DiabAgent 发布：用智能体做血糖控制，COGI 73.5 超过 Ope…
论文AI 评分 72/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究团队提出 DiabAgent，一套面向智能体生理控制的研究组件，包含 APC 控制框架、DiabetSim 模拟器和 SweetBench 基准。APC 通过医疗设备工具调节血糖，借助持续观测推断个体状态、积累个人经验并选择治疗动作。DiabetSim 用于模拟不同患者、事件与设备状况，支持规模化虚拟测试与训练；团队据此把 32 个场景设计实例化为 212 个血糖控制任务，构成 SweetBench。在 Claude Opus 5.5、决策间隔固定为一小时的设定下，APC 的 COGI 为 73.5，开源闭环基线 OpenAPS 为 71.2。消融实验显示，个体自适应与上下文信息能改善血糖控制；把高频规则控制与低频智能体决策结合，有望兼顾控制效果与算力开销。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载研究要解决的问题
医学语言模型在临床问答上的进展较快，但能否通过持续干预真正实现生理控制，此前缺少系统的量化评估。1 型糖尿病是一个具体场景：胰岛素分泌受损使患者依赖外源胰岛素，剂量需要根据进餐、运动、疾病和血糖测量等信息不断调整。DiabAgent 正是围绕这一场景搭建的研究套件，目标是为智能体参与人体生理控制提供框架、模拟器与评测基础。
三个组成部分
DiabAgent 包含三块内容。APC 即 Agentic Physiological Control 框架，它通过医疗设备工具控制血糖，利用持续观测推断个体状态、积累个人经验，并据此选择治疗动作。DiabetSim 是模拟器，用来模拟不同患者、事件与设备条件，支撑规模化的虚拟测试与训练。SweetBench 是基准，团队用 DiabetSim 把 32 个场景设计实例化为 212 个血糖控制任务，形成可复用的评测集合。
对比结果与消融发现
在 Claude Opus 5.5、决策间隔固定为一小时的条件下，APC 取得 73.5 的 COGI，开源闭环基线 OpenAPS 为 71.2。消融实验进一步显示，个体自适应和上下文信息这两项设计都能改善血糖控制效果。团队还尝试把高频的规则控制与低频的智能体决策组合起来，认为这种搭配在控制性能与计算开销之间具有平衡潜力。
为什么值得看
首次给出智能体持续干预生理指标的量化评测框架、模拟器与基准，并附与 OpenAPS 的直接对比。
Claude智能体算力
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。