您现在的位置是：网站首页>CBACBA

178电玩城官方正版

孔慕儿 2025-05-14 【 CBA】 7063 人已围观

新智元报道⑦、【新智元导读】OpenAI发布新基准HealthBench▓，联手60个国家262名执业医生⑨，树立新的「AGI标志性用例」▓。OpenAI o3碾压Grok 3和Gemini 2.5 Pro⑲，成功登顶⑲。而最强AI几乎达到了人类医生最佳水平①！

最强AI②，已击败了人类医生⑩。

就在刚刚⑨，全球60个国家⑱，262名执业医生共同上阵⑮，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench⑩。

这个基准包含了5,000个基于现实场景的健康对话③，每个对话都有医生定制的评分标准⑪，来评估模型的响应❷。

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③，o3拿下了最高分⑫，Grok 3位列第二⑯，Gemini 2.5 Pro位列第三④。

值得一提的是⑮，在AI辅助下⑱，医生的诊断准确率提升了近4倍⑥。甚至⑱，o3⑯、GPT-4.1回答质量超越了医生的水平⑯。

人类免疫学家Derya Unutmaz高度评价道❸，「这个关键的评估基准⑬，将为AI医生铺平道路⑧。我们现在正处于一场改变医学未来⑧，拯救数百万人生命的革命开端」❶。

AGI关键要素③，❷、医疗AI「标尺」②、OpenAI的Health AI团队负责人Karan Singhal⑦，在X上介绍了HealthBench的特点⑨，并给予了极大的期待：

希望这项工作的发布⑭，能为AI朝着改善人类健康的方向发展提供有力引导❷。

改善人类健康▓，将是通用人工智能最具决定性的影响之一⑭。

但要实现这一目标④，必须确保模型既有用又安全⑳。专业评估对理解模型在医疗场景中的表现至关重要⑨。

尽管学术界和产业界已付出巨大努力⑰，但现有评估体系仍存在三大局限：

未能还原真实医疗场景⑲、⑰、缺乏基于专家意见的严格验证⑲、

难以为前沿模型提供提升空间⑭。

OpenAI团队秉持AI在医疗领域评估的三大核心信念④，由此设计出HealthBench：

有现实意义⑬、：评分应反映真实世界影响③。突破传统考试题的局限⑦，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⑯。

值得信赖⑱、：评分须真实体现医师判断⑲。评估标准必须符合医疗专业人员的核心诉求与行业规范⑧，为AI系统优化提供严谨依据⑬。

未饱和⑪、：基准测试应推动进步⑪。现有模型必须展现显着改进空间⑨，持续激励开发者提升系统性能⑱。

在过去一年中⑤，OpenAI与来自26个医学专业⑮、在60个国家拥有执业经验的262名医师合作⑭，共同构建了HealthBench评估体系❷。

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⑱，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⑪，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②，HealthBench支持更具实际意义的开放式评估⑳。

新研究有很多有趣的发现⑨，包括医生评分基线研究等③。

o3冲榜⑥、媲美人类医生⑱、这项健康基准HealthBench提出的主要目的⑦，便是为当前⑪，甚至未来顶尖LLM提供性能可参考依据❶。

在研究中⑱，OpenAI团队评估了多个模型⑬，包括o3⑮、Grok 3❸、Claude 3.7 Sonnet等⑫，重点考察其在性能⑰、成本和可靠性方面的表现⑳。

性能③、根据现实世界健康场景的不同子集④，即「主题」❸，以及体现模型行为的不同维度⑱，即「轴」❶，所有模型进行PK⑪。

整体来看❶，o3表现最佳⑬，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro④。

此外⑰，在最近几个月里⑥，OpenAI前沿模型在HealthBench上的表现提高了28%②。

这一提升④，对模型的安全性和性能来说⑦，比GPT-4o和GPT-3.5 Turbo之间的提升更大❷。

成本❸、接下来❶，研究团队还在模型大小和测试时计算scaling轴上⑲，研究了模型的成本与性能⑦。

可以看到⑤，4月份OpenAI发布的模型⑦，刷新了性能成本SOTA⑨。

研究还观察到⑥，小模型在最近几个月里⑫，得到了显着的改进⑦，

尽管成本仅为GPT-4o的1/25⑫，GPT-4.1 nano的表现仍优于后者⑱。

比较低⑬、中⑧、高推理水平下的o3②、o4-mini和o1模型⑮，结果显示测试时计算能力有所提高⑭。

其中②，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⑮。

可靠性②、在医疗领域④，可靠性至关重要——一次错误回应可能抵消许多正确回答❸。

因此⑲，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现①。

也就是说⑰，在给定示例的n个响应中⑬，最差的得分是多少⑩？

结果发现⑫，o3模型在16个样本时的最差分数超过GPT-4o的两倍③，展现出更强的稳健性和下限表现⑯。

HealthBench系列

此外⑰，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus⑪。

· HealthBench Hard专为更高难度场景设计⑮，问题更具挑战性⑨；

· HealthBench Consensus由多位医生共同验证⑨，确保评估标准的专业性和一致性①。

o3和GPT-4.1在HealthBench Consensus错误率⑯，比GPT-4o显着降低⑨。

在HealthBench Hard上⑪，表现最好的模型得分仅为32%❷，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❶。

AI与医生正面交锋④、那么⑭，这些大模型能够媲美▓，甚至超越人类医生的专业判断❷？

为此⑪，OpenAI在研究还展开了一场人机对决测试⑳。

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⑲，撰写最佳回答⑪。

· 另一组医生则可以参考OpenAI的模型生成回答❷，自由选择直接修改或完全重写⑱，提供更高质量的回复❶。

随后⑨，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❷，评估它们在准确性⑪、专业性和实用性等方面的表现⑬。

关键发现如下：③、2024年9月模型⑰、在测试o1-preview⑤、4o时▓，他们发现仅依靠AI生成回答③，优于没有参考任何AI医生的回答⑫。

更令人振奋的是⑦，当医生参考AI回答并加以优化后⑮，他们的回答质量显着超越了AI模型本身⑩。

这表明①，②、人类医生的专业判断④，在④、辅助下能产生最佳效果

2025年4月模型⑥、这次实验中②，研究人员让医生参考最新o3①、GPT-4.1模型的回答⑯，试图进一步提升回答质量⑲。

然而②，结果令人意外：①、医生的优化回答与⑮、原始回答相比⑭，质量上没有显着提升❸。

而当前⑤，AI模型已足够强大⑳，其回答质量几乎达到了人类医生最佳水平❸。

GPT-4.1参评⑭、远超人类平均水平⑬、为检验基于模型的评分器能否精准评判评分标准⑮，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅⑳，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⑲，研究团队构建了所谓的「元评估」⑱，即评估模型评分与医生判断之间的一致性⑮，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⑭，是否与医生达成一致❸；

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⑲。

评估结果表明⑨，模型评分器与医生之间的配对一致性程度④，和医生之间的配对一致性

程度相当⑳、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⑦，具有可信度和专业性❷。

基线模型⑳、OpenAI将34条共识评分标准的数据按七大主题进行分组▓，评估模型评分器与医生评分之间的一致性⑨，并通过三种方式建立对照基线：

典型医生❸、为了估计人类专家之间的评分一致性⑱，需要对比每位医生的评分与其他医生的评分▓，并计算MF1分数⑯。

也就是❶，用与模型相同的方式对医生进行评分⑮，仅统计该医生参与评估的对话示例⑪，且不使用该医生自己的评分作为参考⑲。

注释：在分类任务中⑳，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⑧。

MF1适用于类别不平衡的元评估任务⑥。

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

个体⑤、医生⑨、OpenAI还在每个主题下报告了每位医生的MF1分数⑱。

图12展示了这些医生评分分数的分布情况⑬。

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⑳、百分位数⑤，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⑱。

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⑮，验证其是否达到了与医生相当的专业判断水平❸。

结果：GPT-4.1远超普通医生

如表5所示❸，在所有主题上⑥，GPT-4.1作为评分模型的表现

均明显优于随机基线⑭、更具体地说：⑳、在7个主题中的5个中❶，GPT-4.1的评分表现超过了医生平均水平⑤；

在6个主题中⑮，GPT-4.1的表现处于医生评分分布的上半区间⑰；

在所有主题中⑱，GPT-4.1的评分能力都高于医生群体的下三分之一①。

这些结果说明⑥，GPT-4.1作为基于模型的评分器⑮，其表现已能与医生专家的评估相媲美⑪。

从图12可以看到④，不同医生之间的评分表现差异显着⑩，说明医生间本身也存在一定主观性和评分风格的差异①。

总的来说⑯，只要满足以下条件⑲，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⑦、多样且注释充分⑩；

元评估设计合理▓；

评分提示和评分模型经过精心挑选⑯。

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⑤，就已达到了医生级别的一致性表现⑲，因此它被设置为HealthBench的默认评分模型⑧。

模拟真实场景③，多维度评估

结合模型合成生成与人工对抗测试方式⑱，OpenAI创建了HealthBench❷，力求贴近真实场景❸，模拟真实世界中人们使用大模型的情况⑦。

对话具有以下特点：❸、多轮交互⑥，更符合自然对话流程④、多语言支持⑤，覆盖不同语言背景⑦、角色多样④，既包括普通用户⑦，也包括医生

涵盖多个医学专业领域与场景

精心挑选⑮，具有③、一定难度❶，避免模型轻松「答对」④、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⑮，让模型在实用性与安全性之间达到更好的平衡⑥。

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⑭、由医生撰写的评分标准进行打分⑱。

这些评分标准详细说明了「完美回应」应包含哪些信息▓，或应避免哪些内容⑯，比如：应提及某个医学事实⑦，或避免使用不必要的术语⑪。

每一条评分标准都有对应的分值权重⑭，根据医生判断该标准在整体回答中的重要性而设定⑧。

整个HealthBench数据集中包含

48,562条独立评分标准⑩。

HealthBench中的对话被划分为七大主题⑰，例如急诊③、应对不确定性❸、全球

健康等⑲。

每个主题下都包含多个相关示例⑮，每个示例都配有对应的评分标准⑩。

以下是一些数据集的示例④。

左右滑动查看⑱、每一条评分标准都对应一个评估维度▓，用于界定该标准评估的是模型行为的哪个方面⑳，例如：

准确性⑮、沟通质量⑬、信息查找与澄清能力⑨、这种结构化的设计⑰，让HealthBench能够细致⑩、多角度地评估AI模型在不同医疗场景中的表现⑥，反映在实际应用中的可靠性与实用性⑥。

模型的回答由GPT-4.1担任评分者❷，根据每项评分标准判断是否达成⑮，并根据满足标准的总得分与满分比值⑯，给出整体评分⑦。

HealthBench涵盖了广泛的医学专科领域③，包括：

麻醉学⑱、皮肤病学⑲、放射诊断学⑲、急诊医学⑳、家庭医学❷、普通外科⑥、内科②、介入与放射诊断学⑳、医学遗传与基因组学⑥、神经外科▓、神经内科⑤、核医学⑮、妇产科学③、眼科学⑰、骨科⑧、耳鼻喉科①、病理学⑬、儿科学⑪、物理医学与康复⑨、整形外科▓、精神病学⑩、公共卫生与预防医学①、放射肿瘤学⑭、胸外科⑮、泌尿外科⑧、血管外科⑬。

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⑱。

整个HealthBench构建过程涵盖了重点领域筛选②、生成相关且具有挑战性的案例样本⑫、案例标注以及各个环节的验证工作⑳。

参考资料：

很赞哦⑫！

随机图文