AI 時代的四位醫師：OpenEvidence 發布 Osler、Sackett、Snow 模型——卻把 Darwin 鎖在門後

2026 年 9 月 3 日，醫療 AI 公司 OpenEvidence 做了一件在當前「越大越快越好」的前沿模型競賽中相當罕見的事：發布了一整個模型家族，卻刻意把最強的那一個鎖在門後。

該公司推出四個以醫學史巨人命名的模型——Osler、Sackett、Snow 與 Darwin。其中三個（Osler、Sackett、Snow）已向所有 OpenEvidence 用戶推出，對通過驗證的臨床醫師完全免費、不限用量。第四個 Darwin 則處於研究預覽階段，僅開放申請使用。OpenEvidence 給出的理由是「雙用風險」（dual-use risk）：一個能在病毒學、免疫學與人類遺傳學前沿水準進行推理的模型，若落入不當之人手中，可能加速受到嚴格管制的研究——例如與生物武器相關的工作，以及主流科學監督之外的生殖系編輯。

對 AI 產業而言，這是一個值得注意的時刻，而不只是醫療圈的新闻。在多數實驗室競相擴大開放與可用性的此刻，OpenEvidence 等於公開宣稱：我們最好的模型，好到不能發給所有人。

模型家族：速度、深度，與有含義的名字

三個正式量產模型並非以「智力」區分，而是以思考時間與搜尋深度區分：

• Osler（每題約 5 秒）：先前驅動 OpenEvidence 問答的模型之後繼者，將成為平台的預設模型。
• Sackett（每題約 30 秒）：定位為更深入的搜尋模型，專為證據權重至關重要的問題而設計。
• Snow（每題約 5 分鐘）：該公司 Deep Consult 功能的後繼者，會先對醫學文獻進行完整調查，再產出報告。

這些名字本身就是一堂醫學史課。William Osler 把醫學教育從講堂帶到病床邊；David Sackett 被尊為實證醫學之父；John Snow 則在 1854 年把布羅德街霍亂疫情追溯到單一水泵，奠定了現代流行病學的基礎。每個名字都對應模型的功能：在照護現場快速回答（Osler）、嚴謹權衡證據（Sackett）、或執行流行病學式的深度調查（Snow）。

整個模型家族已可在 openevidence.com 與該公司的 iOS、Android 應用程式上使用，臨床醫師可透過介面中的模型選擇器，依當下情境挑選合適的工具。OpenEvidence 強調，家族中每個模型都維持相同的臨床準確性標準；差別只在運算時間與搜尋深度。

Darwin：MedQA 滿分，卻被限制發布

最亮眼的數字屬於 Darwin。OpenEvidence 將其描述為全球最先進的醫療 AI 模型，並表示它是第一個在 MedQA——該公司稱之為最權威的完全獨立醫療 AI 基準——上獲得滿分的 AI 模型。

在其他基準上，Darwin 據報在 MedXpertQA 拿下 72.8%、HealthBench Professional 82.7%、NOHARM 87.2%，皆為當前最佳，領先 OpenEvidence 點名的次佳模型：Anthropic 的 Claude Fable 5 與 Google 的 Gemini 3.7。

其評測方法學罕見地透明。在 MedQA 上，OpenEvidence 先由醫師對基準的 1,273 題測試集重新標註，剔除缺漏資訊、語意模糊與標籤錯誤的題目，並在 2026 年 8 月由三位 OpenEvidence 醫師進行第二輪審查，逐一檢視所有受測模型答錯的題目。最終得到 660 題的評測集——Darwin 全數答對，零錯誤。該公司並公開其標註資料與 Darwin 在全部四個基準上的完整作答內容。

基線模型的跑分設定為：claude-fable-5（自適應思考）、gpt-5.6-sol（預設推理強度）、gemini-3.7-flash（預設推理強度），一律使用各供應商的 API 預設值，不附加工具或自訂系統提示詞。Darwin 的 MedXpertQA 分數比最強基線高出 7.7 分；HealthBench Professional 分數比次佳模型高 12.1 分；NOHARM 的嚴重度加權 F1 達到 0.872，最接近的基線為 0.740。

也有一個誠實的瑕疵：Darwin 在 NOHARM 上的未加權精確率低於數個基線。該公司解釋，該指標把每一梞不在評分規則中的建議都算為偽陽性，而 Darwin 刻意調校為提供醫師完整的相關選項，而非最小化的安全子集。其嚴重度加權精確率為 0.9。

雙用風險的抉擇

這次發布中最關鍵的部分，或許是那個「沒有發布」的模型。Darwin 的存取名單涵蓋機構合作夥伴（如帶來最困難病例的國家罕病組織 NORD）、研究合作者，以及在學術機構評測臨床 AI 準確性與安全性的合格 AI 研究人員。其餘人等都必須提出申請。

其理由是：在病毒學、免疫學與人類遺傳學前沿等級的推理能力，正是需要先治理、再開放的能力類型。OpenEvidence 表示，隨著 safeguards 在這些合作夥伴身上逐步驗證，Darwin 的能力會向下流入 Osler、Sackett 與 Snow——這種分階段釋出的模式，呼應了前沿實驗室在安全計畫中討論過、卻極少針對特定領域模型如此明確落實的「能力閘門」部署框架。

背景脈絡很重要。GPT-5.6、Claude Fable 5、Gemini 3.7 這類通用前沿模型都能透過一般 API 取得，其生物推理能力正持續受到研究人員與監管機構的生物安全審視。OpenEvidence 為其領域專屬的前沿模型選擇了相反的預設值：先證明安全再開放，而不是先開放再證明危險。

為什麼這對醫療很重要

OpenEvidence 已在美國臨床醫師之間建立實質立足點。該平台以引文驅動的答案在照護現場被廣泛使用，公司並持續深化專科佈局——尤其是腫瘤科決策支援，已為癌症照護建立精準知識庫。

新的模型家族是一場豪賭：臨床醫師要的不是一個模型，而是每個當下「對的」模型——診間空檔快速查藥物交互作用用 Osler、文獻需要仔細權衡的診斷難題用 Sackett、需要完整文獻調查的轉診報告用 Snow。接下來將推出專科版本，從腫瘤科、放射科與臨床遺傳學開始。

對整體 AI 產業而言，這次發布是一個未竟辯論的數據點：一個實驗室能否既站在前沿、又刻意自我設限？OpenEvidence 宣稱可以——一方面公開全部基準作答與標註供外界檢視，一方面把模型本身關在門內。Darwin 的安全防護能否驗證得夠快以滿足臨床夥伴、而「僅限申請」的策略能否在競爭壓力下守得住，值得持續觀察。

這些名字的原型人物會欣賞這樣的排序：Osler 在病床邊教學，Sackett 要求證據，Snow 炫耀疫情地圖。而 Darwin——很恰當地——仍在演化，在一扇公司承諾會謹慎開啟的門後。