您现在的位置是： 网站首页>娱乐娱乐

森林舞会电玩城最新版本更新内容

雷半梦 2025-05-14 【娱乐】 9893 人已围观

新智元报道⑪、【新智元导读】OpenAI发布新基准HealthBench③，联手60个国家262名执业医生⑰，树立新的「AGI标志性用例」⑪。OpenAI o3碾压Grok 3和Gemini 2.5 Pro②，成功登顶⑳。而最强AI几乎达到了人类医生最佳水平⑩！

最强AI⑪，已击败了人类医生⑰。

就在刚刚❸，全球60个国家⑫，262名执业医生共同上阵⑬，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench②。

这个基准包含了5,000个基于现实场景的健康对话⑩，每个对话都有医生定制的评分标准⑫，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⑥，o3拿下了最高分⑩，Grok 3位列第二⑦，Gemini 2.5 Pro位列第三④。

值得一提的是⑪，在AI辅助下⑫，医生的诊断准确率提升了近4倍▓。甚至⑲，o3③、GPT-4.1回答质量超越了医生的水平⑲。

人类免疫学家Derya Unutmaz高度评价道④，「这个关键的评估基准⑧，将为AI医生铺平道路⑥。我们现在正处于一场改变医学未来⑰，拯救数百万人生命的革命开端」⑤。

AGI关键要素③，⑲、医疗AI「标尺」⑬、OpenAI的Health AI团队负责人Karan Singhal▓，在X上介绍了HealthBench的特点⑱，并给予了极大的期待：

希望这项工作的发布①，能为AI朝着改善人类健康的方向发展提供有力引导⑬。

改善人类健康❸，将是通用人工智能最具决定性的影响之一③。

但要实现这一目标⑨，必须确保模型既有用又安全❷。专业评估对理解模型在医疗场景中的表现至关重要①。

尽管学术界和产业界已付出巨大努力⑪，但现有评估体系仍存在三大局限：

未能还原真实医疗场景⑨、①、缺乏基于专家意见的严格验证⑬、

难以为前沿模型提供提升空间⑲。

OpenAI团队秉持AI在医疗领域评估的三大核心信念⑦，由此设计出HealthBench：

有现实意义⑬、：评分应反映真实世界影响▓。突破传统考试题的局限⑩，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⑳。

值得信赖⑭、：评分须真实体现医师判断⑧。评估标准必须符合医疗专业人员的核心诉求与行业规范⑥，为AI系统优化提供严谨依据⑥。

未饱和▓、：基准测试应推动进步⑥。现有模型必须展现显着改进空间⑯，持续激励开发者提升系统性能⑨。

在过去一年中⑦，OpenAI与来自26个医学专业④、在60个国家拥有执业经验的262名医师合作⑬，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④，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⑧，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①，HealthBench支持更具实际意义的开放式评估⑭。

新研究有很多有趣的发现⑤，包括医生评分基线研究等⑨。

o3冲榜⑦、媲美人类医生⑬、这项健康基准HealthBench提出的主要目的⑧，便是为当前❶，甚至未来顶尖LLM提供性能可参考依据⑭。

在研究中④，OpenAI团队评估了多个模型⑱，包括o3❸、Grok 3⑩、Claude 3.7 Sonnet等⑬，重点考察其在性能⑫、成本和可靠性方面的表现⑩。

性能⑥、根据现实世界健康场景的不同子集③，即「主题」⑰，以及体现模型行为的不同维度⑧，即「轴」⑫，所有模型进行PK④。

整体来看⑲，o3表现最佳⑦，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro▓。

此外⑦，在最近几个月里⑦，OpenAI前沿模型在HealthBench上的表现提高了28%⑳。

这一提升③，对模型的安全性和性能来说❸，比GPT-4o和GPT-3.5 Turbo之间的提升更大⑨。

成本⑦、接下来⑯，研究团队还在模型大小和测试时计算scaling轴上❸，研究了模型的成本与性能⑰。

可以看到⑨，4月份OpenAI发布的模型❶，刷新了性能成本SOTA❷。

研究还观察到⑩，小模型在最近几个月里⑧，得到了显着的改进⑥，

尽管成本仅为GPT-4o的1/25①，GPT-4.1 nano的表现仍优于后者⑳。

比较低②、中⑨、高推理水平下的o3③、o4-mini和o1模型❶，结果显示测试时计算能力有所提高⑮。

其中⑲，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❶。

可靠性⑳、在医疗领域⑥，可靠性至关重要——一次错误回应可能抵消许多正确回答①。

因此❷，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现④。

也就是说④，在给定示例的n个响应中⑱，最差的得分是多少⑦？

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⑱，展现出更强的稳健性和下限表现⑤。

HealthBench系列

此外⑱，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus⑩。

· HealthBench Hard专为更高难度场景设计③，问题更具挑战性⑳；

· HealthBench Consensus由多位医生共同验证▓，确保评估标准的专业性和一致性⑦。

o3和GPT-4.1在HealthBench Consensus错误率⑫，比GPT-4o显着降低⑩。

在HealthBench Hard上⑩，表现最好的模型得分仅为32%⑳，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❸、那么⑩，这些大模型能够媲美①，甚至超越人类医生的专业判断①？

为此②，OpenAI在研究还展开了一场人机对决测试②。

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⑪。

· 另一组医生则可以参考OpenAI的模型生成回答⑥，自由选择直接修改或完全重写④，提供更高质量的回复②。

随后⑯，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⑪，评估它们在准确性①、专业性和实用性等方面的表现⑩。

关键发现如下：⑫、2024年9月模型⑥、在测试o1-preview⑪、4o时⑥，他们发现仅依靠AI生成回答⑫，优于没有参考任何AI医生的回答⑮。

更令人振奋的是⑯，当医生参考AI回答并加以优化后③，他们的回答质量显着超越了AI模型本身⑤。

这表明③，❶、人类医生的专业判断①，在❷、辅助下能产生最佳效果

2025年4月模型⑬、这次实验中⑰，研究人员让医生参考最新o3⑱、GPT-4.1模型的回答⑱，试图进一步提升回答质量⑬。

然而⑫，结果令人意外：❶、医生的优化回答与⑧、原始回答相比⑪，质量上没有显着提升③。

而当前⑮，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⑲。

GPT-4.1参评④、远超人类平均水平❶、为检验基于模型的评分器能否精准评判评分标准⑳，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅⑨，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⑮，研究团队构建了所谓的「元评估」④，即评估模型评分与医生判断之间的一致性⑯，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⑰，是否与医生达成一致⑳；

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④。

评估结果表明▓，模型评分器与医生之间的配对一致性程度②，和医生之间的配对一致性

程度相当⑱、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⑧，具有可信度和专业性③。

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⑲，评估模型评分器与医生评分之间的一致性⑦，并通过三种方式建立对照基线：

典型医生⑱、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②，并计算MF1分数⑥。

也就是③，用与模型相同的方式对医生进行评分❸，仅统计该医生参与评估的对话示例⑱，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⑥，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⑮。

MF1适用于类别不平衡的元评估任务③。

表5按主题报告了加权平均的医生MF1分数⑱，权重基于每位医生参与的元示例数量⑬。

个体❶、医生③、OpenAI还在每个主题下报告了每位医生的MF1分数①。

图12展示了这些医生评分分数的分布情况④。

通过这些个体分数❸，⑫、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⑨、百分位数②，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▓。

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⑫，验证其是否达到了与医生相当的专业判断水平⑨。

结果：GPT-4.1远超普通医生

如表5所示⑩，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⑯、更具体地说：⑫、在7个主题中的5个中⑫，GPT-4.1的评分表现超过了医生平均水平⑬；

在6个主题中⑭，GPT-4.1的表现处于医生评分分布的上半区间⑮；

在所有主题中④，GPT-4.1的评分能力都高于医生群体的下三分之一▓。

这些结果说明⑯，GPT-4.1作为基于模型的评分器⑨，其表现已能与医生专家的评估相媲美❷。

从图12可以看到❶，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❸。

总的来说❶，只要满足以下条件⑥，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⑮、多样且注释充分⑦；

元评估设计合理⑥；

评分提示和评分模型经过精心挑选❷。

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⑲，就已达到了医生级别的一致性表现⑯，因此它被设置为HealthBench的默认评分模型②。

模拟真实场景⑪，多维度评估

结合模型合成生成与人工对抗测试方式⑳，OpenAI创建了HealthBench⑪，力求贴近真实场景⑫，模拟真实世界中人们使用大模型的情况③。

对话具有以下特点：⑫、多轮交互⑬，更符合自然对话流程⑭、多语言支持①，覆盖不同语言背景③、角色多样❷，既包括普通用户⑲，也包括医生

涵盖多个医学专业领域与场景

精心挑选②，具有❶、一定难度⑧，避免模型轻松「答对」❶、这个基准的目标是推动更真实⑥、更全面的AI健康对话能力评估⑰，让模型在实用性与安全性之间达到更好的平衡⑩。

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③、由医生撰写的评分标准进行打分⑫。

这些评分标准详细说明了「完美回应」应包含哪些信息⑦，或应避免哪些内容⑫，比如：应提及某个医学事实⑲，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⑲，根据医生判断该标准在整体回答中的重要性而设定⑳。

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▓，例如急诊⑩、应对不确定性⑰、全球

健康等❶。

每个主题下都包含多个相关示例①，每个示例都配有对应的评分标准⑤。

以下是一些数据集的示例③。

左右滑动查看⑭、每一条评分标准都对应一个评估维度⑲，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⑯、沟通质量③、信息查找与澄清能力⑧、这种结构化的设计⑱，让HealthBench能够细致⑧、多角度地评估AI模型在不同医疗场景中的表现⑪，反映在实际应用中的可靠性与实用性②。

模型的回答由GPT-4.1担任评分者❸，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❷，给出整体评分⑯。

HealthBench涵盖了广泛的医学专科领域⑲，包括：

麻醉学❸、皮肤病学⑪、放射诊断学⑫、急诊医学⑤、家庭医学④、普通外科⑭、内科⑩、介入与放射诊断学⑮、医学遗传与基因组学④、神经外科⑦、神经内科③、核医学⑯、妇产科学⑭、眼科学⑳、骨科▓、耳鼻喉科⑮、病理学④、儿科学④、物理医学与康复⑳、整形外科⑮、精神病学③、公共卫生与预防医学⑤、放射肿瘤学⑧、胸外科⑳、泌尿外科⑬、血管外科⑫。

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⑧。

整个HealthBench构建过程涵盖了重点领域筛选③、生成相关且具有挑战性的案例样本⑭、案例标注以及各个环节的验证工作④。

参考资料：

很赞哦⑥！

随机图文