OpenEvidence führt medizinische KI‑Modellfamilie mit Darwin‑Vorschau ein

OpenEvidence hat am 3. September 2026 eine neue Familie medizinischer KI‑Suchmodelle veröffentlicht, wobei drei Produktionsmodelle verifizierten Kliniker*innen kostenlos zur Verfügung gestellt werden und ein viertes, das als das fortschrittlichste bezeichnet wird, ausschließlich Forschern nach Antragstellung angeboten wird.

Die drei Produktionsmodelle tragen Namen von Persönlichkeiten aus der Medizingeschichte. Osler, das das Unternehmen als sein schnellstes Modell mit etwa fünf Sekunden pro Antwort beschreibt, ist der Nachfolger des Modells, das zuvor die OpenEvidence‑Antworten angetrieben hat, und wird zum Standard der Plattform. Sackett ist als tiefgreifenderes Suchmodell positioniert, das für Fragen, die vom Evidenzgewicht abhängen, etwa 30 Sekunden pro Antwort benötigt. Snow, der Nachfolger der OpenEvidence‑Deep‑Consult‑Funktion, ist das tiefste Produktionsmodell mit etwa fünf Minuten pro Antwort und führt eine vollständige Untersuchung der medizinischen Literatur durch, bevor ein Bericht erstellt wird.

Die Modelle werden allen OpenEvidence‑Nutzer*innen auf openevidence.com sowie in den iOS‑ und Android‑Apps des Unternehmens ausgerollt, wobei Kliniker*innen über einen Modell‑Auswahl‑Button in der Oberfläche zwischen ihnen wählen können. OpenEvidence erklärte, dass jedes Modell der Familie denselben Standard klinischer Genauigkeit erfüllt; der Unterschied besteht darin, wie lange ein Modell nachdenkt und wie tief es sucht.

Die Namensgeber sind William Osler, der die medizinische Lehre vom Hörsaal zum Krankenbett verlegte; David Sackett, der als Vater der evidenzbasierten Medizin gilt; und John Snow, der den Choleraausbruch von 1854 in der Broad‑Street auf eine einzelne Wasserpumpe zurückführte und maßgeblich die moderne Epidemiologie begründete.

Darwin in Forschungs‑Vorschau

Das vierte Modell, Darwin, befindet sich in der Forschungs‑Vorschau und wird nicht allgemein veröffentlicht. In der Ankündigung beschreibt OpenEvidence Darwin als das fortschrittlichste medizinische KI‑Modell der Welt und gibt an, dass es das erste KI‑Modell ist, das eine perfekte Punktzahl bei MedQA erreicht hat, den das Unternehmen als führenden, vollständig unabhängigen Benchmark für medizinische KI bezeichnet. Das Unternehmen berichtet außerdem, dass Darwin bei MedXpertQA mit 72,8 Prozent, bei HealthBench Professional mit 82,7 Prozent und bei NOHARM mit 87,2 Prozent den Stand der Technik erreicht, und damit besser abschneidet als die nächstbesten Modelle, die als Claude Fable 5 und Gemini 3.7 bezeichnet werden.

Der Zugang erfolgt ausschließlich nach Antragstellung. OpenEvidence erklärte, dass seine Begründung mit Dual‑Use‑Risiko: zusammenhänge: Ein Modell, das an der Grenze von Virologie, Immunologie und Human‑Genetik argumentieren kann, könnte in falschen Händen die Arbeit beschleunigen, die streng reguliert ist, etwa biowaffenrelevante Forschung und Keimbahn‑Editierung außerhalb der üblichen wissenschaftlichen Aufsicht. Der aktuelle Zugang umfasst institutionelle Partner wie die National Organization for Rare Disorders, die Darwin seine schwierigsten Fälle liefert, Forschungskollaboratoren und akkreditierte KI‑Forscher*innen an akademischen Einrichtungen, die die Genauigkeit und Sicherheit von KI in der klinischen Medizin benchmarken. Das Unternehmen sagte, dass Darwins Fähigkeiten in Osler, Sackett und Snow einfließen werden, sobald seine Schutzmechanismen mit diesen Partnern validiert sind.

Benchmark‑Methodik

In einem begleitenden technischen Beitrag erläuterte OpenEvidence das Evaluations‑Setup. Für MedQA begann das Unternehmen mit ärztlichen Re‑Annotationen des Benchmark‑Tests mit 1.273 Fragen und vier Antwortoptionen und wendete Ausschlusskriterien für fehlende Informationen, Mehrdeutigkeiten und Kennzeichnungsfehler an, gefolgt von einem zweiten Prüfungsdurchlauf im August 2026 durch drei OpenEvidence‑Ärzt*innen, die jede Frage abdeckten, die ein bewertetes Modell falsch beantwortet hatte. Das ergab einen endgültigen Evaluationssatz von 660 Fragen, die Darwin fehlerfrei beantwortete. Das Unternehmen veröffentlicht seine Annotationen und Darwins vollständige Antworten für alle vier Benchmarks.

Bei MedXpertQA wurde Darwin anhand des vollständigen Text‑Splits mit 2.450 Fragen evaluiert, wobei der multimodale Teil ausgeschlossen wurde. Für HealthBench Professional nutzte das Unternehmen den öffentlich verfügbaren Testdatensatz, wobei Multi‑Turn‑Fälle ausgeschlossen wurden, sodass 410 von 525 Aufgaben übrig blieben, und bewertete die Antworten mit der von Anthropic veröffentlichten LLM‑as‑a‑judge‑Konfiguration, wobei Claude Opus 4.8 mit einem maximalen Denk‑Budget von 32.000 Tokens verwendet wurde. NOHARM, ein Benchmark, das die Häufigkeit und Schwere schädlicher Empfehlungen in realen Konsultationsfällen bewertet, wurde mit seinem offiziellen Open‑Source‑Paket auf dem offenen Subset von 30 Fällen bewertet.

Als Baselines wurden claude‑fable‑5 mit adaptivem Denken, gpt‑5.6‑sol mit standardmäßigem Denkaufwand und gemini‑3.7‑flash mit standardmäßigem Denkaufwand ausgeführt, wobei die API‑Standardwerte der jeweiligen Anbieter ohne Werkzeuge oder angepasste System‑Prompts verwendet wurden. Die HealthBench‑Professional‑Ergebnisse wurden über mindestens fünf unabhängige Durchläufe pro Modell gemittelt, während die anderen Datensätze in einem einzigen Durchlauf bewertet wurden, wobei durchgehend Mittelwerte angegeben wurden.

Laut dem Beitrag liegt Darwins MedXpertQA‑Punktzahl 7,7 Punkte über der stärksten Basislinie, seine HealthBench‑Professional‑Punktzahl 12,1 Punkte über dem nächstbesten Modell, und sein NOHARM‑schwere‑gewichtetes F1 erreichte 0,872 gegenüber 0,740 für die nächstliegende Basislinie. Das Unternehmen räumte ein, dass Darwins ungewichtete Präzision bei NOHARM niedriger ist als bei mehreren Baselines, und erklärte, dass die Metrik jede Empfehlung, die im Rubrik‑Katalog fehlt, als Fehlalarm zählt und dass Darwin darauf ausgelegt ist, Ärzt*innen das vollständige Set relevanter Optionen zu bieten. Es meldete Darwins schwergewichtete Präzision mit 0,9.

Verfügbarkeit und nächste Schritte

Osler, Sackett und Snow stehen allen verifizierten Kliniker*innen mit unbegrenzter Nutzung kostenlos zur Verfügung. Darwin ist für Forschende über ein Antragsverfahren auf der Unternehmens‑Website verfügbar.

OpenEvidence erklärte, dass es die Modellfamilie im Laufe der Zeit weiter verbessern, erweitern und den Zugang ausbauen wird, einschließlich Modelle für Fachbereiche, beginnend mit Onkologie, Radiologie und klinischer Genetik.