OpenEvidence Meluncurkan Keluarga Model AI Medis dengan Pratinjau Darwin

OpenEvidence merilis keluarga baru model AI medis pada 3 September 2026, menyediakan tiga model produksi secara gratis untuk klinisi terverifikasi dan membuka model keempat, yang digambarkan sebagai yang paling maju, untuk peneliti melalui proses aplikasi saja.

Tiga model produksi tersebut dinamai berdasarkan tokoh dalam sejarah kedokteran. Osler, yang perusahaan sebut sebagai model tercepat dengan waktu sekitar lima detik per jawaban, merupakan penerus model yang sebelumnya mendukung jawaban OpenEvidence dan menjadi model default platform. Sackett diposisikan sebagai model pencarian yang lebih mendalam dengan waktu sekitar 30 detik per jawaban untuk pertanyaan yang bergantung pada bobot bukti. Snow, penerus fitur OpenEvidence Deep Consult, adalah model produksi terdalam dengan waktu sekitar lima menit per jawaban, melakukan penyelidikan lengkap literatur medis sebelum menghasilkan laporan.

Model-model tersebut diluncurkan kepada semua pengguna OpenEvidence di openevidence.com serta aplikasi iOS dan Android perusahaan, dengan klinisi dapat memilih di antara mereka melalui pemilih model di antarmuka. OpenEvidence menyatakan setiap model dalam keluarga ini mematuhi standar akurasi klinis yang sama, dengan perbedaan terletak pada durasi pemikiran model dan kedalaman pencarian.

Nama-nama tersebut diambil dari William Osler, yang memindahkan pengajaran kedokteran dari ruang kuliah ke ranjang pasien; David Sackett, yang dikenang sebagai bapak kedokteran berbasis bukti; dan John Snow, yang melacak wabah kolera di Broad Street pada tahun 1854 ke satu pompa air dan membantu mendirikan epidemiologi modern.

Darwin dalam Pratinjau Penelitian

Model keempat, Darwin, berada dalam pratinjau penelitian dan tidak dirilis secara umum. Dalam pengumuman, OpenEvidence menggambarkan Darwin sebagai model AI medis paling maju di dunia dan menyatakan bahwa ini adalah model AI pertama yang mencapai skor sempurna pada MedQA, yang perusahaan sebut sebagai benchmark independen terkemuka untuk AI medis. Perusahaan juga melaporkan bahwa Darwin berada pada tingkat mutakhir pada MedXpertQA dengan 72,8 persen, HealthBench Professional dengan 82,7 persen, dan NOHARM dengan 87,2 persen, melampaui model-model terbaik berikutnya, yang disebut Claude Fable 5 dan Gemini 3.7.

Akses hanya melalui aplikasi. OpenEvidence mengatakan pertimbangannya terkait risiko penggunaan ganda: sebuah model yang dapat beralasan di frontier virologi, imunologi, dan genetika manusia dapat, di tangan yang salah, mempercepat pekerjaan yang sangat diatur, seperti riset terkait senjata biologi dan penyuntingan garis keturunan di luar pengawasan ilmiah mainstream. Akses saat ini mencakup mitra institusional seperti National Organization for Rare Disorders, yang memberikan kasus paling menantang kepada Darwin, kolaborator riset, dan peneliti AI terakreditasi di institusi akademik yang mengevaluasi akurasi dan keamanan AI dalam kedokteran klinis. Perusahaan menyatakan bahwa kemampuan Darwin akan mengalir ke Osler, Sackett, dan Snow seiring dengan validasi pengamanan bersama mitra-mitra tersebut.

Metodologi Benchmark

Dalam posting teknis pendamping, OpenEvidence merinci pengaturan evaluasi. Untuk MedQA, perusahaan memulai dari re-annotasi dokter atas tes empat pilihan yang berisi 1.273 pertanyaan, kemudian menerapkan kriteria eksklusi untuk informasi yang hilang, ambiguitas, dan kesalahan label, diikuti oleh tinjauan kedua pada Agustus 2026 oleh tiga dokter OpenEvidence yang meninjau setiap pertanyaan yang dijawab salah oleh model mana pun. Hal ini menghasilkan set evaluasi akhir berisi 660 pertanyaan, yang dijawab Darwin tanpa kesalahan. Perusahaan merilis anotasi mereka serta respons lengkap Darwin untuk keempat benchmark.

Pada MedXpertQA, Darwin dievaluasi pada seluruh set teks 2.450 pertanyaan, mengecualikan subset multimodal. Untuk HealthBench Professional, perusahaan menggunakan set tes publik dengan kasus multi‑turn dikecualikan, menyisakan 410 dari 525 tugas, dan menilai respons dengan konfigurasi LLM‑as‑a‑judge yang dipublikasikan oleh Anthropic, menggunakan Claude Opus 4.8 dengan anggaran pemikiran maksimum 32.000 token. NOHARM, benchmark yang menilai frekuensi dan keparahan rekomendasi berbahaya dalam kasus konsultasi nyata, dinilai dengan paket sumber terbuka resmi pada subset terbuka berisi 30 kasus.

Baseline dijalankan sebagai claude-fable-5 dengan pemikiran adaptif, gpt-5.6-sol pada upaya penalaran default, dan gemini-3.7-flash pada upaya penalaran default, menggunakan default API masing‑masing penyedia tanpa alat atau prompt sistem yang disesuaikan. Skor HealthBench Professional dirata‑ratakan dari setidaknya lima percobaan independen per model, sementara dataset lain dinilai dalam satu kali lintasan, dengan skor rata‑rata dilaporkan secara keseluruhan.

Menurut posting tersebut, skor MedXpertQA Darwin berada 7,7 poin di atas baseline terkuat, skor HealthBench Professional 12,1 poin di atas model berikutnya, dan F1 berbobot keparahan NOHARM mencapai 0,872 dibandingkan 0,740 untuk baseline terdekat. Perusahaan mengakui bahwa presisi tak berbobot Darwin pada NOHARM lebih rendah daripada beberapa baseline, menjelaskan bahwa metrik menghitung setiap rekomendasi yang tidak ada dalam rubrik sebagai positif palsu dan bahwa Darwin diatur untuk memberikan dokter seluruh set opsi relevan. Mereka melaporkan presisi berbobot keparahan Darwin sebesar 0,9.

Ketersediaan dan Langkah Selanjutnya

Osler, Sackett, dan Snow tersedia dengan penggunaan tak terbatas untuk semua klinisi terverifikasi tanpa biaya. Darwin tersedia untuk peneliti melalui proses aplikasi di situs perusahaan.

OpenEvidence menyatakan akan terus meningkatkan, memperluas, dan meningkatkan akses ke keluarga model ini seiring waktu, termasuk model yang dibangun untuk praktik spesialisasi mulai dari onkologi, radiologi, dan genetika klinis.