicine’s hardest cases right in a Science study —— madrobot.blog / 2026-10-22 (https://madrobot.blog/2026/10/22/microsoft-mai-dxo-ai-diagnosis-beats-doctors-science-study-medical-superintelligence) [5]: 𝜏-Entity: Can voice agents get the details right? —— Sierra / 2026-10-22 (https://sierra.ai/blog/tau-entity-can-voice-agents-get-the-details-right) [6]: Sierra’s τ-Entity Test: Voice Agents Take a Phone Number, Only a Third Survive All Conditions —— AI工具导航 / 2026-10-22 (https://toolnavs.com/article/2791-sierras-%CF%84-entity-test-voice-agents-take-a-phone-number-only-a-third-survive-all) [7]: Medical Superintelligence: Microsoft’s AI doctor test —— Superintelligence News / 2026-10-22 (https://superintelligencenews.com/applications/medical-superintelligence-microsoft-ai-doctor-test) [8]: Rethinking How AI is Built and Tested（SDBench 开源说明） —— Microsoft AI / 2026-10-22 (https://microsoft.ai/news/building-medical-superintelligence/)