答對鼻咽癌知識題，未必代表模型能制定合適方案，或隨病情變化修正判斷。NPCBench 是一套醫療 AI 評測基準，涵蓋指引知識、影像判讀、臨床決策及專科諮詢，嘗試檢驗模型能否把這些能力連接到病人的診療流程中。
不少醫療基準把能力拆成知識問答、單張影像判讀或靜態病例題，逐題計分；這種方式較難看出模型能否整合多模態證據，或在病程改變時更新決策。NPCBench 改以近似專科培訓測試，並加入縱向病例與 CarePath 評估，要求同一病人的病理、MRI T 分期及各項照護決策全部正確，才算聯合成功。
資料集包含 4,777 項分階段及諮詢題目，另有 100 名病人的 CarePath 病例，共 417 項診斷與照護評分任務。項目亦提供 MRI 延伸評測指南、醫師一致性校準，以及可用已發布預測結果重現主要結果表的 CPU 指令；研究比較了 30 個模型，並以配對控制檢視證據依據、病程中的判斷修正及諮詢評分。
結果反映單項能力與完整診療流程之間存在落差：在 21 個多模態模型中，嚴格 CarePath 聯合成功率最高為 23%。這令 NPCBench 適合研究醫療模型評測、腫瘤照護工作流程及多模態臨床推理的團隊；但它聚焦鼻咽癌，分數不能直接推廣至其他疾病或真實臨床成效。
- 評測範圍由指引知識延伸至影像、決策、病程追蹤及專科諮詢。
- CarePath 以病人為單位，要求多項診斷與照護答案同時正確。
- 研究比較 30 個模型，並納入配對控制與醫師一致性校準。
- 嚴格 CarePath 評估中，多模態模型最高成功率為 23%。
使用者可按任務下載相應題目，為每題提交模型答案，再以提供的評分工具輸出分數；Python 3.10 或更新版本即可執行。多選題需要提交完整選項集合，L1、L2、L4 等任務有各自的題目檔與評分命令，MRI 延伸測試則另有資料處理及推理設定指南。