Medical Reasoning on MedAgentsBench Hard Subsets benchmark leaderboard · SOTA2 Research

Medical Reasoning on MedAgentsBench Hard Subsets

0.52MEDQAMEDCOG-META

Evaluation Results

Method	Links
MEDCOG-META2026.02		0.52	0.36	0.356	0.44	0.2	0.375	0.443
MEDCOG-ALL2026.02		0.5	0.32	0.288	0.36	0.19	0.332	0.182
AFLOW2026.02		0.48	0.31	0.384	0.37	0.18	0.345	0.124
MULTIPERSONA2026.02		0.45	0.25	0.37	0.42	0.15	0.328	0.153
MEDAGENTS2026.02		0.43	0.3	0.288	0.08	0.15	0.25	-0.036
SELF-REFINE2026.02		0.41	0.34	0.342	0.34	0.13	0.312	0.331
COT2026.02		0.39	0.3	0.26	0.35	0.1	0.28	—
COT-SC2026.02		0.37	0.35	0.301	0.43	0.06	0.302	0.104
MDAGENTS2026.02		0.36	0.22	0.247	0.08	0.11	0.203	-0.169
MEDPROMPT2026.02		0.34	0.26	0.26	0.22	0.11	0.238	-3
ZERO-SHOT2026.02		0.32	0.25	0.247	0.21	0.09	0.223	—
FEW-SHOT2026.02		0.28	0.29	0.274	0.09	0.2	0.227	—