阳性率相加不等于互斥患病率
同一名病人可以同时高于多套签名，把三套阳性率加起来当患病率，等于把一个人数了很多次。
脓毒症内型患病率段核定
MED-SEPSIS-ENDOT-REVIEW-212 · 重叠签名 · 互斥患病率 · 入窗备样人数
初稿把三套签名的阳性率相加写成「互斥高危内型、合并患病率 94.7%」，并据此建议备样。要在 8 份材料里核出重复计数、切点口径与队列混并的问题，改写这一段并给出本中心该备多少人。
临床研究内型分型患病率计数口径
88 份材料
5 万材料字符数
5条评分判据
16最长参考轨迹 Agent 回合
300K单条轨迹累计 prompt tokens
01
数据特点
样本与人不是一回事
登记表一行一管，含基线与复查、技术重测；按管计数会把复查和重测当成新病人。
队列不能混并
急诊、病房、监护室三层收样，合并出来的比例不能当作监护室入窗率用。
三模型实测均分 0.5707
三个模型在同一套判据下作答，均分 0.5707。只有 5 条判据、4 正 1 负，判据密度低，所以每一条的权重都被放大。
02
题面节选
以下为 Agent 实际收到的题面节选（原文照录），用于展示任务设定与约束。
instruction.md · 1,124 chars
你在一家重症医学转录组平台上工作。平台上有一个多中心脓毒症队列，用三套损害性基因签名（炎型、甲2、应序）给病人分型。这周五要把「内型患病率」这一段写进结果稿，交给联盟汇报。
组里已经有一版初稿，是按一份快速切分结果写的：把三套签名的阳性率直接相加，写成「三种互斥高危内型，合并患病率 94.7%」，并据此建议按这个比例为本中心监护室入窗备样。
你的任务是核定这一段能不能原样进结果稿：能就维持，不能就按夹子里的材料改成能进稿的写法，并把本中心监护室入窗应该备多少人写清楚。要给处置，不要只写「再看看」。
判定要求
- 计数口径以组里便条为准；样本登记与供体名册是两份不同粒度的数据，分析前先确定按哪个粒度计数。
- 切点口径以本平台健康对照为准；板上通用的绝对切点是否适用，要自己判断并说明理由。
NOTE节选自公开发布用的题面改写版，已省略材料清单表格与交付物字段。
03
附件清单
作答容器内可见的全部材料，统计由题包自动生成。原始文件随完整样例包提供。
| 文件 | 类型 | 规模 | 大小 |
|---|---|---|---|
| 三套高危初算.md按板上常用绝对切点做出的切分表 | md | 368 字 | 688 B |
| 供体名册.csv一人一行：中心、收样层、感染类别、入院严重度 | csv | 340 行 | 17 KB |
| 健康对照分位.csv本平台健康体检全血的均数与标准差 | csv | 2 行 | 166 B |
| 内型患病率初稿.md患病率段初稿 | md | 429 字 | 915 B |
| 夹页.txt8 份材料的清单与来历 | txt | 266 字 | 628 B |
| 样本登记.csv一行一管：样本号、供体号、中心、采血类型、病日 | csv | 394 行 | 21 KB |
| 签名连续分.csv各签名的连续分，未预先归类、未做标准化 | csv | 394 行 | 26 KB |
| 组里便条.txt台上口头的记账口径：按人还是按管、切点、多套签名、锁哪个队列 | txt | 278 字 | 762 B |
04
评分设计
5条独立评分判据
4 条得分项1 条扣分项
判据全文、权重与参考答案随完整数据包提供。
5 条判据，3 条二元判定 + 2 条五档评分，其中 1 条为扣分项。
- 5 条判据：4 条正向得分项，1 条扣分项（negate）
- 每条判据由独立的 Agent judge 逐条判定（individual 模式），可复现、可审计
- 判分凭据只注入 verifier 环境，作答容器看不到任何评分通道
- 判据全文与参考答案随完整数据包提供
结论正确性2
指令遵循1
分析与论证质量1
事实忠实性1
05
模型实测
前沿模型在真实 Agent 框架中的作答轨迹统计。一个回合即一次模型调用；上下文曲线展示长程任务中状态如何持续累积。
| 模型 | Agent 回合 | 工具调用 | 累计 prompt tokens | 峰值上下文 | 作答耗时 | 结果 |
|---|---|---|---|---|---|---|
| GPT-5.6-solCodex · Harbor | 7 | 300K | — | 2m 34s | 完成作答 | |
| Claude Opus 4.8Claude Code · Harbor | 23 | — | — | 4m 15s | 完成作答 | |
| Qwen3.8-MaxClaude Code · Harbor | 21 | — | — | 2m 44s | 完成作答 |
06
环境规格
| 任务 ID | MED-SEPSIS-ENDOT-REVIEW-212 |
|---|---|
| 任务格式 | Harbor task.toml · schema 1.4 |
| 题包版本 | 1.0.0 |
| Agent 时限 | 20 小时 |
| Verifier 时限 | 5 小时 |
| 作答容器 | 2 vCPU · 8 GB 内存 · 30 GB 存储 |
| 网络 | 仅用于 Agent 框架安装 |
| 工具集 | filesystem · shell · python |
| 判分隔离 | verifier 与作答分阶段运行评分凭据只注入 verifier，作答侧不可见 |
| 题面长度 | 1,124 字符 |
| 难度分级 | A2（三模型实测均分 0.5707） |
| 参考解 | gate 全项 33/33，reward 1.000 |
| 材料规模 | 8 份材料 · 394 份样本 / 340 名供体 |
Contact
想在自己的平台上跑这道题？
留下联系方式，我们会提供该题的完整样例包（题面、附件、verifier 与参考轨迹），并介绍同类题目的规模与定制方式。
- 完整题包与 verifier
- 同子类更多题目
- 接入与复测支持