您现在的位置是：网站首页>娱乐娱乐

奔驰宝马电玩城558855

邵新波 2025-05-14 【娱乐】 0930 人已围观

新智元报道⑤、【新智元导读】OpenAI发布新基准HealthBench⑰，联手60个国家262名执业医生⑥，树立新的「AGI标志性用例」⑮。OpenAI o3碾压Grok 3和Gemini 2.5 Pro⑫，成功登顶⑭。而最强AI几乎达到了人类医生最佳水平⑯！

最强AI⑯，已击败了人类医生⑤。

就在刚刚⑪，全球60个国家⑤，262名执业医生共同上阵❶，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench⑱。

这个基准包含了5,000个基于现实场景的健康对话❶，每个对话都有医生定制的评分标准⑤，来评估模型的响应⑫。

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④，o3拿下了最高分⑦，Grok 3位列第二⑭，Gemini 2.5 Pro位列第三❷。

值得一提的是⑩，在AI辅助下⑦，医生的诊断准确率提升了近4倍⑰。甚至⑩，o3①、GPT-4.1回答质量超越了医生的水平⑭。

人类免疫学家Derya Unutmaz高度评价道❶，「这个关键的评估基准⑨，将为AI医生铺平道路⑮。我们现在正处于一场改变医学未来⑯，拯救数百万人生命的革命开端」❷。

AGI关键要素④，⑮、医疗AI「标尺」⑳、OpenAI的Health AI团队负责人Karan Singhal⑮，在X上介绍了HealthBench的特点①，并给予了极大的期待：

希望这项工作的发布⑧，能为AI朝着改善人类健康的方向发展提供有力引导⑪。

改善人类健康⑧，将是通用人工智能最具决定性的影响之一❷。

但要实现这一目标②，必须确保模型既有用又安全⑯。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⑨，但现有评估体系仍存在三大局限：

未能还原真实医疗场景⑬、⑪、缺乏基于专家意见的严格验证⑮、

难以为前沿模型提供提升空间⑦。

OpenAI团队秉持AI在医疗领域评估的三大核心信念⑲，由此设计出HealthBench：

有现实意义⑥、：评分应反映真实世界影响⑩。突破传统考试题的局限①，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⑧。

值得信赖⑦、：评分须真实体现医师判断⑦。评估标准必须符合医疗专业人员的核心诉求与行业规范⑨，为AI系统优化提供严谨依据④。

未饱和⑰、：基准测试应推动进步❸。现有模型必须展现显着改进空间①，持续激励开发者提升系统性能④。

在过去一年中⑩，OpenAI与来自26个医学专业▓、在60个国家拥有执业经验的262名医师合作⑲，共同构建了HealthBench评估体系⑩。

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⑥，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⑩，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⑫，HealthBench支持更具实际意义的开放式评估⑲。

新研究有很多有趣的发现⑬，包括医生评分基线研究等⑨。

o3冲榜③、媲美人类医生②、这项健康基准HealthBench提出的主要目的⑲，便是为当前⑥，甚至未来顶尖LLM提供性能可参考依据❷。

在研究中⑮，OpenAI团队评估了多个模型①，包括o3⑮、Grok 3⑮、Claude 3.7 Sonnet等①，重点考察其在性能⑨、成本和可靠性方面的表现⑳。

性能⑧、根据现实世界健康场景的不同子集⑪，即「主题」⑥，以及体现模型行为的不同维度③，即「轴」⑨，所有模型进行PK⑤。

整体来看③，o3表现最佳⑥，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro⑮。

此外⑳，在最近几个月里⑫，OpenAI前沿模型在HealthBench上的表现提高了28%❸。

这一提升⑱，对模型的安全性和性能来说❶，比GPT-4o和GPT-3.5 Turbo之间的提升更大❶。

成本⑦、接下来❷，研究团队还在模型大小和测试时计算scaling轴上⑳，研究了模型的成本与性能④。

可以看到⑤，4月份OpenAI发布的模型❸，刷新了性能成本SOTA⑰。

研究还观察到❶，小模型在最近几个月里⑲，得到了显着的改进②，

尽管成本仅为GPT-4o的1/25⑱，GPT-4.1 nano的表现仍优于后者⑯。

比较低⑭、中⑲、高推理水平下的o3▓、o4-mini和o1模型③，结果显示测试时计算能力有所提高⑧。

其中⑯，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▓。

可靠性⑪、在医疗领域①，可靠性至关重要——一次错误回应可能抵消许多正确回答④。

因此⑦，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现⑦。

也就是说⑲，在给定示例的n个响应中⑳，最差的得分是多少⑦？

结果发现④，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⑭。

HealthBench系列

此外⑤，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus⑭。

· HealthBench Hard专为更高难度场景设计③，问题更具挑战性⑲；

· HealthBench Consensus由多位医生共同验证⑱，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⑲，比GPT-4o显着降低⑲。

在HealthBench Hard上▓，表现最好的模型得分仅为32%▓，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⑥。

AI与医生正面交锋⑬、那么⑦，这些大模型能够媲美▓，甚至超越人类医生的专业判断❶？

为此③，OpenAI在研究还展开了一场人机对决测试❸。

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⑯，撰写最佳回答①。

· 另一组医生则可以参考OpenAI的模型生成回答⑳，自由选择直接修改或完全重写⑪，提供更高质量的回复⑩。

随后⑩，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❶，评估它们在准确性⑦、专业性和实用性等方面的表现⑰。

关键发现如下：③、2024年9月模型②、在测试o1-preview⑯、4o时⑤，他们发现仅依靠AI生成回答⑱，优于没有参考任何AI医生的回答⑰。

更令人振奋的是⑦，当医生参考AI回答并加以优化后②，他们的回答质量显着超越了AI模型本身⑧。

这表明⑭，⑲、人类医生的专业判断❸，在❸、辅助下能产生最佳效果

2025年4月模型③、这次实验中⑳，研究人员让医生参考最新o3⑭、GPT-4.1模型的回答③，试图进一步提升回答质量⑭。

然而⑩，结果令人意外：⑭、医生的优化回答与❸、原始回答相比⑲，质量上没有显着提升⑥。

而当前⑥，AI模型已足够强大②，其回答质量几乎达到了人类医生最佳水平③。

GPT-4.1参评⑯、远超人类平均水平⑤、为检验基于模型的评分器能否精准评判评分标准⑨，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅❷，以确定这些回答是否符合相应评分标准⑰。

基于这些医生的反馈⑫，研究团队构建了所谓的「元评估」❷，即评估模型评分与医生判断之间的一致性⑱，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③，是否与医生达成一致⑯；

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⑱。

评估结果表明▓，模型评分器与医生之间的配对一致性程度⑦，和医生之间的配对一致性

程度相当⑤、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⑥，具有可信度和专业性④。

基线模型⑪、OpenAI将34条共识评分标准的数据按七大主题进行分组⑤，评估模型评分器与医生评分之间的一致性❷，并通过三种方式建立对照基线：

典型医生▓、为了估计人类专家之间的评分一致性③，需要对比每位医生的评分与其他医生的评分❶，并计算MF1分数⑥。

也就是⑯，用与模型相同的方式对医生进行评分②，仅统计该医生参与评估的对话示例⑫，且不使用该医生自己的评分作为参考⑯。

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❷。

表5按主题报告了加权平均的医生MF1分数⑥，权重基于每位医生参与的元示例数量②。

个体❶、医生⑰、OpenAI还在每个主题下报告了每位医生的MF1分数③。

图12展示了这些医生评分分数的分布情况⑤。

通过这些个体分数⑫，⑬、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⑯，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⑳。

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⑩。

结果：GPT-4.1远超普通医生

如表5所示⑪，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⑦、更具体地说：③、在7个主题中的5个中❷，GPT-4.1的评分表现超过了医生平均水平⑥；

在6个主题中⑲，GPT-4.1的表现处于医生评分分布的上半区间⑥；

在所有主题中❷，GPT-4.1的评分能力都高于医生群体的下三分之一⑰。

这些结果说明④，GPT-4.1作为基于模型的评分器⑭，其表现已能与医生专家的评估相媲美⑤。

从图12可以看到①，不同医生之间的评分表现差异显着⑳，说明医生间本身也存在一定主观性和评分风格的差异⑰。

总的来说⑲，只要满足以下条件▓，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⑧、多样且注释充分❸；

元评估设计合理⑳；

评分提示和评分模型经过精心挑选⑬。

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⑮，就已达到了医生级别的一致性表现⑪，因此它被设置为HealthBench的默认评分模型⑪。

模拟真实场景⑨，多维度评估

结合模型合成生成与人工对抗测试方式⑫，OpenAI创建了HealthBench⑪，力求贴近真实场景⑪，模拟真实世界中人们使用大模型的情况⑨。

对话具有以下特点：②、多轮交互③，更符合自然对话流程⑭、多语言支持③，覆盖不同语言背景⑬、角色多样⑬，既包括普通用户⑫，也包括医生

涵盖多个医学专业领域与场景

精心挑选⑬，具有▓、一定难度③，避免模型轻松「答对」⑱、这个基准的目标是推动更真实⑩、更全面的AI健康对话能力评估⑪，让模型在实用性与安全性之间达到更好的平衡⑯。

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⑮、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⑤，或应避免哪些内容⑤，比如：应提及某个医学事实⑪，或避免使用不必要的术语❸。

每一条评分标准都有对应的分值权重⑲，根据医生判断该标准在整体回答中的重要性而设定⑰。

整个HealthBench数据集中包含

48,562条独立评分标准⑧。

HealthBench中的对话被划分为七大主题▓，例如急诊⑯、应对不确定性▓、全球

健康等⑧。

每个主题下都包含多个相关示例⑥，每个示例都配有对应的评分标准⑬。

以下是一些数据集的示例②。

左右滑动查看⑦、每一条评分标准都对应一个评估维度⑳，用于界定该标准评估的是模型行为的哪个方面⑦，例如：

准确性⑳、沟通质量❶、信息查找与澄清能力⑩、这种结构化的设计▓，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⑫，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❶，根据每项评分标准判断是否达成②，并根据满足标准的总得分与满分比值①，给出整体评分⑯。

HealthBench涵盖了广泛的医学专科领域⑱，包括：

麻醉学⑥、皮肤病学⑬、放射诊断学⑫、急诊医学⑧、家庭医学❷、普通外科⑲、内科⑤、介入与放射诊断学③、医学遗传与基因组学⑭、神经外科⑥、神经内科⑲、核医学②、妇产科学⑨、眼科学⑱、骨科⑲、耳鼻喉科⑬、病理学❷、儿科学⑩、物理医学与康复②、整形外科⑰、精神病学④、公共卫生与预防医学⑨、放射肿瘤学⑤、胸外科②、泌尿外科⑪、血管外科⑤。

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⑦。

整个HealthBench构建过程涵盖了重点领域筛选⑭、生成相关且具有挑战性的案例样本④、案例标注以及各个环节的验证工作⑤。

参考资料：

很赞哦⑦！

随机图文