健康基准测试通常指用标准化医学问答数据集（如MedQA、PubMedQA等）评估模型医学知识水平，指标以准确率为主；这类测试默认模型应尽量给出答案，但Tabibu的安全层会主动拒绝诊断等，导致大量本可答对的问题被安全回退拦截。