隨着前沿語言模型被快速部署到臨牀工作流中，評估其安全性的基礎設施卻未能跟上步伐。靜態醫療問答基準無法捕捉急診醫學中真正關鍵的失敗模式——軌跡級安全崩潰、工具誤用，以及在持續臨牀壓力下的妥協。為此，研究人員提出了 HealthCraft，這是首個在真實急診條件下獎勵軌跡級安全的公開強化學習環境，改編自 Corecraft。
HealthCraft 基於 FHIR R4 世界狀態構建，包含 14 種實體類型和 3987 個種子實體，並提供 24 個 MCP 工具。其核心是一個雙層級評分系統：當任何安全關鍵標準被違反時，獎勵將直接歸零。研究團隊發佈了 195 個任務，涵蓋六個類別，共 2255 個二元評判標準，其中 515 個為安全關鍵。後續又增加了 10 個負類任務，使總數達到 205 個任務和 2337 個標準。
對兩個前沿模型——Claude Opus 4.6 和 GPT-5.4——的 V8 版本測試顯示，在單步任務中，Claude 的首次通過率為 24.8%（置信區間 21.5-28.4），GPT 為 12.6%（10.2-15.6）；安全失敗率分別為 27.5% 和 34.0%。然而，在多步工作流（最接近真實急診護理的測試）中，兩者性能幾乎歸零：Claude 僅 1.0%，GPT 為 0.0%，儘管它們在單個步驟上表現出部分能力。
值得注意的是，在 V2 到 V8 的測試過程中，修復的六個基礎設施錯誤改變了模型之間的相對排名，這證明基礎設施的保真度本身也是測量的一部分。為控制評估噪聲，研究引入了確定性 LLM 評審覆蓋層。一項 60 次運行的負類煙霧測試表明，獎勵信號不能直接用於訓練：約束標準的通過率為 0.929，這種可遊戲性在評估框架中可被容忍，但作為訓練獎勵則會帶來風險。
研究團隊按照 Corecraft 第 5.2 節搭建了與 Megatron+SGLang+GRPO 循環的耦合，並將訓練獎勵消融實驗留作未來工作。HealthCraft 的環境、任務、評分規則及評估框架均以 Apache 2.0 許可證開源發佈。