MedCUA-Bench：面向临床计算机使用智能体的纯截图基准测试

MedCUA-Bench 覆盖 10 个医疗领域的 18 种临床场景，通过确定性检查器评估 23 个智能体。 最佳闭源模型严格成功率仅 54.2%，在真实 OpenEMR 上全模型低于 9%，开源智能体平均仅 2.5%。 该基准揭示了当前智能体在临床软件可靠性上的缺口，为未来研究提供可复现测试床。