GlobalDentBench是一个面向牙科临床推理与安全性的评测基准，由京津冀国家技术创新中心、香港大学牙医学院、香港中文大学（深圳）、南方医科大学深圳口腔医院（坪山）、北京大学、梅奥诊所、慕尼黑大学医院及深圳自由动脉科技有限公司共同推进。其数据来源覆盖六大洲的 88 个国家和地区，包含 14 个口腔医学专科方向和 8,978 道经专家验证的问题。不同于主要依赖选择题的传统评测，GlobalDentBench 进一步纳入了简答题和基于真实临床病例报告构建的病例题，并按照知识回忆、常规推理和个体化推理三个层级逐步提升难度。6 位资深牙医深度参与了基准构建与评测校准。它希望回答的，不只是“大模型能否通过牙医考试”，更是“当模型真正面对复杂病例和潜在临床风险时，是否仍然可靠”。

大模型在医学考试中屡创高分，然而当考场变成诊室，当面对一位捂着腮帮子的真实患者时，它真的能胜任“牙医”的角色吗？

真实的临床博弈，从来不是非黑即白的单项选择。 一颗患牙交织着感染、咬合等复杂病理，医生需在“查病因、定顺序、防并发”中寻找最优解。脱离具体病情的AI建议，极易导致误诊，甚至造成不可逆的损伤。遗憾的是，现有评测多停留在衡量AI理论水平的“应试”舒适区，难以回答一个更重要的问题：

当问题从“选出正确答案”变成“为一位具体患者制定治疗方案”时，大模型还能可靠吗？

为了打破高分幻觉，填补AI走向真实临床的鸿沟，GlobalDentBench 应运而生。该项目由京津冀国家技术创新中心与香港大学联合培养的2024级创新创业博士生赵俊杰主导研发，全球顶尖力量推进：港中大（深圳）王本友教授团队、港大牙医学院王俊文教授团队、南医大深圳口腔医院（坪山）江山副院长团队、港大牙医学院杨伟发教授团队、北大陈良怡教授团队与深圳自由动脉科技。同时，港大金力坚院长、南医大深圳口腔金作林院长，携手美国梅奥诊所 Nhan Tran 教授、慕尼黑大学 Falk Schwendicke 教授等国际权威倾力加盟，筑牢临床安全壁垒。

作为首个面向牙科临床推理与安全评估的多国评测基准，GlobalDentBench以极致的广度与深度，为 AI 迈向真实临床构建了全新的参考坐标：

• 全球视野：覆盖88个国家和地区，反映真实的全球诊疗差异；
• 临床深度：细分14个专科，含8,978道直击临床痛点的高质量考题；
• 专家标准：6位资深牙医耗时297小时纯人工交叉检验，严守临床底线。

跳出执业考试的分数执念，GlobalDentBench向整个医学 AI 领域抛出那个严酷却必须面对的终极拷问：

当褪去应试的伪装，直面复杂的真实病例、潜在的临床风险以及严肃的诊疗抉择时，人工智能到底能走多远？

[01 不只考知识，还要考临床推理]

GlobalDentBench 考察模型能否从复杂病例中提取关键线索、完成诊断推理，并给出合理的治疗决策。

为了让评测逐步接近真实牙科诊疗，GlobalDentBench 设置了三类题型：

• MCQ：选择题。 来自多个国家和地区的牙医资格考试，主要考察基础知识和标准化判断。

• SAQ：简答题。 来自权威牙科教材，要求模型脱离选项提示，独立组织答案。

• CBQ：病例题。 来自同行评审的临床病例报告，要求模型结合病史、临床表现和个体化信息，完成诊断推理与治疗决策。

从选择题到简答题，再到病例题，题目逐步从“知识回忆”走向“临床推理”。

与此同时，每道题还会按照推理难度，进一步划分为三个层级：

• L1：知识回忆。 主要考察模型是否掌握明确、标准的牙科医学知识。

• L2：常规推理。 需要根据典型临床表现，完成常规诊断或治疗逻辑推断。

• L3：个体化推理。 需要整合患者特异信息、非标准情况和现实约束，作出更加接近真实临床的判断。

简单来说：

L1 更像“背书”，L2 更像“做题”，而 L3 才更接近“面对一个具体患者”。

图1: GlobalDentBench 总览。基准覆盖全球来源、三类题型、三个推理层级和 14 个牙科专科。

[02 大模型擅长考试，但一旦面对真实病例，就开始“掉链子”。]

我们评测了 12 个前沿大语言模型，包括 Gemini、GPT、Claude、Grok、Doubao、DeepSeek、Kimi、GLM、Qwen、MiniMax 等系列模型。

他们的结果呈现出非常清晰的阶梯式下降：

• 在选择题上，平均准确率为 81.34%。

• 到了简答题，平均准确率下降到 64.53%。

• 到了真实病例驱动的病例题，平均得分进一步下降到 22.34%。

如果按照推理层级来看，趋势同样明显：L1 知识回忆任务平均得分 74.01%，L2 常规推理下降到 55.64%，L3 个体化推理只有 35.71%。这说明，大模型在牙科场景中的主要能力仍然更接近“知识检索与规范表达”。一旦任务需要结合具体患者信息进行个体化推理，所有模型都会遇到共同瓶颈。

换句话说：

大模型很会答题，但还不真正擅长处理真实的临床问题，还不足以应对较为复杂的临床问题。

在总体宏平均分上，Gemini-3.1-Pro-Preview 取得最高分，达到 63.27%。开源模型中，GLM-5 表现最好，达到 56.43%。

但如果进一步考虑推理成本，模型之间的差异就不只是性能高低。Gemini-3-Flash-Preview 以 61.59% 的宏平均分和每 1000 次查询约 3.72 美元 的成本，呈现出较好的成本-性能平衡。Kimi-K2.5 的宏平均分为 55.49%，每 1000 次查询成本约 1.37 美元，在开源模型中也很有竞争力。

换句话说，在牙科知识辅助、教学或研究场景中，“模型是否足够强”之外，还需要问“它在特定任务上是否值得这个成本”。但对于复杂临床决策，即使是表现最好的模型，目前也还远远不能独立使用。

图2：12 个前沿模型在不同题型、不同推理层级下的表现，以及成本-性能关系。

[03 大模型也会“偏科”：不同牙科专科之间，表现差异明显]

GlobalDentBench 的一个重要特点，是将题目映射到 14 个牙科专科。这样我们就能看到，模型的能力并不是在所有牙科领域都表现一致。

总体上，模型在 口腔黏膜病、牙髓与根尖周疾病、口腔颌面影像 等领域表现相对更好；而在 正畸、儿童牙科、传统修复 等领域表现更弱。

一个可能的原因是，不同专科对临床推理的要求并不相同。口腔黏膜病、牙髓与根尖周疾病等领域中的部分知识，更容易通过相对标准化的术语、疾病模式和诊疗逻辑进行表达。而正畸、儿童牙科和传统修复等任务，往往更加依赖发育阶段、长期治疗规划、行为管理、程序设计和患者个体化约束。

即使这些信息已经通过文字呈现，模型仍然需要完成更加复杂的整合与权衡。

因此，一个总体分数看起来不错的模型，并不一定在所有牙科医学场景中都同样可靠。

平均分可能掩盖专科差异。大模型在介入真实牙科临床场景之前，必须接受更加细粒度的专科验证。

图3：不同模型在 14 个牙科专科上的宏平均得分。模型在各专科上的表现存在系统性差异。

[04 比答错更值得警惕的，是给出危险建议]

对于医疗 AI 来说，错误并不只是一个分数。

有些错误只是表述不够完整。有些错误可能导致额外检查、治疗返工或可避免的并发症。还有一些错误，则可能造成牙齿丧失、永久功能损害，甚至延误严重疾病的处理。

因此，在病例题中，我们进一步分析了模型回答的临床安全风险，每条回答会被划分为三个等级：

• S0：临床安全或低风险回答。

• S1：可能造成可逆患者伤害的危险回答。

• S2：可能造成不可逆或危及生命伤害的危险回答。

例如，错误的治疗顺序、可避免的并发症或需要额外返工的建议，可能被归入 S1。而可能导致牙齿丧失、永久感觉神经损伤、药物相关性颌骨坏死，或者延误恶性肿瘤和严重感染处理的建议，则可能被归入 S2。

在 12 个模型对 1,590 道病例题生成的 19,080 条回答中，整体不安全率达到 31.01%。其中，26.50% 属于 S1，4.51% 属于 S2。

换句话说：

在病例题中，接近三分之一的大模型回答存在潜在临床风险。

更值得注意的是，这些风险并不是均匀分布的。

不同模型之间的整体不安全率差异很大，从 15.97% 到 45.85% 不等。

不同专科之间，也呈现出不同的风险结构。例如，正畸的整体不安全率最高，达到 44.30%。

而更严重的 S2 风险，则更多集中在以下临床敏感领域：

• 系统健康、药理与安全：14.15%

• 麻醉与医疗急症：8.93%

• 儿童牙科：6.33%

这意味着，仅仅比较平均分是不够的。一个模型总体得分较高，仍然可能在少数高风险场景中给出严重错误的建议。一个模型整体不安全率较低，也不代表它一定能够避免偶发但严重的 S2 错误。

这意味着，单看正确率平均分可能会掩盖真正的临床风险。一个模型总体看起来不错，仍然可能在少数高风险场景中给出严重危险建议。

图4：病例题回答的安全风险分析。GlobalDentBench 不只评估答得对不对，也评估潜在临床伤害。

[05 Benchmark是如何构建的？]

为了让评测同时具备规模、临床相关性和可信度，我们从三类来源构建题目：

构建过程中，我们使用自动化 agent pipeline 将异构文档统一转成标准格式，再根据题型抽取或生成样本，并进行专科标签与推理层级标注。为了控制质量，流程中加入了自我校正与专家验证。

GlobalDentBench 并不是把 AI 生成的题目简单汇总成数据集。为了让题目真正符合牙科临床逻辑，我们引入了 Dentist-in-the-Loop 框架：6 位持证资深牙医（平均执医6.8年）全程参与数据源认证、分类体系制定、agent pipeline 优化、样本质量审核和自动评分框架校准。

这部分工作从 2026 年 2 月 5 日 持续到 2026 年 3 月 25 日。在 33 个工作日中，每位专家平均每天投入 1.5 小时，累计形成 297 人工时 的专业审核与反馈。专家不是在最后“盖章”，而是在构建流程中不断指出潜在问题，帮助系统修正题目的临床还原度、标签稳定性和临床合理性。

最终，选择题与简答题的专家一致率达到 99.98%；更复杂的病例题中，专家人工病例题总量的 32.89%，临床接受率达到 96.78%。在自动评分环节，经过牙医校准的 judge model 的临床接受率达到了98%。

图5：GlobalDentBench 的构建与评测流程。自动化 pipeline 负责文档标准化、题目构建、标签标注与最终验证，开放题由经专家校准的 judge model 进行评分。

[GlobalDentBench想说明什么？]

GlobalDentBench 的核心结论可以概括为一句话：

当前大模型可以成为牙科知识检索、教育和分析的辅助工具，但还不能作为自主牙科临床决策者。

这并不是否定大模型在医疗中的潜力。相反，只有把能力边界讲清楚，才能让模型更稳妥地进入真实工作流。

对于研究者，GlobalDentBench 提供了一个更接近真实牙科临床推理的评测框架。它把题型、推理层级、牙科专科和安全风险放在同一个体系里，让我们不再只比较一个总分。

对于开发者，它提供了一种可迁移的医学 benchmark 构建方法：用自动化 agent pipeline 处理异构来源，用专家校准控制质量，用 key-point scoring 和风险分级评估开放式临床回答。

对于临床和监管场景，它强调了一个重要原则：

在高风险医疗任务中，模型部署前必须经过专科验证、风险评估和专家把关的严格流程。

[ 开放资源 ]

我们已经公开项目代码和无版权限制的开放子集，方便研究者复现、评测和扩展。

论文

https://arxiv.org/abs/2605.24636

Github

https://github.com/FreedomIntelligence/GlobalDentBench

可公开子集GlobalDentBench-OA

https://huggingface.co/datasets/FreedomIntelligence/GlobalDentBench

GlobalDentBench 是一个跨机构、跨学科合作项目，参与团队覆盖口腔医学、人工智能、医学影像、生物医学研究与临床医院等方向。主要参与机构包括：

• 香港大学牙医学院 Faculty of Dentistry, The University of Hong Kong
• 香港中文大学（深圳）The Chinese University of Hong Kong, Shenzhen
• 南方医科大学深圳口腔医院（坪山）Shenzhen Stomatology Hospital (Pingshan) of Southern Medical University
• 北京大学 Peking University

• 北大清华生命科学联合中心 Peking-Tsinghua Center for Life Sciences
• 国家生物医学成像中心 National Biomedical Imaging Center
• 新基石科学实验室 New Cornerstone Science Laboratory
• 梅奥诊所 Mayo Clinic
• 德国慕尼黑大学医院 LMU University Hospital
• 深圳河套学院 Shenzhen Loop Area Institute
• 深圳自由动脉科技有限公司 Freedom AI
• 北京协同创新研究院 Beijing Institute of Collaborative Innovation

[总结]

如果用一个更直观的方式总结这篇工作：我们并不是只想知道，大模型能不能通过一场牙科考试。我们更想知道，当它面对的是真实患者、真实风险和真实临床推理时，它还能走多远。

GlobalDentBench 给出的答案是：

大模型已经展现出可观的牙科知识问答能力，但距离安全、可靠地承担临床决策，仍然有很长的路要走。

[未来展望]

未来，我们将会继续致力于推进牙科与AI的结合，并着重沿着两个方向推进：

从「测能力」走向「探边界」：推进 GlobalDentBench 2.0

下一阶段，我们将进一步升级 GlobalDentBench：不再追求题目数量的简单扩展，而是更加关注前沿模型的能力边界。

GlobalDentBench 2.0 将重点收录真正能够难住前沿模型的问题，引入更细致的 Rubric 评估开放式医学推理能力，并邀请来自不同国家和地区的专家持续参与审核与校准。

与此同时，我们也期待与更多高校、医院及相关机构开展合作，共同探索口腔医学与人工智能的更多可能。有意向的合作伙伴可通过 ziiyingsheng@gmail.com 与我们联系，进一步探讨合作机会。

从「通用模型」走向「专科优化」：探索专业化口腔医学模型

仅仅依靠规模更大的通用模型，可能仍不足以解决真实口腔临床中的复杂问题。

未来，一个值得探索的方向，是构建更加专业化的口腔医学模型：围绕高质量专科数据进行训练，引入口腔医生持续参与的校准机制，并针对临床推理、治疗规划和安全风险进行专项优化。

它未必会替代通用大模型，但可能成为推动医疗 AI 从「会答题」走向「真正可用」的重要一步。