临床技术，实测检验

AI 医疗记录员，放在显微镜下审视。

我们用同样的录音问诊测试 AI 医疗记录员。了解它们在转录、临床病历和速度上的比较结果，再深入查看这些数字背后的病例。

每场问诊都有一份事实清单，列出问诊中所说的、与患者病情、症状或体征相关的每一项事实，这正是 Weiner 等（2020）审核医生病历时采用的标准。这些清单在任何病历评分之前，由 AI 仅根据每份参考转录稿起草，每项事实都引用了其出处的原句。

已测试 6 款记录员Hanah GPT-6.1 Sol 本地预览 · 2026 年 10 月 11 日测试方法 Heidi 评测视频

本地预览——Hanah 病历于 2026 年 10 月 11 日使用 GPT-6.1 Sol（低推理强度）重新生成：10 场问诊共 50 份病历，每场使用五个已存储的转录稿版本。另有两场问诊尚待生成新的 Hanah 病历。WER 和转录相关证据保留原始采集日期；其他记录员保留现有结果。新病历由 Sonnet 5.5（中等推理强度）进行盲评，随后进行非盲的智能体审核；结果为暂定，未经独立临床医生验证。Hanah 的用时为估算值：按指令生成病历的等待时间采用实测的 API 生成时长加 2 秒就绪余量；病历定稿用时在此基础上加上估算的审阅和修正时间。两者均不含转录定稿和应用开销，有待实际重新运行。

基准测试 · 2026年9月22日

AI 医疗记录员与医生亲自撰写病历的对比

6 款记录员，12 场问诊， Hanah 病历预览基于 10 个病例；其他结果保留原始日期。医生一栏的数据来自已发表的研究，并非我们的评分。

左右滑动或滚动表格，查看所有记录员 →

医生亲自撰写的病历与各款 AI 医疗记录员的核心指标。
指标	医生亲自撰写的病历（已发表研究）*	Hanah	Heidi	CliniScripts	Lyrebird	Freed	PatientNotes
审阅之前，有关病情、症状或体征的遗漏、部分记录或虚构的事实（Weiner 等）。越低越好。
以医生亲自撰写所需时间（100%）的比例表示。越低越好。
修正病历所需的工作量，以亲自撰写病历工作量的比例表示。越低越好。
没有遗漏、部分记录或虚构事实的病历。越高越好。

^* 医生亲自撰写的病历（已发表研究）: 已发表的数据，并非我们的评分。错误：Weiner 等 2020，将 105 份医生病历与就诊的秘密录音进行比较：按其标准每份病历 5.0 个错误（任何有关病情、症状或体征的错误；我们的计数方式相同），1.72 项记录了但并未发生的内容（即幻觉标记一行），错误总计 6.1 个，仅 10% 的病历没有错误；每轮数据为每份病历数值 × 12。用时：Apathy 等 2023，203,728 名门诊医生每次就诊主动撰写病历时间的中位数为 8.1 分钟。编辑工作量按定义为 100%：由医生撰写整份病历。这并非同等条件下的比较，且对医生有利：我们的清单计入每一项相关事实以及部分记录，比 Weiner 等更严格；按我们的方法评分，六份医生病历每份有 26 个错误。同等条件的基线需要由临床医生为我们自己的问诊撰写病历，并与记录员一起接受盲评；我们尚未进行这项工作。

全部指标 · 2026年9月22日

6 款 AI 医疗记录员，12 场问诊

病历经盲评，新的 Hanah 结果另附暂定的智能体审核。每个数字均为各轮平均值；点击任一单元格可查看每一轮的结果。

左右滑动或滚动表格，查看所有记录员 →

各款记录员在所有轮次中的平均结果。除临床覆盖率外，均为越低越好。点击单元格可打开逐轮分布。
指标	医生亲自撰写的病历（已发表研究）*	Hanah 1	Heidi	CliniScripts 2	Lyrebird 3	Freed 4	PatientNotes
从按下停止到生成被评分病历的等待时间，加上审阅时间：即如果立即审阅，病历需要多久才能定稿。	8分6秒
完整记录了该问诊事实清单中每一项事实、且没有幻觉标记，因而无需任何编辑的病历所占比例。	10%
0% 表示无需编辑；100% 表示亲自撰写整份病历。各项修正按所需工作量加权：部分记录的事实计 1，遗漏的事实计 2，幻觉标记计 3，事实记录错误再加 2。	100%
临床医生校对并修正一份病历的估算用时（阅读速度 190 wpm；每个遗漏或部分记录的事实，回忆用时 5 s，并以 40 wpm 输入；每个幻觉标记核实并删除用时 12 s，包括重新输入之前的错误事实）。	—
在所有病例和轮次中，审阅和修正耗时最长的单份病历。	—
亲自撰写病历所需的时间（8.1 min，即 Apathy 等 2023 的中位数）减去审阅时间。	—
审阅并修正一份病历比亲自撰写（8.1 min，即 Apathy 等 2023 的中位数）快多少。负值表示更慢。	—
对照一份清单（列出问诊中所说的、与患者病情、症状或体征相关的每一项事实，Weiner 等 2020），病历遗漏或仅部分记录的相关事实，加上每一个幻觉标记（与 Weiner 等相同，错误的细节计两次）。12 个病例中每轮的总数。单纯计数见“幻觉标记”。	60.0
每 100 份病历的病历错误（Weiner 等标准）乘以 70%：在 Biro 等（2025）的研究中，全科医生审阅 AI 草稿时，每个预埋错误有 65–75% 的情况未被纠正。这是对一次典型审阅会放过多少错误的估算，覆盖 12 个病例。	500
与 Weiner 等（2020）对照就诊录音核查医生病历时发现的每份病历 5.0 个错误相比。我们的测试计数比他们更严格，因此这一比较对医生有利。100% 表示没有错误；低于 0% 表示错误多于医生。覆盖 11 个病例。	0%
病历中记录了、但问诊内容并不支持的每一个临床要素，包括错误的数值、侧别、剂量和时间：即 Weiner 等（2020）所说的作为性错误。对所说内容的转述以及相应的临床术语不计入。12 个病例中每份病历的平均值。	1.72
每份病历中临床医生需要修正的遗漏项、部分记录项和幻觉标记。	6.06
病历记录下的内容占各场问诊事实清单的比例（部分记录计为一半）。	—
改变临床含义的听错词语，经盲评判定，覆盖 12 个病例。	—
每轮对照人工参考转录稿计算的合并词错误率。每个词同等计数，包括语气词。	—
每轮中，从按下停止到按我们的指令写成病历所需时间的中位数。	—
每轮中每次问诊的平均网络数据量。	—
在一场连续 50 分钟的压力测试问诊中每分钟采样一次的物理内存占用（macOS `footprint`，与“活动监视器”的“内存”列一致）——独立于上方的 12 病例测试集。所有记录员在同一台机器上同时录制这次就诊，因此绝对值反映的是它们之间对共享资源的争用，而非单独运行时的实际使用情况。此处请在记录员之间相互比较，而不要与设备的规格表比较。	—
在同一场连续 50 分钟压力测试问诊中每分钟的 CPU 使用量，计算方式为累计消耗的 CPU 秒数除以实际经过的时间（记录员使用多个核心时可超过 100%）。所有记录员在同一台机器上同时运行。	—

^* 医生亲自撰写的病历（已发表研究）: 已发表的数据，并非我们的评分。错误：Weiner 等 2020，将 105 份医生病历与就诊的秘密录音进行比较：按其标准每份病历 5.0 个错误（任何有关病情、症状或体征的错误；我们的计数方式相同），1.72 项记录了但并未发生的内容（即幻觉标记一行），错误总计 6.1 个，仅 10% 的病历没有错误；每轮数据为每份病历数值 × 12。用时：Apathy 等 2023，203,728 名门诊医生每次就诊主动撰写病历时间的中位数为 8.1 分钟。编辑工作量按定义为 100%：由医生撰写整份病历。这并非同等条件下的比较，且对医生有利：我们的清单计入每一项相关事实以及部分记录，比 Weiner 等更严格；按我们的方法评分，六份医生病历每份有 26 个错误。同等条件的基线需要由临床医生为我们自己的问诊撰写病历，并与记录员一起接受盲评；我们尚未进行这项工作。
本地预览——Hanah 病历于 2026 年 10 月 11 日使用 GPT-6.1 Sol（低推理强度）重新生成：10 场问诊共 50 份病历，每场使用五个已存储的转录稿版本。另有两场问诊尚待生成新的 Hanah 病历。WER 和转录相关证据保留原始采集日期；其他记录员保留现有结果。新病历由 Sonnet 5.5（中等推理强度）进行盲评，随后进行非盲的智能体审核；结果为暂定，未经独立临床医生验证。Hanah 的用时为估算值：按指令生成病历的等待时间采用实测的 API 生成时长加 2 秒就绪余量；病历定稿用时在此基础上加上估算的审阅和修正时间。两者均不含转录定稿和应用开销，有待实际重新运行。
本地预览——Hanah 病历于 2026 年 10 月 11 日使用 GPT-6.1 Sol（低推理强度）重新生成：10 场问诊共 50 份病历，每场使用五个已存储的转录稿版本。另有两场问诊尚待生成新的 Hanah 病历。WER 和转录相关证据保留原始采集日期；其他记录员保留现有结果。新病历由 Sonnet 5.5（中等推理强度）进行盲评，随后进行非盲的智能体审核；结果为暂定，未经独立临床医生验证。Hanah 的停止至病历用时和定稿用时暂缺，有待实际重新运行。
有一份病历计为产品故障：PatientNotes 第 2 轮的 day5。
平均内存和平均 CPU 来自一项单独的压力测试——一场连续 50 分钟的肌肉治疗问诊，所有记录员在同一台机器上同时录制——而非来自上方的 12 病例测试集；绝对值反映了这种对共享资源的争用。
多轮重复运行中的平台稳定性（仅供参考，不参与排名）：采集心力衰竭和 TIA 问诊时，Lyrebird 尝试了 17 次才获得 10 个可用轮次。其中七次失败出在 Lyrebird 一方：一次病历生成错误，提示“网络不佳”，而其他五款记录员在同一网络连接下均生成了病历；一次服务器连接被关闭；四次加载在 30 秒内无法使用；还有一份病历在 Subjective 部分中途停止，却显示为已完成。这些采集均已重新进行。在这些问诊中，其他记录员均未出现应用端故障。
¹ Hanah: 本地预览——Hanah 病历于 2026 年 10 月 11 日使用 GPT-6.1 Sol（低推理强度）重新生成：10 场问诊共 50 份病历，每场使用五个已存储的转录稿版本。另有两场问诊尚待生成新的 Hanah 病历。WER 和转录相关证据保留原始采集日期；其他记录员保留现有结果。新病历由 Sonnet 5.5（中等推理强度）进行盲评，随后进行非盲的智能体审核；结果为暂定，未经独立临床医生验证。Hanah 的用时为估算值：按指令生成病历的等待时间采用实测的 API 生成时长加 2 秒就绪余量；病历定稿用时在此基础上加上估算的审阅和修正时间。两者均不含转录定稿和应用开销，有待实际重新运行。。
² CliniScripts: 病历按默认模板评分。
³ Lyrebird: 11 个病例（不含法语）。
⁴ Freed: 病历按默认模板评分。

下载全部数据：一个 JSON 文件，包含每一轮的评分、转录稿、病历和评审团理由；或每一轮评分的 CSV 文件。

再深入一层

按临床病例查看结果

查看汇总结果 →

每场问诊都在所有已评分轮次中，用同一段音频比较各款记录员。打开任一问诊，即可阅读每一轮的转录稿和病历，所有错误均已标出。

英语问诊

六项英语问诊测试。

特定语言问诊

单独比较，排除不支持的功能配置，并结合翻译情况解读结果。

印地语问诊6 款记录员 · 每款 5 轮 · 审阅最快：Hanah，45秒 法英双语问诊5 款记录员 · 每款 5 轮 · 审阅最快：Hanah，1分8秒

医生口述

以根据出版方答案构建的逐字参考转录稿为评分依据。口述中的语音指令不计分。

疼痛管理口述6 款记录员 · 每款 5 轮 · 审阅最快：Hanah，34秒

长时会话压力测试

一段 50 分钟、带背景干扰的合成测试素材。计入总体结果。

50 分钟压力测试6 款记录员 · 每款 5 轮 · 审阅最快：Hanah，1分30秒

AI 医疗记录员， 放在显微镜下审视。