您现在的位置是：网站首页>军事军事

hydwc44330电玩城客服

韦夏槐 2025-05-14 【军事】 5450 人已围观

新智元报道⑪、【新智元导读】OpenAI发布新基准HealthBench⑭，联手60个国家262名执业医生⑤，树立新的「AGI标志性用例」⑪。OpenAI o3碾压Grok 3和Gemini 2.5 Pro⑫，成功登顶⑬。而最强AI几乎达到了人类医生最佳水平⑩！

最强AI▓，已击败了人类医生⑧。

就在刚刚⑦，全球60个国家⑭，262名执业医生共同上阵⑰，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench⑥。

这个基准包含了5,000个基于现实场景的健康对话⑤，每个对话都有医生定制的评分标准⑭，来评估模型的响应⑰。

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❷，o3拿下了最高分⑪，Grok 3位列第二⑳，Gemini 2.5 Pro位列第三②。

值得一提的是⑧，在AI辅助下⑩，医生的诊断准确率提升了近4倍❶。甚至⑮，o3⑲、GPT-4.1回答质量超越了医生的水平⑨。

人类免疫学家Derya Unutmaz高度评价道⑧，「这个关键的评估基准⑪，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③，拯救数百万人生命的革命开端」⑯。

AGI关键要素❸，⑮、医疗AI「标尺」⑯、OpenAI的Health AI团队负责人Karan Singhal⑨，在X上介绍了HealthBench的特点⑩，并给予了极大的期待：

希望这项工作的发布⑦，能为AI朝着改善人类健康的方向发展提供有力引导⑥。

改善人类健康⑧，将是通用人工智能最具决定性的影响之一⑳。

但要实现这一目标⑯，必须确保模型既有用又安全⑦。专业评估对理解模型在医疗场景中的表现至关重要⑰。

尽管学术界和产业界已付出巨大努力⑲，但现有评估体系仍存在三大局限：

未能还原真实医疗场景⑱、⑦、缺乏基于专家意见的严格验证⑤、

难以为前沿模型提供提升空间⑧。

OpenAI团队秉持AI在医疗领域评估的三大核心信念⑭，由此设计出HealthBench：

有现实意义❶、：评分应反映真实世界影响▓。突破传统考试题的局限⑬，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③。

值得信赖⑦、：评分须真实体现医师判断⑱。评估标准必须符合医疗专业人员的核心诉求与行业规范⑦，为AI系统优化提供严谨依据⑮。

未饱和⑭、：基准测试应推动进步②。现有模型必须展现显着改进空间⑫，持续激励开发者提升系统性能①。

在过去一年中⑱，OpenAI与来自26个医学专业⑰、在60个国家拥有执业经验的262名医师合作⑰，共同构建了HealthBench评估体系⑮。

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⑨，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⑳，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④，HealthBench支持更具实际意义的开放式评估⑰。

新研究有很多有趣的发现⑫，包括医生评分基线研究等⑪。

o3冲榜⑲、媲美人类医生⑱、这项健康基准HealthBench提出的主要目的⑯，便是为当前⑲，甚至未来顶尖LLM提供性能可参考依据⑳。

在研究中②，OpenAI团队评估了多个模型③，包括o3⑨、Grok 3⑭、Claude 3.7 Sonnet等④，重点考察其在性能⑨、成本和可靠性方面的表现⑲。

性能⑬、根据现实世界健康场景的不同子集⑲，即「主题」③，以及体现模型行为的不同维度⑯，即「轴」⑱，所有模型进行PK⑥。

整体来看⑥，o3表现最佳③，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro①。

此外❷，在最近几个月里⑱，OpenAI前沿模型在HealthBench上的表现提高了28%⑬。

这一提升⑧，对模型的安全性和性能来说⑧，比GPT-4o和GPT-3.5 Turbo之间的提升更大⑲。

成本⑪、接下来④，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⑪。

可以看到④，4月份OpenAI发布的模型⑨，刷新了性能成本SOTA▓。

研究还观察到③，小模型在最近几个月里⑨，得到了显着的改进②，

尽管成本仅为GPT-4o的1/25⑫，GPT-4.1 nano的表现仍优于后者⑥。

比较低⑱、中①、高推理水平下的o3⑨、o4-mini和o1模型▓，结果显示测试时计算能力有所提高②。

其中⑤，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⑤。

可靠性③、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⑮。

因此⑳，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现⑨。

也就是说⑦，在给定示例的n个响应中⑤，最差的得分是多少①？

结果发现⑧，o3模型在16个样本时的最差分数超过GPT-4o的两倍⑯，展现出更强的稳健性和下限表现②。

HealthBench系列

此外▓，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus⑫。

· HealthBench Hard专为更高难度场景设计⑭，问题更具挑战性⑩；

· HealthBench Consensus由多位医生共同验证⑰，确保评估标准的专业性和一致性⑨。

o3和GPT-4.1在HealthBench Consensus错误率⑱，比GPT-4o显着降低⑥。

在HealthBench Hard上⑨，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④、那么⑧，这些大模型能够媲美❸，甚至超越人类医生的专业判断⑧？

为此⑲，OpenAI在研究还展开了一场人机对决测试❷。

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⑧。

· 另一组医生则可以参考OpenAI的模型生成回答④，自由选择直接修改或完全重写⑭，提供更高质量的回复①。

随后⑧，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⑩，评估它们在准确性▓、专业性和实用性等方面的表现⑮。

关键发现如下：⑪、2024年9月模型⑭、在测试o1-preview①、4o时⑧，他们发现仅依靠AI生成回答❷，优于没有参考任何AI医生的回答①。

更令人振奋的是⑭，当医生参考AI回答并加以优化后⑯，他们的回答质量显着超越了AI模型本身②。

这表明⑦，⑪、人类医生的专业判断⑩，在⑭、辅助下能产生最佳效果

2025年4月模型④、这次实验中⑱，研究人员让医生参考最新o3❸、GPT-4.1模型的回答⑬，试图进一步提升回答质量❷。

然而⑯，结果令人意外：⑱、医生的优化回答与⑪、原始回答相比⑲，质量上没有显着提升④。

而当前⑬，AI模型已足够强大⑥，其回答质量几乎达到了人类医生最佳水平⑧。

GPT-4.1参评⑦、远超人类平均水平④、为检验基于模型的评分器能否精准评判评分标准❶，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅⑭，以确定这些回答是否符合相应评分标准⑲。

基于这些医生的反馈②，研究团队构建了所谓的「元评估」⑬，即评估模型评分与医生判断之间的一致性⑳，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⑤，是否与医生达成一致⑤；

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⑭。

评估结果表明⑳，模型评分器与医生之间的配对一致性程度⑤，和医生之间的配对一致性

程度相当⑨、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⑪，具有可信度和专业性⑪。

基线模型⑫、OpenAI将34条共识评分标准的数据按七大主题进行分组⑯，评估模型评分器与医生评分之间的一致性⑬，并通过三种方式建立对照基线：

典型医生④、为了估计人类专家之间的评分一致性⑩，需要对比每位医生的评分与其他医生的评分⑤，并计算MF1分数❷。

也就是⑱，用与模型相同的方式对医生进行评分⑥，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④。

注释：在分类任务中⑫，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❶。

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⑪，权重基于每位医生参与的元示例数量①。

个体⑭、医生⑩、OpenAI还在每个主题下报告了每位医生的MF1分数④。

图12展示了这些医生评分分数的分布情况⑱。

通过这些个体分数③，⑦、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⑥，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⑭。

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⑲，验证其是否达到了与医生相当的专业判断水平❷。

结果：GPT-4.1远超普通医生

如表5所示⑧，在所有主题上⑮，GPT-4.1作为评分模型的表现

均明显优于随机基线⑬、更具体地说：❶、在7个主题中的5个中⑮，GPT-4.1的评分表现超过了医生平均水平⑳；

在6个主题中①，GPT-4.1的表现处于医生评分分布的上半区间②；

在所有主题中⑳，GPT-4.1的评分能力都高于医生群体的下三分之一⑬。

这些结果说明④，GPT-4.1作为基于模型的评分器⑩，其表现已能与医生专家的评估相媲美❶。

从图12可以看到⑯，不同医生之间的评分表现差异显着▓，说明医生间本身也存在一定主观性和评分风格的差异⑱。

总的来说⑭，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③、多样且注释充分⑤；

元评估设计合理❷；

评分提示和评分模型经过精心挑选⑮。

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⑫，就已达到了医生级别的一致性表现⑮，因此它被设置为HealthBench的默认评分模型⑪。

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⑩，OpenAI创建了HealthBench⑲，力求贴近真实场景④，模拟真实世界中人们使用大模型的情况⑱。

对话具有以下特点：⑬、多轮交互❷，更符合自然对话流程⑧、多语言支持⑪，覆盖不同语言背景⑩、角色多样❷，既包括普通用户⑥，也包括医生

涵盖多个医学专业领域与场景

精心挑选❸，具有⑦、一定难度②，避免模型轻松「答对」⑳、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❷。

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⑱、由医生撰写的评分标准进行打分⑩。

这些评分标准详细说明了「完美回应」应包含哪些信息⑳，或应避免哪些内容⑦，比如：应提及某个医学事实⑯，或避免使用不必要的术语⑮。

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

整个HealthBench数据集中包含

48,562条独立评分标准⑱。

HealthBench中的对话被划分为七大主题④，例如急诊▓、应对不确定性⑥、全球

健康等①。

每个主题下都包含多个相关示例⑬，每个示例都配有对应的评分标准①。

以下是一些数据集的示例⑦。

左右滑动查看⑦、每一条评分标准都对应一个评估维度⑯，用于界定该标准评估的是模型行为的哪个方面⑯，例如：

准确性①、沟通质量⑧、信息查找与澄清能力④、这种结构化的设计❶，让HealthBench能够细致❸、多角度地评估AI模型在不同医疗场景中的表现⑭，反映在实际应用中的可靠性与实用性❷。

模型的回答由GPT-4.1担任评分者⑦，根据每项评分标准判断是否达成④，并根据满足标准的总得分与满分比值⑮，给出整体评分⑨。

HealthBench涵盖了广泛的医学专科领域⑮，包括：

麻醉学⑬、皮肤病学⑯、放射诊断学④、急诊医学▓、家庭医学⑫、普通外科⑮、内科②、介入与放射诊断学④、医学遗传与基因组学⑭、神经外科③、神经内科⑰、核医学⑤、妇产科学①、眼科学⑯、骨科⑮、耳鼻喉科❶、病理学③、儿科学❷、物理医学与康复③、整形外科⑬、精神病学⑬、公共卫生与预防医学❸、放射肿瘤学⑥、胸外科⑳、泌尿外科⑳、血管外科⑨。

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⑨。

整个HealthBench构建过程涵盖了重点领域筛选⑥、生成相关且具有挑战性的案例样本⑧、案例标注以及各个环节的验证工作⑥。

参考资料：

很赞哦⑭！

随机图文