01

重大發(fā)布（新模型/產(chǎn)品/開源）

①美團發(fā)布EvoCUA：開源計算機操作模型位列OSWorld第4名

美團近日于GitHub和Hugging Face上開源了全新的多模態(tài)大模型EvoCUA，并選擇OSWorld作為評測標(biāo)準。OSWorld是一個用于評估多模態(tài)智能體在真實計算機操作系統(tǒng)中執(zhí)行任務(wù)能力的基準測試，模型需要能夠像人類一樣通過觀看屏幕、控制鍵鼠等操作完成復(fù)雜任務(wù)。

經(jīng)測試，EvoCUA的任務(wù)完成率為56.7%，位列開源模型第1，總榜第4，超越了香港大學(xué)和月之暗面研發(fā)的OpenCUA-72B（+11.7%）和阿里研發(fā)的Qwen3-VL-Thinking（+15.1%）。

該模型僅需50步即可實現(xiàn)較高性能表現(xiàn)，且所用參數(shù)量更少、任務(wù)執(zhí)行效率更高。在適用場景上，該模型支持端到端自動化操作，僅憑屏幕截圖+自然語言指令即可流暢操控常用軟件，如Chrome、Excel、PPT和VSCode等主流軟件，進而完成多輪復(fù)雜任務(wù)。

根據(jù)項目介紹，該模型的創(chuàng)新點在于獨特的數(shù)據(jù)合成與訓(xùn)練范式，在保持通用多模態(tài)理解力的基礎(chǔ)之上強化了計算機使用能力。

短評：

這個模型的本質(zhì)就是Manus，說是模型，請傾向于多智能體應(yīng)用。

EvoCUA在參數(shù)更少、步數(shù)減半的情況下實現(xiàn)性能的顯著提升證明其訓(xùn)練方法是有效的，這是開源模型在自動化操作方向上前進的重要一步。

不過，56.7%的任務(wù)完成率仍然局限于“實驗室中的好用”，而非“用戶手里的好用”。

值得肯定的是，EvoCUA與占據(jù)榜單前三的Anthropic的claude-sonnet-4.5和字節(jié)跳動的Seed-1.8得分差距只在毫厘之間，盡管無法掌握場景定義，但也可以搶占一部分開源生態(tài)中“計算機使用”場景的話語權(quán)。

美團未必指望EvoCUA短期內(nèi)的商用，但該模型的開源能夠提升技術(shù)影響力，同時為集團內(nèi)部的辦公、運維等流程實現(xiàn)優(yōu)化，一舉兩得。

②Anthropic推出Claude for Healthcare，布局AI醫(yī)療行業(yè)

隨著OpenAI和阿里接連推出AI醫(yī)療領(lǐng)域相關(guān)產(chǎn)品，Anthropic也緊隨其后開始進行布局。1月12日，Anthropic正式推出Claude for Healthcare，并同步擴展Claude for Life Sciences的能力，AI醫(yī)療場景再添一巨頭。

Claude for Healthcare的客戶群體分為三類：醫(yī)療機構(gòu)、保險公司和患者，并提供HIPAA合規(guī)的AI套件，核心包括以下三點：

一是直連三大官方數(shù)據(jù)庫：CMS覆蓋政策庫、ICD-10編碼系統(tǒng)、國家醫(yī)療服務(wù)提供者標(biāo)識符注冊庫，支持醫(yī)保預(yù)授權(quán)審核、理賠申訴、編碼校驗等高價值任務(wù)；

二是新增Agent技能：FHIR（醫(yī)療信息交換國際標(biāo)準）開發(fā)支持（提升醫(yī)療系統(tǒng)互操作性）、預(yù)授權(quán)審查模板（可定制化對接機構(gòu)流程）；

三是個人健康數(shù)據(jù)整合：用戶可授權(quán)接入Apple Health、Android Health Connect、實驗室檢測報告等數(shù)據(jù)源，Claude可生成簡明解讀、識別健康趨勢，并協(xié)助準備問診問題。所有數(shù)據(jù)均不會用于模型訓(xùn)練，用戶全程具有控制權(quán)。

Claude 新增了對Medidata（臨床試驗平臺）、ClinicalTrials.gov、ChEMBL（藥物數(shù)據(jù)庫）、Open Targets、Owkin（病理圖像分析）等關(guān)鍵平臺的連接，并推出臨床試驗方案自動生成、監(jiān)管文件輔助撰寫、試驗進度監(jiān)控等新技能。

根據(jù)測試結(jié)果，Anthropic最新的產(chǎn)品 Claude Opus 4.5 在 MedAgentBench（斯坦福醫(yī)療智能體評測）和 MedCalc（醫(yī)學(xué)計算）等仿真任務(wù)中顯著領(lǐng)先，同時在“事實誠實性”評估中有效減少了幻覺，更貼近臨床可靠性要求。

短評：

OpenAI、Anthropic和阿里短期內(nèi)同時將目光放到AI醫(yī)療上，說明AI應(yīng)用的落地場景正在逐步明確。先是AI編程，后是AI醫(yī)療，從Chatbot到Agent的應(yīng)用范式已經(jīng)成功轉(zhuǎn)移。

相比先前推出AI醫(yī)療產(chǎn)品的OpenAI，Anthropic涉足的領(lǐng)域要更加深入，切入了多個高價值的工作流，但落地仍然高度依賴機構(gòu)IT系統(tǒng)集成，同時也面臨著責(zé)任邊界模糊等問題，風(fēng)險不容小覷。

02

技術(shù)進展（論文/SOTA/算法）

①Google新發(fā)現(xiàn)：重復(fù)輸入提示詞即可提升主流LLMs準確率

近日Google Research發(fā)表了一篇名為《Prompt Repetition Improves Non-Reasoning LLMs》的論文，篇幅雖然不長，卻揭示了一個出乎意料的現(xiàn)象：

只要將用戶輸入的提示詞（prompt）重復(fù)一次，就能在不啟用推理、不增加生成長度、不延長響應(yīng)時間的前提下顯著提升大模型在多項任務(wù)中的表現(xiàn)。

研究團隊將這一方法應(yīng)用在Gemini 2.0 Flash、Gemini 2.0 Flash Lite、GPT-4o-mini、GPT-4o、Claude 3 Haiku、Claude 3.7 Sonnet、Deepseek-V3共7款主流模型上進行了測試，覆蓋了7項基準測試。結(jié)果顯示：

1.在70組實驗中，重復(fù)輸入提示詞在47組測試中為模型帶來了正向提升，且并未導(dǎo)致性能下降；

2.在NameIndex等特定結(jié)構(gòu)的任務(wù)中，準確率從21%躍升至97%；

3.對于“選項前置”或“問題后置”的不利結(jié)構(gòu)，效果會更加明顯。

研究團隊認為，這一現(xiàn)象源自于模型在預(yù)填充（prefill）階段對上下文注意力的重新分配。重復(fù)輸入提示詞可以讓模型在token處理的早期階段獲得更強的語義錨定，從而減少因位置偏移導(dǎo)致的理解偏差。而當(dāng)模型被要求“逐步推理”時，內(nèi)部已經(jīng)隱式完成類似的信息強化，因此重復(fù)提示的效果將趨于中性。

簡單來說，大模型在生成答案前的準備階段只能從左到右看一遍輸入，不能回頭。如果問題和關(guān)鍵信息離得太遠，就可能導(dǎo)致“記不住”或者“理解錯誤”等問題。重復(fù)輸入提示詞可以讓大模型多看一遍題目，所有詞之間也能通過注意力機制“看到”彼此，從而減少詞序問題導(dǎo)致的誤判。不過，當(dāng)模型被要求“一步一步思考”時，用戶就可以在“思考部分”中看到大模型復(fù)述和整理問題的過程，手動重復(fù)提示也就用處不大了。

短評：

當(dāng)前的大模型對于提示詞的輸入順序依然高度敏感。這一簡單但高效的技巧巧妙地繞過了模型架構(gòu)的天然缺陷，將輸入轉(zhuǎn)變?yōu)槿�連接的語義網(wǎng)絡(luò)，人工修復(fù)了信息流的不對稱性，從向量的空間視角來看十分合理�；蛟S，不是沒人想過“多說一遍”，只是沒人把它當(dāng)作一個通用、可量化的技術(shù)手段來驗證。

不過，需要注意的是，該論文測試的模型如今看來已經(jīng)略顯過時，該技術(shù)能否在當(dāng)下最先進的模型上發(fā)揮作用有待考察。

03

 算力與基礎(chǔ)設(shè)施（芯片/云/數(shù)據(jù)中心）

①Google緊急下架部分醫(yī)療類AI Overviews

近日，英國《衛(wèi)報》在一項調(diào)查中發(fā)現(xiàn)，Google的AI Overviews（基于Gemini大模型生成結(jié)構(gòu)化答案的功能）在肝功能檢測等健康查詢功能中提供了缺少個體化參考范圍的誤導(dǎo)性數(shù)據(jù)。目前，谷歌已經(jīng)悄然移除相關(guān)關(guān)鍵詞的AI摘要功能。

根據(jù)《衛(wèi)報》的測試結(jié)果，當(dāng)用戶搜索肝功能檢查的正常范圍時，AI Overviews給出的數(shù)值是一個固定區(qū)間，但并未提示該范圍可能會因為年齡、性別、種族甚至檢測設(shè)備的差異而發(fā)生顯著變化。這種“一刀切”的回答可能導(dǎo)致患者誤判自身情況。

目前，有關(guān)“肝功能查詢”及類似的表述已經(jīng)不再觸發(fā)AI摘要，僅顯示相關(guān)搜索結(jié)果。谷歌隨后對此做出了回應(yīng)：其內(nèi)部臨床團隊在復(fù)核后認為該功能提供的“多數(shù)信息并非錯誤，且有高質(zhì)量網(wǎng)站支持”，表示會持續(xù)進行改進，但拒絕對下線該功能的行為進行評論。英國肝臟信托基金會表示：臨時關(guān)閉個別查詢只是“治標(biāo)不治本”，AI Overviews在醫(yī)療領(lǐng)域面對的問題仍然未能解決。

短評：

在缺乏嚴格的醫(yī)學(xué)知識圖譜、臨床審核流程和強大推理能力的前提下，將通用大模型直接用于健康信息的分發(fā)仍然存在重大的安全隱患。

Google的AI Overviews在2024年就給出過“用膠水往披薩上粘芝士”、“吃石頭補充營養(yǎng)”等幻覺度極高的離譜答案，如今隨著Google的影響力與日俱增，以“權(quán)威摘要”形式輸出健康建議所帶來的風(fēng)險也在激增。反觀OpenAI選擇聚焦日常健康陪伴而非診療場景，現(xiàn)階段AI醫(yī)療首先要做到的不是專業(yè)，而是避險。

       原文標(biāo)題 : 美團“多智能體模型”初露鋒芒，醫(yī)藥領(lǐng)域成為“大模型稅”重點征收區(qū)