CUREBench 是评测安全领域的开源项目，由 mims-harvard 开发，2025 年首次发布。
它收录于评测安全分类，该分类目前共有 466 个项目，GitHub 星标数为 136。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-07。开源基准测试项目，完全免费，无付费版本。
它主要面向的使用场景是：医疗AI模型研发团队评估模型推理能力。同类可对比的替代方案包括 MedQA、PubMedQA、ClinicalBench。
CUREBench
给AI看病决策打分，推动医疗AI更靠谱
CUREBench 是一个面向 AI 治疗决策推理能力的基准测试平台，论文发表于 NeurIPS 2025。它旨在系统评估大规模语言模型在临床治疗决策中的表现，解决当前医疗 AI 评测缺乏标准化、规模化基准的问题。核心能力包括：构建覆盖多种疾病和治疗场景的评测数据集，设计可量化的推理任务，以及提供自动化的评估流程。通过该基准，研究者可以横向对比不同模型在治疗建议、用药合理性、风险权衡等方面的推理水平，推动医疗 AI 从‘能对话’向‘能决策’演进。项目代码以 Python 实现，提供数据加载与评估脚本，便于社区复现和扩展。目前处于早期阶段，星标数不高，但定位清晰，对医疗 AI 评测领域有独特价值。
开源
free
开源模型
GitHub 星标
★ 136
维护状态
低维护
是否开源
是
定价模式
free
项目数据
分类开源模型
开发团队mims-harvard
所属国家
定价模式free
价格说明开源基准测试项目，完全免费，无付费版本。
访问状态
是否开源是
开源协议
主要语言Python
技术栈/模型agentic-ai,agents,large-language-models,neurips-2025,reasoning-language-models,therapeutics
GitHub 星标★ 136
30天Star增速
HF 下载量
上线时间2025-05-28 00:00:00
最近更新2026-09-07 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数2
使用教程
核心亮点
- 首个面向治疗决策的大规模推理基准，填补医疗AI评测空白
- 基于NeurIPS论文，评测任务设计有学术严谨性
- 提供自动化评估脚本，便于复现和扩展新场景
不足之处
- 早期项目，文档和社区生态待观察
- 数据集规模和覆盖疾病范围可能有限
适用场景
- 医疗AI模型研发团队评估模型推理能力
- 学术研究对比不同LLM在临床决策上的表现
- 医疗机构筛选适合辅助决策的AI系统
替代项目
MedQA、PubMedQA、ClinicalBench
项目介绍
同类项目推荐
akto
开源
给 AI 应用做安全体检，防提示注入和数据泄露
Akto is the fastest growing AI Security platform for your teams to secure AI agents,···
XSafeClaw
开源
给 AI 智能体装上安全盾，自动红队测试找漏洞
Introducing XSafeClaw: The Open-Source Agent Safety Platform from Fudan University
fast-llm-security-guardrails
开源
给 AI Agent 加一道快速安全闸门，防提示注入和隐私泄露
The fastest Trust Layer for AI Agents
deepteam
开源
自动模拟越狱攻击，提前测出 LLM 安全漏洞
DeepTeam is a framework to red team LLMs and AI agents.