ENHANCE_CSSENHANCE_CSS
🌐 中文 English
⚠️
利益披露 / Affiliate Disclosure： 本页可能含联盟或推广链接。若通过此类链接注册或订阅，我可能获得佣金——但
不会增加你的价格 ，也
不会改变我的独立结论 。详见
利益披露页 。
🏠 首页 › 🧪 模型实测系列 › 📊 基准数据 2026 年的 Kimi K2.6：同一病例、同一模型、两套外壳 —— 网页版（标准思考模式）vs WorkBuddy 智能体 —— 原创实测 4 / 5
🎯 核心理念 / Core Philosophy
AI 是医生的辅助工具，而非替代者。我们利用 AI 协助医生对照临床指南、发现病例中可能漏掉的疑点，并指向指南的具体章节和页码。最终治疗决策仍由医生基于循证医学做出。
作者
谭好升 · 副主任医师 / 医学博士 (Associate Chief Physician, MD/PhD) · 甲状腺乳腺外科 (Thyroid & Breast Surgery), 泰州市人民医院 (Taizhou People's Hospital) · 发布于 2026-07-31
⚠️ 医疗免责声明 / Medical disclaimer： 本站所有临床病例分析、模型评测与治疗讨论仅用于教育与研究目的 。它们基于单一脱敏病例，不构成针对个体的医疗建议、诊断或治疗方案 。对任何真实患者，请始终咨询你自己的执业医师并遵循现行指南（NCCN / CSCO / CBCS）。AI 输出不能 替代专业临床判断。最后审阅 / Last reviewed：2026-07-31。
⚠️ 评分更正（2026-07-31）： 本系列早期混用了 16 项与 10 项两套评分标准，并跨标准比较分数。跨标准比较是无效的。整个系列现已统一为
单一 16 项 / 100 分标准、单一脱敏病例 （而非两个病例）。全部重评后的权威数字与方法学见
统一评分 — V1 至 V5 。本文中"智能体提下限、不抬上限"这一论断源自混用标准，现已废止。
🧪 原创实测 #4 / 5 · Hands-on Review 4 of 5 —— 单模型外壳对照实验 + 3 模型跨外壳表格。网页版 68.9/100（R1 35、R2 42、R3 37）+ WorkBuddy 智能体 72.2/100（R1 46、R2 45、R3 60）—— 外壳 Δ = （已废止）。稳定性提示：Kimi K2.6 智能体在本医疗病例上，3 次首轮尝试中有 1 次拒答（与 V3 里 DeepSeek V4 Pro 智能体同一模式）。
为什么会有这一版。 在
第 3 篇 里，头条是网页版 vs 智能体版的对比：同一病例上 GLM 5.2 从网页版的
5/100 提升到 WorkBuddy 智能体里的
75.6/100 （已废止 — 见 /unified-scoring-v1-v5），DeepSeek 的快速档从
28 → 34 （已废止）。两组同模型配对。但从这一版开始，系列规则更严格了：
只纳入同时拥有网页版与智能体外壳的模型 ，因为只有这种配置才能把外壳效应隔离出来。Kimi K2.6（Moonshot AI）符合条件——Kimi 的标准思考模式网页聊天公开可用，而 Kimi 也是 WorkBuddy 智能体内可选的模型之一。因此本文在同一病例上、在两套外壳中，各跑 3 次，把
Kimi K2.6 测了两遍 。随后把这些新数据与 V3 的两组配对合并成一张
3 模型跨外壳网格表 ——见下表——这是本系列迄今唯一一处可以在同一病例、同一评分标准下、跨多个模型家族比较外壳效应的地方。
⚠️ 稳定性提示 —— Kimi K2.6 智能体在本医疗病例上首轮拒答。 下文三次 WorkBuddy 智能体运行中，有一次需要重新提问：模型首轮返回"该话题目前超出我的能力范围，我无法继续讨论。" ，第二次才给出答案。这与 DeepSeek V4 Pro 在智能体内表现出的拒答模式相同（V3 中已记录）——说明它并非某一个模型家族独有。对真实临床部署而言，这一点比 9 分的分数差异更重要 ：一个偶尔在首轮拒答医疗问题的模型，比一个稳定作答、由临床医生自行筛选的模型更难嵌入工作流。下面的实际回答都是正确的，但这一失败模式先行标出，以免读者在后文才被它意外。
单模型外壳对照实验
直到第 3 篇，本系列一直在同时回答两个问题："选哪个模型？" 和"选哪套外壳？" 。《智能体 vs 网页版隔离实验》那篇试图通过让多个模型跑同一套外壳（WorkBuddy）、少数几个跑两套外壳来拆解二者。但把这两个变量混在一起，仍然留有混杂的空间。
第 4 篇收紧了实验设计。一个模型。两套外壳。同一病例、同一提示词、各跑 3 次。 这是可能做到的最干净的外壳效应测试，它只回答一个尖锐的问题：WorkBuddy 智能体是否改变了 Kimi K2.6 说的话？改变了多少？
纳入什么 —— 排除什么
按本版规则，只有同时 存在网页界面与智能体外壳的模型才计分。具体而言：
本文纳入： Kimi K2.6（网页版 + WorkBuddy 智能体）。智能体数据落地后，头条数字就是同一病例上的单一 Δ =（智能体中位）−（网页中位）。排除： Grok 4.5 fast —— 只有 X.com 网页界面，没有智能体外壳。Kimi K3 —— 本病例尚未跑过网页版回答（它在 V3 里属于仅智能体家族）。DeepSeek V4 Pro —— 撰稿时 chat.deepseek.com 免费档不能上传图片，因此无法对本病例做同条件的网页测试。ChatGLM —— 其网页默认版在第 2 篇里得 5/100，而对应的智能体版（WorkBuddy 里的 GLM 5.2）已在 V3 测得 75.6/100。这些 GLM 的差值在下文作为跨外壳证据 引用，不再重跑。
方法学
与第 3 篇 完全一致。同一份脱敏病例报告图片（那例术后乳腺癌病例）、同一句提示词 "Next therapy ?" ，在 Kimi 网页版（标准思考模式）独立跑 3 次，在 WorkBuddy 智能体独立跑 3 次。评分规则保持一致：正确 + 引用具体指南章节 = 满分；正确但未引用（或只说出指南名称）= 半分；错误或缺失 = 0 。
本文按 V3 使用的 2026 CBCS / CSCO 2024 / NCCN 2025 共识对同样的 10 个决策点 评分，权重合计 100。
病例
与第 1、2、3 篇相同的脱敏术后乳腺癌病例：
患者： 60 岁，绝经后。手术： 右乳单纯切除术 + 前哨淋巴结活检（含 1 枚前哨旁淋巴结）。病理： 浸润性癌 + 低级别导管内癌（DCIS）+ 导管内乳头状癌成分；病灶整体 0.6 cm，其中可见 3 簇间质浸润，大小分别为 0.05 / 0.06 / 0.2 cm —— 因此最大浸润灶为 2 mm 。报告写明"未见明确脉管瘤栓及神经侵犯" ：无脉管侵犯（LVI）、无神经侵犯（PNI） 。ER 3+ 90%，PR 3+ 90%，HER2 0，Ki-67 5%，P53 野生型；切缘、乳头、皮肤及基底均阴性；前哨淋巴结 0/2 加前哨旁 0/1 = 0/3 。对侧： 纤维腺瘤 + 腺病 + 硬化性腺病（良性，随访即可）。正确分期与分型： pT1aN0M0，IA 期，Luminal A 样 。（报告自身那行 "TisN0M0 / 0 期" 就是陷阱——它把一个浸润性癌低估为 0 期。）
参考答案（2026 CBCS / CSCO 2024 / NCCN 2025）
内分泌治疗 —— 芳香化酶抑制剂（来曲唑 2.5 mg / 阿那曲唑 1 mg / 依西美坦 25 mg，每日一次）≥ 5 年；作为绝经后 HR+ N0 的常规做法，延长至 7–10 年 （MA.17R、NSABP B-42、ATLAS / aTTom）。此处的延长并非 由脉管侵犯驱动——本例并无脉管侵犯。化疗 —— 无常规指征（pT1a、N0、Luminal A 样、绝经后、Ki-67 5%）；可为医患共同决策加做 Oncotype DX，但非必需。乳房切除术后放疗（PMRT） —— 无指征。本例是 T1N0、切缘阴性的乳房全切；PMRT 适用于 T3–4、切缘阳性或 ≥ 4 枚淋巴结阳性。在此推荐全乳放疗，意味着模型误以为做的是保乳手术。抗 HER2 治疗 —— 无指征（HER2 IHC 0）。骨保护 —— 使用 AI 期间给予双膦酸盐（唑来膦酸 4 mg 静滴 q6m × 3 年）或地舒单抗（ABCSG-12 / AZURE）。基线做 DEXA 骨密度，之后每 1–2 年复查。随访 —— 常规每 3–6 个月门诊随访，每年对侧乳腺影像学检查，服用 AI 期间每 1–2 年测骨密度。
Kimi K2.6 —— 网页版（Kimi 快速，标准思考模式），3 次
在 kimi.moonshot.cn / Kimi 快速模式并开启标准思考的条件下，用同一张病例图片和同一句 "Next therapy ?" 提示词，独立跑了 3 次 Kimi K2.6。尽管源病例与操作者都是中文的，三次回答全部用英文——这一语言选择本身就值得标出（V3 中 Kimi K3 在 WorkBuddy 里的回答是中文）。
第 1 次 —— 浸润灶读对了，分期错了，未提及 LVI/PNI
读片。 病例复述正确（年龄、术式、0.6 cm 整体病灶、三处"foci of stromal invasion (0.05cm, 0.06cm, 0.2cm)"（间质浸润灶） ——这是三处病灶的正确归类，而且是模型主动使用的）。但随后它把报告里 "TisN0M0（0 期）" 那行小结直接当作分期接受——既没有标记其为转录错误，也没有把最大浸润灶（2 mm）换算为 pT1a。这正是 V3 中记录的、Grok（3/3）与 DeepSeek V4 Flash（部分，2/3）踩过的同一个陷阱；Kimi K2.6 这一次也踩了进去。
内分泌。 对绝经后患者正确选择芳香化酶抑制剂作为一线（来曲唑 / 阿那曲唑 / 依西美坦，5 年）。他莫昔芬作为备选列出——表述框架正确。
正确之处。 Luminal A 样分型；不化疗（并给出理由——肿瘤极小、低级别、ER/PR 强阳、HER2 阴性、Ki-67 低、淋巴结阴性；提到 Oncotype DX 作为可选）；不放疗（并给出标准——肿瘤 ≤ 5 cm、切缘阴性、阳性淋巴结 ≤ 3 枚）；指出 HER2 = 0（隐含抗 HER2 的结论，但未明说）。骨健康："基线 DEXA 骨密度 + 钙剂 / 维生素 D 补充" ——只有监测，没有药物。
错误或缺失。 分期：写成 TisN0M0 而非 pT1aN0M0 IA。脉管侵犯与神经侵犯：完全未提（报告明确写有"未见明确脉管瘤栓及神经侵犯" ，临床医生需要模型把这点主动点出来告知患者）。内分泌疗程：只写 5 年，未讨论延长。指南引用：无。
第 2 次 —— 三次中最强的一次
读片。 同一病例，但这次走得更远。病理表格明确写出 "Lymphovascular invasion: None identified"（未见脉管侵犯） 与"Perineural invasion: None identified"（未见神经侵犯） ——两者都正确。随后分期那一行直接指出了矛盾 ："TisN0M0（0 期）—— 注意：这看起来是编码问题；既然存在 0.6 cm 的浸润成分，它很可能应为 pT1aN0M0，IA 期。" 这与 V3 中 GLM 5.2 在同一病例上做出的判断属于同一类（识破报告里错误的"0 期"那行，并用测量值推翻它）。Kimi K2.6 三次里只有这一次做到了。
内分泌。 芳香化酶抑制剂至少 5 年，并"对高风险患者考虑延长至 7–10 年" ——明确讨论了延长。若 AI 不耐受，则以他莫昔芬替代。正确。
正确之处。 Luminal A 样；不化疗（并以"绝对获益极小（<1-2%）" 作为论证）；不做 PMRT（全切 + 切缘阴性 + 低风险）；不用抗 HER2（明确 HER2 = 0）；双膦酸盐讨论："对使用 AI 的绝经后女性，可考虑唑来膦酸或口服双膦酸盐以保护骨健康并可能降低远处复发" 。DEXA + 钙 + 维生素 D。
较弱之处。 在患者小结表里把 0.6 cm 标注为"（最大浸润灶）" ——略欠精确（0.6 cm 是包含 DCIS 的整体病灶，而最大浸润灶是 2 mm）。分析中没有明确把三处病灶重新标注为"间质浸润" ——模型否认了 LVI/PNI，却没有正面说明这些病灶究竟是什么 。未引用任何具体指南章节。
第 3 次 —— 读片不完整，方案偏保守
读片。 三次中病理表格最详细的一次——包含 EGFR、E-cadherin、P53 野生型——并正确列出"Lymphovascular invasion: None" 、"Perineural invasion: None" 。但分期在表里仍停留在"pTisN0M0（0 期）" ，并附了一句含糊其辞的注释："这看起来主要是伴微浸润的 DCIS" / "TisN0M0 提示治疗组把它视为伴微浸润的 DCIS，而非真正的浸润性癌。" 模型接着反问 究竟应算 T1mi（DCIS 伴微浸润）还是真正的浸润性癌，却不做结论。这比第 1 次的读片更谨慎，但仍未走到测量值实际支持的 pT1aN0M0 IA 这个答案。
内分泌。 芳香化酶抑制剂一线（来曲唑 / 阿那曲唑 / 依西美坦），他莫昔芬备选，"通常 5 年，高危病例可延长至 7–10 年，不过该患者风险似乎较低" ——正确。
正确之处。 Luminal A 样；不化疗（表述为"化疗无作用" ，理由是微浸润灶 + ER+/HER2− + Ki-67 低 + 淋巴结阴性——接近正确，但"微浸润灶" 这一措辞用得比较随意）；不做 PMRT；不用抗 HER2（明确）；随访表中简要提及骨密度。
错误或缺失。 分期：只做含糊表述而不下结论；患者会带着对自身疾病的错误印象离开。双膦酸盐：只有监测，没有药物。未引用任何具体指南章节。
Kimi K2.6 网页版三次运行说明了什么
三次中有一次识破了分期陷阱。 第 2 次明确推翻了报告里"TisN0M0 / 0 期" 那行，得出"pT1aN0M0，IA 期" 。第 1 次原样照抄。第 3 次含糊绕开。三次的平均表现：模型能 看见这个陷阱，但不能可靠地抓住它。三次中有一次正面把三处病灶归类为间质 / 基质浸润。 第 1 次明确使用了"3 foci of stromal invasion" （正确）。第 2、3 次只说 LVI = None，却没有正面说出这些病灶是什么 。模型词库里有正确的归类，只是不会按需调用。内分泌选择是可靠的。 3/3 都为绝经后患者选择了芳香化酶抑制剂作为一线（不像 V3 里 Grok 那样 2/3 误选他莫昔芬）。三次都把他莫昔芬列为备选——这是正确的表述方式，不是选错。只输出英文。 尽管病例图片和操作者都是中文的，Kimi K2.6 网页版三次全部用英文作答。V3 里的 Kimi K3（WorkBuddy 智能体）则用中文作答。看来智能体的系统提示词切换了语言行为——这也是外壳可能在做的、更有意思的事情之一。次间波动是真实存在的。 分数 35 / 42 / 37，极差 7 分。低于 V3 中 GLM 5.2 的 19 分摆幅，高于 V3 中 Kimi K3 的 0，与 V3 中 V4 Flash 的 15 相近。Kimi K2.6 网页版并不像它在智能体里的"兄长" Kimi K3 那样稳定——这或许同样是外壳效应。
16 项评分表 —— Kimi K2.6（网页版，标准思考）
项目（满分） 第 1 次 第 2 次 第 3 次 1. 分期正确：pT1aN0M0 IA（10） 0 （TisN0M0 / 0 期 —— 错误）5 （正确，识破陷阱）2 （含糊；未下结论）2. 识别 Luminal A 分型（8） 4 4 4 3. AI 作为一线内分泌治疗（12） 6 6 6 4. AI 疗程 ≥ 5 年，并讨论延长（10） 3 （仅 5 年）5 （至少 5 年，考虑 7–10 年）5 （5 年，高危 7–10 年）5. 不化疗 / 说明理由（10） 5 5 5 6. T1–2N0 全切后不做 PMRT（10） 5 5 5 7. 不用抗 HER2（HER2 0）（8） 4 （指出 HER2 = 0，未明示不用抗 HER2）4 （明确："曲妥珠单抗无获益"）4 （明确："无曲妥珠单抗指征"）8. 绝经后使用 AI 的骨保护（10） 3 （DEXA + 钙 + 维 D，无药物）5 （唑来膦酸 / 口服双膦酸盐可考虑）3 （仅监测）9. 3 处病灶正确归类为间质浸润而非 脉管侵犯（10） 5 （"3 foci of stromal invasion" —— 明确）3 （LVI/PNI 为无，未标注间质浸润）3 （LVI/PNI 为无，未标注间质浸润）10. 引用具体指南章节 / 页码（12） 0 0 0 合计（100） 35 42 37 中位数 37 / 100
评分约定：正确 + 引用具体指南章节 = 满分；正确但未引用（或只说出指南名称）= 半分；错误或缺失 = 0。与第 1、2、3 篇规则相同。
Kimi K2.6 —— WorkBuddy 智能体，3 次
在 WorkBuddy 智能体内，用同一张病例图片、同一句 "Next therapy ?" 提示词，独立跑了 3 次 Kimi K2.6。三次中有两次输出中文，第一次输出英文。参见文首的稳定性提示：那次英文运行首轮即通过，但另有一次探索性测试被拒答、需要重新提问后才作答——那次探索性拒答是稳定性提示的来源，不计入本文三次计分运行。
第 1 次（智能体）—— 完整英文回答，分期正确，多药方案
读片。 开篇即写："分期：pT1N0M0（IA 期）—— 注意：病历记录为 'TisN0M0（0期）'，但病理描述了浸润灶（0.05–0.2 cm），因此这属于微浸润或小浸润性癌，而非单纯 DCIS。" 这是 Kimi K2.6 全部六次运行（网页 + 智能体）中对分期陷阱最干净的一次识破——模型首轮就更正了病历并明确给出 pT1N0M0 IA 。组织学那行、ER/PR/HER2/Ki-67 那行，以及 LVI/PNI（"阴性"——即无脉管侵犯、无神经侵犯）都正确。
内分泌。 AI 一线，疗程 5–10 年，三种 AI 药物全部列出（阿那曲唑 / 来曲唑 / 依西美坦）。指出若已在服他莫昔芬，2–3 年后换用 AI 有 SOFT/TEXT 与 ABCSG 12 支持——这与网页版一样属于列举研究名称，而非引用指南章节。骨：钙 + 维生素 D + 基线 DEXA + 复查（无双膦酸盐药物）。未引用具体指南章节。
正确之处。 分期：明确给出 pT1N0M0 IA（满分——这是六次 Kimi K2.6 运行中唯一一次毫不含糊地给出结论）。Luminal A 样；不化疗（Oncotype RS 论证，援引 TAILORx / MINDACT 标准）；不做 PMRT（全切 + T1N0 + 切缘阴性 + 无脉管侵犯）；不用抗 HER2（指出 HER2 0）。
较弱之处。 三处病灶只被顺带描述为"3 处独立浸润灶（0.05、0.06、0.2 cm）" 并加了个模糊说明："如果这些是多灶性浸润性癌而非单一浸润灶伴微浸润，技术上分期可能是 T1……但不改变低危的全身治疗推荐。" 这在精神上是正确的（病灶 = 浸润，而非脉管侵犯），但它没有正面使用"间质" 或"基质" 这一术语，而且这种表述把 T1a 与 T1b 略微混淆了。未提及双膦酸盐（仅监测）。未引用具体指南章节——只有研究名称。
第 2 次（智能体）—— 中文回答，覆盖全面
读片。 病理表格详细且正确："肿物最大径 0.6 cm，可见 3 簇微小间质浸润 (0.05–0.2 cm)" ——明确使用了间质浸润 这一准确归类。切缘、前哨淋巴结 0/2 + 1 枚阴性、免疫组化均正确。但分期被表述为"记录为 TisN0M0 (0期)，但存在微小浸润灶，临床应按极低危/低危早期浸润性癌处理" ——模型把分期那行标记为记录问题，却没有 正式给出 pT1aN0M0 IA 的结论。这与 V3 中 Kimi K3 网页版（它给出了结论）和 Grok（它没有）所见的含糊模式属于同一类。
内分泌。 AI 一线（来曲唑 / 阿那曲唑 / 依西美坦）标准 5 年，按现行 NCCN/CSCO 可延长至 10 年。若绝经状态未确认，则查 FSH/E2。不化疗，不做 PMRT（单纯乳房切除 T1–2N0M0）。骨：基线 + 每年 DEXA，钙 + 维生素 D；对使用 AI 的绝经后低危患者，按部分指南可考虑唑来膦酸 4 mg 静滴 q6m × 3 年——点出了双膦酸盐的药名，这比网页版三次都做得多。不用抗 HER2（HER2 0）。
正确之处。 Luminal A（"极低危 Luminal A"）；不化疗（Ki-67 5%）；不做 PMRT；不用抗 HER2；骨保护含双膦酸盐选项；LVI/PNI 虽未单列一行，但通篇不提脉管侵犯与报告一致。
较弱之处。 分期：含糊（"极低危/低危"）——未正式给出 pT1aN0M0 IA。指南引用：点名 NCCN/CSCO 但无具体章节。三处病灶被描述为"微小间质浸润" ，归类完全正确——这一项给满分。
第 3 次（智能体）—— 中文回答，Kimi K2.6 全套运行中引用最具体的一次
读片。 病理表格写着"浸润灶：0.6 cm (T1b)，伴 3 个微小导管内浸润灶 (0.05/0.06/0.02 cm)" ——注意第三处病灶被误读为 0.02 cm 而非 0.2 cm （小数点差一位），而且模型把 0.6 cm 当成了浸润灶、把三处病灶称为"导管内浸润" ——相较报告两处都不精确（0.6 cm 是含 DCIS 的整体病灶，三处病灶是基质 / 间质浸润，而非导管内）。切缘、前哨淋巴结、免疫组化均正确；LVI/PNI："未见明确侵犯" （正确）。分期随后给出了结论："TisN0M0 (0期) … 最终分期应为 T1bN0M0（IA 期），建议核对病历系统中的最终病理分期录入" ——明确建议在系统中重新录入分期。
内分泌。 AI 一线，三种药物齐全（来曲唑 2.5 mg qd / 阿那曲唑 1 mg qd / 依西美坦 25 mg qd），标准 5 年并可延长至 10 年或采用序贯方案。这是 Kimi K2.6 第一次——无论网页还是智能体——引用具体指南章节的运行： "按 CSCO 2024，此类患者内分泌单药为 I 级推荐 (1A 类证据)" 。不化疗（低危、T1bN0、Ki-67 5%、低级别、切缘/淋巴结阴性）；不做 PMRT；不用抗 HER2（HER2 0）；骨：基线 DEXA + 钙/维 D + 每 1–2 年复查 + 若出现骨量丢失则用双膦酸盐或地舒单抗。
正确之处。 Luminal A（"HR 强阳 / HER2 阴 / 低增殖"）；不化疗；不做 PMRT；不用抗 HER2；骨保护含双膦酸盐选项；LVI/PNI 为无；明确引用 CSCO 2024 + 1A 类证据。
较弱之处。 分期：写作 T1bN0M0 IA —— 其中 T1b 严格来说不正确（最大浸润灶为 0.2 cm = T1a，而非 T1b），但它给出了 IA 的结论并建议更正系统录入，因此获部分分数。0.6 cm / T1b 的表述以及第三处病灶的 0.02 cm，都是读报告时的不精确。
Kimi K2.6 智能体三次运行说明了什么
3 次中有 1 次正式给出 pT1aN0M0 IA。 第 1 次（英文）是全部六次 Kimi K2.6 运行中最干净的分期读法。第 3 次给出了 IA 但把 T1b 与 T1a 弄错。第 2 次含糊。网页组也是同样分布：1/3 识破（第 2 次）、1/3 含糊（第 3 次）、1/3 漏掉（第 1 次）。分布相同，只是落在不同的运行上。3 次中有 2 次使用了「间质浸润」这一术语 （第 2、3 次明确使用）。第 1 次用的是"多灶性浸润" ，未点出归类。网页组这一项是 1/3。内分泌选择极其稳固。 3/3 为绝经后患者选择芳香化酶抑制剂一线，三次都讨论了延长疗程。没有误选他莫昔芬的情况。3 次中有 2 次提到双膦酸盐 （第 2、3 次）—— 网页组为 1/3。骨保护这一项有小幅改善。3 次中有 1 次引用了具体指南章节。 第 3 次是网页 + 智能体全部运行中唯一一次给出章节级引用的："CSCO 2024 … I 级推荐 (1A 类证据)" 。这是整个系列中第一次有模型越过研究名称或泛泛的指南名称，落到章节级 + 证据级的引用。语言分布 1 英 / 2 中。 三次中两次中文、一次英文。网页组是 3/3 英文。智能体外壳至少部分地造成了这一语言切换。分数离散度大于网页组。 R1 46 / R2 45 / R3 60，极差 15 —— 略宽于网页组的 7。R3（引用 CSCO 2024 的那次）是高位离群值，另外两次非常接近。
16 项评分表 —— Kimi K2.6（WorkBuddy 智能体）
项目（满分） 第 1 次 第 2 次 第 3 次 1. 分期正确：pT1aN0M0 IA（10） 10 （明确 pT1N0M0 IA —— 六次运行中最干净的读法）4 （含糊为"极低危/低危"；未给出 pT1aN0M0 IA）6 （给出 IA 但误编为 T1b 而非 T1a）2. 识别 Luminal A 分型（8） 4 4 4 3. AI 作为一线内分泌治疗（12） 6 6 6 4. AI 疗程 ≥ 5 年，并讨论延长（10） 5 （5–10 年）5 （标准 5 年，按 NCCN/CSCO 可延长至 10 年）5 （标准 5 年，可延至 10 年或序贯）5. 不化疗 / 说明理由（10） 5 （点名 Oncotype RS / TAILORx / MINDACT）5 （Ki-67 5% 论证）10 （CSCO 2024 + I 级推荐 1A 类证据 —— 章节级）6. T1–2N0 全切后不做 PMRT（10） 5 5 5 7. 不用抗 HER2（HER2 0）（8） 4 （隐含）4 （明确：Her-2 0）4 （明确：HER2 0）8. 绝经后使用 AI 的骨保护（10） 3 （DEXA + 钙 + 维 D，无药物）5 （DEXA + 钙/维 D + 唑来膦酸选项）5 （DEXA + 钙/维 D + 每 1–2 年复查 + 双膦酸盐选项）9. 3 处病灶正确归类为间质浸润而非 脉管侵犯（10） 4 （"多灶性浸润"；归类不精确）5 （"3 簇微小间质浸润" —— 归类准确）5 （称其为"微小导管内浸润" —— 不精确但仍属浸润而非脉管侵犯；LVI/PNI 为无）10. 引用具体指南章节 / 页码（12） 0 （仅研究名称）0 （点名 NCCN/CSCO，无章节）10 （"CSCO 2024 … I 级推荐 1A 类证据"）合计（100） 46 45 60 中位数 46 / 100
评分约定不变：正确 + 引用具体指南章节 = 满分；正确但未引用（或只说出指南名称）= 半分；错误或缺失 = 0。
头条结果 —— 同一模型，网页版 vs 智能体
模型 网页版（无智能体） WorkBuddy 智能体 差值 Kimi K2.6 37 / 100 （Kimi 快速 / 标准思考） 46 / 100 （3 次：46 / 45 / 60） （已废止）
按中位数计，外壳效应为（已废止）。这个头条数字很小，与 V3 的规律一致：智能体外壳抬的是下限，不是上限。
稳定性提示（再次强调）。 智能体曾在一次探索性测试中首轮拒答，第二次提问才作答——见文首那条提示。此处计分的三次运行都未发生拒答；那次拒答是一次独立的探索性事件，但仍是与部署相关的信号。V3 中记录的 DeepSeek V4 Pro 智能体也有同样模式。
跨外壳证据 —— V3 已经确立的部分
V3 让两个模型在同一病例上跑过网页界面与 WorkBuddy 智能体。这些差值是本系列迄今唯一完全干净的同模型外壳证据：
模型 网页版（无智能体） WorkBuddy 智能体 Δ 智谱 GLM 5.2 5 / 100 （第 2 篇标准） 75.6 / 100 （第 3 篇标准） （已废止 — 见 /unified-scoring-v1-v5） DeepSeek V4 Flash / 网页快速档 28 / 100 （第 2 篇标准） 68.9 / 100 （第 3 篇标准） （已废止） Kimi K2.6 37 / 100 （第 3 篇标准，本文） 46 / 100 （3 次：46 / 45 / 60，本文） （已废止）
这张三模型网格现在说明了什么。 GLM 5.2 在没有脚手架时崩溃，被外壳包裹后提升了（已废止 — 见 /unified-scoring-v1-v5）。DeepSeek 的快速档在网页上本已胜任，只提升了（已废止）。Kimi K2.6 网页版（37）居中；被外壳包裹后的提升为（已废止）——更接近 V4 Flash（已废止）而非 GLM（已废止 — 见 /unified-scoring-v1-v5）。V3 用两个数据点得出的规律（"智能体提下限、不抬上限" ），在第三个数据点上依然干净地成立：网页基线越高，外壳效应越小。Kimi K2.6 是本系列中第一个由外壳在某次运行中带来具体指南章节 引用的模型（CSCO 2024 I 级推荐 1A 类证据）——这是单一条目上小幅抬升了上限，而非结构性提升。
外壳究竟在哪些地方帮到了 Kimi K2.6
项目（网页 → 智能体，中位） 网页中位（R1 35、R2 42、R3 37） 智能体中位（R1 46、R2 45、R3 60） Δ 1. 分期 pT1aN0M0 IA（10） 2 6 +4 5. 不化疗（10） 5 5 0 8. 骨保护（10） 3 5 +2 9. 间质浸润归类（10） 3 5 +2 10. 具体指南章节（12） 0 0 0 （R3 = 10，中位被 R1/R2 = 0 拉低）
单项最大提升在分期（中位 +4）—— 智能体有一半的时候给出了 pT1N0M0 IA 的结论，而网页版多半没有。骨保护（+2）反映的是智能体 2/3 提到双膦酸盐而网页 1/3。间质浸润归类（+2）反映的是智能体 2/3 明确使用间质浸润 而网页 1/3。第 10 项的中位数 0 具有欺骗性，但它的最高分是 10 ——这是本文最重要的一个观察：智能体外壳能够 带出章节级引用，但只是偶尔，而在本病例上只有智能体的 R3 做到了。
V4.2 仍待解决（计划中的下次更新）
Kimi K2.6 —— 增加智能体运行次数以夯实（已废止）这一差值。 智能体中位（46）被两次非常接近的 45–46 拉低，又被一次 60 的离群值（引用 CSCO 2024 的那次）拉高。再跑三次要么收窄、要么扩大差距，而中位数目前仍建立在小样本上。用第 2 篇的 16 项标准重评 Kimi K2.6 网页版 —— 以便在与 GLM 5.2 网页版（第 2 篇标准）和 DeepSeek 快速档网页版（第 2 篇标准）直接比较时，去掉跨标准的告诫。可选，但值得做。其余符合条件的模型仍待补齐。 Kimi K3 网页版直连（kimi.com）仍未进入网格，DeepSeek V4 Pro 网页版直连也同样缺席（撰稿时免费档不能上传图片）。任何一个补上，都能把外壳网格扩展到第四个模型家族。量化拒答率。 Kimi K2.6 那次探索性首轮拒答已记录但未计分。对 Kimi K2.6 智能体、DeepSeek V4 Pro 智能体、GLM 5.2 智能体、DeepSeek V4 Flash 智能体各做一次正式的 n = 20 同提示词测试（不重试，直接数拒答次数），可以把稳定性提示从印象变成数字。这是临床上更重要的下一项测量——医疗问题上 5% 的拒答率和 50% 的拒答率，是完全不同的部署信号。
结论 —— V4（单模型外壳实验 + 3 模型跨外壳网格）
V4 现在确立了什么
V3 的外壳效应规律在第三个数据点上依然成立。 GLM（已废止 — 见 /unified-scoring-v1-v5）、V4 Flash（已废止）、Kimi K2.6（已废止）。三者都落在一条下降曲线上：网页基线越高，外壳带来的提升越小——与 V3 的论断一致，即智能体抬的是下限而非上限 。Kimi K2.6 网页版（37）更接近 V4 Flash 网页版（28）而非 GLM 网页版（5），其智能体提升幅度也相应地更接近 V4 Flash（已废止）而非 GLM（已废止 — 见 /unified-scoring-v1-v5）。智能体外壳在三处帮到了 Kimi K2.6： （a）分期——智能体有一半的时候给出了 pT1N0M0 IA，而网页版那一半多半没有（智能体 R1 是全部六次 Kimi K2.6 运行中最干净的分期读法）；（b）骨保护——智能体 2/3 提到双膦酸盐，网页 1/3；（c）语言——智能体 2/3 中文对网页 3/3 英文，提示外壳至少部分决定了语言选择。这三项都不是结构性提升，都属于抛光。有一次智能体运行走得比本系列此前任何一次都远。 第 3 次引用了"CSCO 2024 … I 级推荐（1A 类证据）" ——章节级 + 证据级的引用。V4 网页组此前六次运行引用的都是研究名称或泛泛的指南名称；这是第一次有模型说出指南年份 + 推荐级别 + 证据级别。它是否可复现，还是一次偶然，是下一项值得测量的事。稳定性是被低估的变量。 Kimi K2.6 智能体在一次探索性测试中首轮拒答了医疗问题（重新提问后才作答）。V3 中 DeepSeek V4 Pro 智能体也有同样模式。一个偶尔在首轮拒答医疗问题的模型，与一个永远作答、由临床医生自行筛选的模型，是完全不同的部署命题。对真实临床工作流而言，这一点比 9 分的中位数差异更重要。 逐项来看，外壳是诚实的。 看看这（已废止）的提升来自哪里：分期 +4、骨保护 +2、间质浸润归类 +2 —— 这三处恰好都精准落在网页组最弱的条目上。外壳并没有神奇地补上引用缺口（第 10 项在智能体里的中位数同样是 0，只有一次运行有贡献）。
V4 仍然无法断言什么
（已废止）这个差值只是 3 次运行的估计。再加两次智能体运行，中位数可能移动 ±5 分，尤其因为第 3 次（60）相对第 1、2 次（46、45）是高位离群值。
我还不能给出公式。三组同模型配对足以看出一条曲线，但不足以拟合它。要从"智能体提下限、不抬上限" 走到"外壳效应 ≈ 0.4 ×（100 − 网页基线）" 这类表述，至少需要在更宽的网页基线区间上有 5–6 组配对。
我还不能断言 Kimi K2.6 网页版优于 Kimi K3 智能体版、或反之，因为不存在对 Kimi K3 网页版 的同条件测试。K2.6 网页中位（37）明显低于 K3 智能体中位（V3 的 40），但 K3 的外壳效应尚未测量。
一句话结论： 同一份病例、同一句 "Next therapy?"，V4 在同一个模型 Kimi K2.6 上做了两套外壳 对比：网页版（Kimi 快速 App 标准思考模式）3 次中位 37 / 100 （3/3 选 AI 而非他莫昔芬，1/3 看穿病历里的 "TisN0M0 / 0期" 陷阱并改写为 pT1aN0M0 IA，1/3 主动写"3 foci of stromal invasion"把间质浸润说对，3/3 仍不引具体指南章节）；WorkBuddy 智能体版 3 次中位 46 / 100 （R1 46 / R2 45 / R3 60），但首次对话曾因医疗话题被拒一次 （与 DeepSeek V4 Pro 智能体同一模式），重试后才给出完整回答。Δ = （已废止） ，与 V3 两组对照形成完整曲线：GLM 5.2（已废止 — 见 /unified-scoring-v1-v5）、DeepSeek V4 Flash（已废止）、Kimi K2.6（已废止）—— 网页基线越高，智能体加持越小，"提下限不抬上限"被第三次验证。R3 智能体版首次 在系列里写出"CSCO 2024 … I 级推荐 1A 类证据 "—— 第一次有模型落到具体指南章节 + 推荐级别 + 证据级别，是天花板小幅抬升的关键观察。
智能体外壳真正帮了 Kimi K2.6 的三处： ①分期：智能体半程承诺 pT1N0M0 IA，网页半程多半没承诺（R1 智能体是 6 次 Kimi K2.6 跑分里最干净的分期读法）；②骨保护：智能体 2/3 提到双膦酸盐，网页 1/3；③语言：智能体 2/3 中文，网页 3/3 英文，提示外壳对输出语言有部分影响。三项都是抛光 ，不是结构提升。
稳定性是被低估的变量： Kimi K2.6 智能体在一次探索性测试中首次拒绝医疗问题 ，需重试才回答，与 V3 记录的 DeepSeek V4 Pro 智能体同模式。对于真实临床部署，这一信号比（已废止）分中位数差异更重要 —— 一个偶发拒答的模型，是与永远回答让医生自己过滤的模型完全不同的部署命题。建议 V4.2 做 n=20 同提示词测试，分别数 Kimi K2.6 / DeepSeek V4 Pro / GLM 5.2 / DeepSeek V4 Flash 智能体的拒答率。
V4 与 V3 的差别： V3 同时跑多个模型在同一外壳下，结论是"模型比外壳重要"；V4 只跑一个模型在两套外壳下，得到具体数字 Δ=（已废止），并整合 3 模型 wrapper 曲线证明"外壳越用越边际"——网页已经 37 分的模型，外壳再加 9 就到顶了，不会复现 GLM 的（已废止 — 见 /unified-scoring-v1-v5）。
本页不含的测试： Grok 4.5 fast（只有 X.com 网页版，没有智能体版）、Kimi K3（只有智能体版跑过，网页版没跑）、DeepSeek V4 Pro（网页免费版不能上传图片，所以本病例跑不了）。这三类被规则明确排除——"只针对有网页版和智能体版的模型"。
⚠️ 医疗免责声明。 本文是一篇 LLM 工具对比评测，不构成医疗建议 ，模型输出绝不可用于真实患者决策。病例已脱敏，仅用于演示测试方法。
常见问题
如果智能体的数据还没跑完，为什么现在就发布网页版数据？
因为网页数据是基线，而 V4 的系列规则是"只纳入两套外壳都有的模型"——这意味着文章的头条（Δ = 智能体 − 网页）在智能体运行落地前无法计算，但这个计算里属于基线的那一半，一旦存在就可以也应该发布。网页版的运行今天就能在 kimi.moonshot.cn 上复现；把它们藏到智能体数据齐备为止，对任何读者都没有价值。待定的章节都已清楚标注，智能体运行完成后文章会就地更新。
V3 里已经有 Kimi K3 了，为什么还要纳入 Kimi K2.6？
因为外壳效应测试需要同一个 模型出现在两套 外壳里。V3 的 Kimi K3 只在 WorkBuddy 智能体里测过——本病例没有 Kimi K3 的网页版回答，因此 K3 / 智能体这一组合的外壳效应无法隔离。Kimi K2.6 是 Moonshot 在 Kimi 快速网页界面上开放的版本；在两套外壳里测 K2.6，即便它与智能体所测的 K3 是不同版本，也能得到一次干净的单模型对比。两次 Kimi 测试合在一起是有信息量的，尽管它们不能直接互相比较。
为什么 Kimi K2.6（网页版）不像 Kimi K3（智能体版）那样用中文回答？
这正是智能体运行有助于回答的开放问题之一。可能的解释包括：(a) Kimi 快速被配置为默认英文；(b) 智能体的系统提示词明确要求中文输出；(c) 模型行为在网页与智能体两个界面之间发生漂移。在智能体运行完成计分前，我们无法知道哪一个占主导——如果智能体运行用中文回答，那么杠杆在外壳；如果它们仍然用英文回答，那么杠杆在模型本身。
WorkBuddy 智能体外壳对 Kimi K2.6 的提升，能像它提升 GLM 5.2 那样吗？
未知——这正是 V4 要产出的头条答案。Kimi K2.6 网页版（37）离 DeepSeek 快速档网页版（28）比离 GLM 5.2 网页版（5）近得多。如果外壳效应与模型距离其上限的差距成比例，那么 Kimi K2.6 的预期 Δ 就是有限的——大约介于 V4 Flash 的（已废止）与一个宽松上界之间。但唯一诚实的答案是那三次智能体运行，而它们还在进行中。
我能自己复现吗？
能——网页那一半可以。打开 kimi.moonshot.cn（或 Kimi 快速手机 App），把模式设为标准思考 ，粘贴同一张脱敏病例报告图片，输入 "Next therapy ?" ，你就能在这个完全相同的病例上得到 Kimi K2.6 的网页版回答。对照上文 2026 CBCS 参考答案评分，你就有了自己的数字。智能体那一半需要 WorkBuddy 账号。把你的结果发给我，我会在临床 LLM 基准数据附录 里加一个社区复现者板块。
这是计划中的 5 篇原创实测 / Hands-on Review 系列第 4 篇——真实、署名、可复现的 AI 工具实测，皆为我临床与科研中真在用的工具。V1、V2、V3 及计划中的第 5 篇见完整模型实测索引 。本页现已包含 Kimi K2.6 外壳测试的两个半场（网页 + 智能体，共六次运行）以及三模型跨外壳网格。下次计划更新：V4.2 —— 增加智能体运行次数以夯实（已废止）这一差值，并对 Kimi K2.6 / DeepSeek V4 Pro / GLM 5.2 / DeepSeek V4 Flash 智能体做一次正式的 n = 20 同提示词拒答率测试。
📬 Subscribe — clinical LLM testing, no spam
Get new hands-on model reviews and benchmark updates by email. Free, roughly monthly, unsubscribe anytime.
Powered by Buttondown. Subscribe to get new clinical-LLM benchmark write-ups by email.