您现在的位置是：网站首页>体育体育

开心电玩城免费下载

蒋映易 2025-05-14 【体育】 2724 人已围观

新智元报道⑫、【新智元导读】OpenAI发布新基准HealthBench⑪，联手60个国家262名执业医生▓，树立新的「AGI标志性用例」❷。OpenAI o3碾压Grok 3和Gemini 2.5 Pro⑱，成功登顶④。而最强AI几乎达到了人类医生最佳水平⑧！

最强AI❷，已击败了人类医生❷。

就在刚刚⑨，全球60个国家③，262名执业医生共同上阵▓，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench①。

这个基准包含了5,000个基于现实场景的健康对话⑳，每个对话都有医生定制的评分标准❶，来评估模型的响应①。

论文地址：https://cdn.openai.com/pdf/bd7a39d5-9e9f-47b3-903c-8b847ca650c7/healthbench_paper.pdf

在参战的所有顶尖模型中▓，o3拿下了最高分⑥，Grok 3位列第二⑤，Gemini 2.5 Pro位列第三⑱。

值得一提的是⑱，在AI辅助下⑤，医生的诊断准确率提升了近4倍⑭。甚至▓，o3⑳、GPT-4.1回答质量超越了医生的水平①。

人类免疫学家Derya Unutmaz高度评价道⑦，「这个关键的评估基准⑤，将为AI医生铺平道路①。我们现在正处于一场改变医学未来⑩，拯救数百万人生命的革命开端」⑫。

AGI关键要素⑧，①、医疗AI「标尺」▓、OpenAI的Health AI团队负责人Karan Singhal⑲，在X上介绍了HealthBench的特点⑥，并给予了极大的期待：

希望这项工作的发布⑱，能为AI朝着改善人类健康的方向发展提供有力引导❸。

改善人类健康▓，将是通用人工智能最具决定性的影响之一⑨。

但要实现这一目标⑨，必须确保模型既有用又安全⑥。专业评估对理解模型在医疗场景中的表现至关重要⑥。

尽管学术界和产业界已付出巨大努力⑮，但现有评估体系仍存在三大局限：

未能还原真实医疗场景⑥、⑯、缺乏基于专家意见的严格验证⑳、

难以为前沿模型提供提升空间③。

OpenAI团队秉持AI在医疗领域评估的三大核心信念❶，由此设计出HealthBench：

有现实意义❶、：评分应反映真实世界影响⑱。突破传统考试题的局限⑨，精准捕捉患者与临床工作者使用模型时的复杂现实场景和工作流程⑦。

值得信赖▓、：评分须真实体现医师判断⑩。评估标准必须符合医疗专业人员的核心诉求与行业规范②，为AI系统优化提供严谨依据⑪。

未饱和⑥、：基准测试应推动进步⑫。现有模型必须展现显着改进空间▓，持续激励开发者提升系统性能⑮。

在过去一年中⑯，OpenAI与来自26个医学专业⑪、在60个国家拥有执业经验的262名医师合作⑦，共同构建了HealthBench评估体系⑰。

HealthBench主要面向两个群体：

研究社区：旨在推动形成统一的评估标准①，激励开发出真正有益于人类的模型

2. 医疗领域：提供高质量的证据⑥，帮助更好地理解当前和未来AI在医疗中的应用场景与局限性

与以往那些评估维度较为单一的医疗基准不同⑪，HealthBench支持更具实际意义的开放式评估⑧。

新研究有很多有趣的发现⑲，包括医生评分基线研究等❷。

o3冲榜⑰、媲美人类医生②、这项健康基准HealthBench提出的主要目的⑥，便是为当前⑬，甚至未来顶尖LLM提供性能可参考依据⑪。

在研究中⑫，OpenAI团队评估了多个模型⑲，包括o3❸、Grok 3⑧、Claude 3.7 Sonnet等⑥，重点考察其在性能⑫、成本和可靠性方面的表现⑳。

性能④、根据现实世界健康场景的不同子集❸，即「主题」⑫，以及体现模型行为的不同维度③，即「轴」⑧，所有模型进行PK⑫。

整体来看④，o3表现最佳⑳，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro④。

此外①，在最近几个月里⑮，OpenAI前沿模型在HealthBench上的表现提高了28%❸。

这一提升⑤，对模型的安全性和性能来说⑬，比GPT-4o和GPT-3.5 Turbo之间的提升更大⑬。

成本⑭、接下来❶，研究团队还在模型大小和测试时计算scaling轴上②，研究了模型的成本与性能⑲。

可以看到①，4月份OpenAI发布的模型⑤，刷新了性能成本SOTA⑯。

研究还观察到④，小模型在最近几个月里⑫，得到了显着的改进⑥，

尽管成本仅为GPT-4o的1/25⑳，GPT-4.1 nano的表现仍优于后者⑥。

比较低⑥、中②、高推理水平下的o3⑨、o4-mini和o1模型⑯，结果显示测试时计算能力有所提高⑬。

其中①，o3与GPT-4o之间的性能差距甚至超过了GPT-4o与GPT-3.5 Turbo之间的差距⑦。

可靠性⑪、在医疗领域⑳，可靠性至关重要——一次错误回应可能抵消许多正确回答⑥。

因此⑫，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现❸。

也就是说⑱，在给定示例的n个响应中⑮，最差的得分是多少⑤？

结果发现⑩，o3模型在16个样本时的最差分数超过GPT-4o的两倍⑤，展现出更强的稳健性和下限表现⑫。

HealthBench系列

此外⑥，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus⑰。

· HealthBench Hard专为更高难度场景设计②，问题更具挑战性⑧；

· HealthBench Consensus由多位医生共同验证⑫，确保评估标准的专业性和一致性③。

o3和GPT-4.1在HealthBench Consensus错误率⑬，比GPT-4o显着降低⑦。

在HealthBench Hard上⑱，表现最好的模型得分仅为32%④，这表明它为下一代模型提供了一个有意义且具挑战性的目标⑱。

AI与医生正面交锋①、那么⑧，这些大模型能够媲美⑥，甚至超越人类医生的专业判断⑬？

为此⑰，OpenAI在研究还展开了一场人机对决测试⑰。

262名专业医生被分为了两组：

· 一组医生可以在不使用AI工具的情况下查阅网络资源①，撰写最佳回答⑯。

· 另一组医生则可以参考OpenAI的模型生成回答①，自由选择直接修改或完全重写④，提供更高质量的回复④。

随后⑰，研究团队将这些医生撰写的回答与AI模型的回答进行评分对比⑥，评估它们在准确性①、专业性和实用性等方面的表现❸。

关键发现如下：⑩、2024年9月模型❶、在测试o1-preview⑧、4o时⑰，他们发现仅依靠AI生成回答⑪，优于没有参考任何AI医生的回答⑦。

更令人振奋的是❶，当医生参考AI回答并加以优化后④，他们的回答质量显着超越了AI模型本身❶。

这表明⑥，③、人类医生的专业判断▓，在⑰、辅助下能产生最佳效果

2025年4月模型⑧、这次实验中②，研究人员让医生参考最新o3❸、GPT-4.1模型的回答▓，试图进一步提升回答质量⑭。

然而⑱，结果令人意外：⑲、医生的优化回答与⑧、原始回答相比❷，质量上没有显着提升❷。

而当前⑳，AI模型已足够强大⑮，其回答质量几乎达到了人类医生最佳水平⑪。

GPT-4.1参评⑥、远超人类平均水平①、为检验基于模型的评分器能否精准评判评分标准⑥，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅⑤，以确定这些回答是否符合相应评分标准⑳。

基于这些医生的反馈⑯，研究团队构建了所谓的「元评估」⑲，即评估模型评分与医生判断之间的一致性⑫，重点衡量以下两点：

1.模型评分器与医生之间的一致性：模型在判断一个评分标准是否被满足时⑯，是否与医生达成一致▓；

2.医生之间的一致性：多位医生对同一模型回应的评分是否一致⑦。

评估结果表明❷，模型评分器与医生之间的配对一致性程度⑲，和医生之间的配对一致性

程度相当⑲、这说明HealthBench使用的模型评分方法在很大程度上能够代替专家评分⑯，具有可信度和专业性④。

基线模型⑲、OpenAI将34条共识评分标准的数据按七大主题进行分组⑰，评估模型评分器与医生评分之间的一致性⑩，并通过三种方式建立对照基线：

典型医生⑦、为了估计人类专家之间的评分一致性❶，需要对比每位医生的评分与其他医生的评分⑩，并计算MF1分数⑮。

也就是⑬，用与模型相同的方式对医生进行评分⑬，仅统计该医生参与评估的对话示例⑧，且不使用该医生自己的评分作为参考⑧。

注释：在分类任务中▓，宏平均F1分数是对每个类别的F1分数进行不加权平均的结果⑦。

MF1适用于类别不平衡的元评估任务④。

表5按主题报告了加权平均的医生MF1分数⑩，权重基于每位医生参与的元示例数量❷。

个体⑲、医生❸、OpenAI还在每个主题下报告了每位医生的MF1分数⑭。

图12展示了这些医生评分分数的分布情况⑪。

通过这些个体分数④，⑩、模型评分器在每个主题下的MF1分数被

表示为医生分布中的⑮、百分位数③，以更直观地理解模型评分表现在「人类专家水平」中所处的位置②。

这些基线设定让我们能够客观评估模型评分系统的可靠性②，验证其是否达到了与医生相当的专业判断水平①。

结果：GPT-4.1远超普通医生

如表5所示③，在所有主题上⑰，GPT-4.1作为评分模型的表现

均明显优于随机基线❸、更具体地说：⑭、在7个主题中的5个中❸，GPT-4.1的评分表现超过了医生平均水平⑧；

在6个主题中⑱，GPT-4.1的表现处于医生评分分布的上半区间⑯；

在所有主题中⑦，GPT-4.1的评分能力都高于医生群体的下三分之一⑥。

这些结果说明⑩，GPT-4.1作为基于模型的评分器❸，其表现已能与医生专家的评估相媲美③。

从图12可以看到③，不同医生之间的评分表现差异显着❸，说明医生间本身也存在一定主观性和评分风格的差异⑧。

总的来说❸，只要满足以下条件⑳，基于模型的评分系统可以与专家评分一样可靠：

基础数据真实⑱、多样且注释充分▓；

元评估设计合理①；

评分提示和评分模型经过精心挑选④。

由于GPT-4.1在无需复杂推理模型带来的高成本和延迟的情况下⑰，就已达到了医生级别的一致性表现⑩，因此它被设置为HealthBench的默认评分模型⑥。

模拟真实场景⑫，多维度评估

结合模型合成生成与人工对抗测试方式⑰，OpenAI创建了HealthBench⑱，力求贴近真实场景③，模拟真实世界中人们使用大模型的情况④。

对话具有以下特点：⑫、多轮交互❷，更符合自然对话流程⑧、多语言支持③，覆盖不同语言背景⑩、角色多样⑦，既包括普通用户⑬，也包括医生

涵盖多个医学专业领域与场景

精心挑选⑰，具有▓、一定难度⑧，避免模型轻松「答对」⑧、这个基准的目标是推动更真实⑬、更全面的AI健康对话能力评估⑥，让模型在实用性与安全性之间达到更好的平衡⑱。

HealthBench使用「评分标准式评估」方法：

每个模型回答都会根据该对话特定的⑪、由医生撰写的评分标准进行打分▓。

这些评分标准详细说明了「完美回应」应包含哪些信息⑰，或应避免哪些内容②，比如：应提及某个医学事实④，或避免使用不必要的术语④。

每一条评分标准都有对应的分值权重⑥，根据医生判断该标准在整体回答中的重要性而设定②。

整个HealthBench数据集中包含

48,562条独立评分标准▓。

HealthBench中的对话被划分为七大主题⑰，例如急诊⑬、应对不确定性④、全球

健康等▓。

每个主题下都包含多个相关示例⑤，每个示例都配有对应的评分标准⑭。

以下是一些数据集的示例④。

左右滑动查看⑲、每一条评分标准都对应一个评估维度⑰，用于界定该标准评估的是模型行为的哪个方面⑨，例如：

准确性⑧、沟通质量⑮、信息查找与澄清能力②、这种结构化的设计⑬，让HealthBench能够细致⑫、多角度地评估AI模型在不同医疗场景中的表现⑬，反映在实际应用中的可靠性与实用性⑤。

模型的回答由GPT-4.1担任评分者②，根据每项评分标准判断是否达成❶，并根据满足标准的总得分与满分比值❶，给出整体评分⑳。

HealthBench涵盖了广泛的医学专科领域⑩，包括：

麻醉学⑬、皮肤病学⑱、放射诊断学②、急诊医学⑯、家庭医学❶、普通外科⑤、内科⑧、介入与放射诊断学❶、医学遗传与基因组学❷、神经外科❷、神经内科⑮、核医学⑪、妇产科学④、眼科学⑰、骨科⑨、耳鼻喉科❷、病理学⑦、儿科学⑥、物理医学与康复②、整形外科⑮、精神病学⑥、公共卫生与预防医学⑪、放射肿瘤学⑰、胸外科⑦、泌尿外科⑤、血管外科▓。

这些专科的覆盖确保了HealthBench在临床广度和专业深度上的严谨性⑳。

整个HealthBench构建过程涵盖了重点领域筛选①、生成相关且具有挑战性的案例样本⑳、案例标注以及各个环节的验证工作③。

参考资料：

很赞哦⑧！

随机图文