您现在的位置是：网站首页>游戏游戏

骏悦科技天天电玩城

姚怀萍 2025-05-14 【游戏】 6027 人已围观

新智元报道⑥、【新智元导读】OpenAI发布新基准HealthBench④，联手60个国家262名执业医生⑥，树立新的「AGI标志性用例」⑩。OpenAI o3碾压Grok 3和Gemini 2.5 Pro⑤，成功登顶⑨。而最强AI几乎达到了人类医生最佳水平⑨！

最强AI⑭，已击败了人类医生⑬。

就在刚刚①，全球60个国家⑧，262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——HealthBench⑫。

这个基准包含了5,000个基于现实场景的健康对话①，每个对话都有医生定制的评分标准⑰，来评估模型的响应⑤。

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⑧，o3拿下了最高分②，Grok 3位列第二⑳，Gemini 2.5 Pro位列第三⑩。

值得一提的是⑧，在AI辅助下⑤，医生的诊断准确率提升了近4倍⑭。甚至⑮，o3⑱、GPT-4.1回答质量超越了医生的水平⑰。

人类免疫学家Derya Unutmaz高度评价道⑬，「这个关键的评估基准❸，将为AI医生铺平道路▓。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」⑬。

AGI关键要素⑤，▓、医疗AI「标尺」⑬、OpenAI的Health AI团队负责人Karan Singhal⑩，在X上介绍了HealthBench的特点⑧，并给予了极大的期待：

希望这项工作的发布⑮，能为AI朝着改善人类健康的方向发展提供有力引导①。

改善人类健康④，将是通用人工智能最具决定性的影响之一⑱。

但要实现这一目标③，必须确保模型既有用又安全⑤。专业评估对理解模型在医疗场景中的表现至关重要❸。

尽管学术界和产业界已付出巨大努力⑯，但现有评估体系仍存在三大局限：

未能还原真实医疗场景❷、⑪、缺乏基于专家意见的严格验证⑦、

难以为前沿模型提供提升空间▓。

OpenAI团队秉持AI在医疗领域评估的三大核心信念②，由此设计出HealthBench：

有现实意义⑮、：评分应反映真实世界影响④。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⑪。

值得信赖⑦、：评分须真实体现医师判断⑳。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▓。

未饱和⑤、：基准测试应推动进步⑬。现有模型必须展现显着改进空间⑮，持续激励开发者提升系统性能❷。

在过去一年中⑪，OpenAI与来自26个医学专业⑱、在60个国家拥有执业经验的262名医师合作⑥，共同构建了HealthBench评估体系▓。

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⑦，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④，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❸，HealthBench支持更具实际意义的开放式评估①。

新研究有很多有趣的发现▓，包括医生评分基线研究等❶。

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❷，便是为当前⑲，甚至未来顶尖LLM提供性能可参考依据⑥。

在研究中①，OpenAI团队评估了多个模型⑭，包括o3⑧、Grok 3①、Claude 3.7 Sonnet等▓，重点考察其在性能❸、成本和可靠性方面的表现⑪。

性能②、根据现实世界健康场景的不同子集⑮，即「主题」⑨，以及体现模型行为的不同维度③，即「轴」❶，所有模型进行PK⑩。

整体来看⑨，o3表现最佳⑥，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro❸。

此外⑤，在最近几个月里⑩，OpenAI前沿模型在HealthBench上的表现提高了28%▓。

这一提升⑯，对模型的安全性和性能来说⑳，比GPT-4o和GPT-3.5 Turbo之间的提升更大①。

成本⑤、接下来⑬，研究团队还在模型大小和测试时计算scaling轴上⑯，研究了模型的成本与性能❷。

可以看到④，4月份OpenAI发布的模型⑨，刷新了性能成本SOTA⑰。

研究还观察到⑱，小模型在最近几个月里⑤，得到了显着的改进④，

尽管成本仅为GPT-4o的1/25⑦，GPT-4.1 nano的表现仍优于后者⑦。

比较低❸、中❸、高推理水平下的o3❸、o4-mini和o1模型①，结果显示测试时计算能力有所提高⑬。

其中③，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⑯。

可靠性⑬、在医疗领域⑫，可靠性至关重要——一次错误回应可能抵消许多正确回答⑭。

因此③，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⑪，在给定示例的n个响应中⑫，最差的得分是多少⑬？

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⑰，展现出更强的稳健性和下限表现⑦。

HealthBench系列

此外①，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus⑤。

· HealthBench Hard专为更高难度场景设计⑫，问题更具挑战性⑨；

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

o3和GPT-4.1在HealthBench Consensus错误率④，比GPT-4o显着降低①。

在HealthBench Hard上⑭，表现最好的模型得分仅为32%❶，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①。

AI与医生正面交锋⑨、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⑥？

为此⑱，OpenAI在研究还展开了一场人机对决测试⑲。

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⑬，撰写最佳回答②。

· 另一组医生则可以参考OpenAI的模型生成回答⑫，自由选择直接修改或完全重写⑬，提供更高质量的回复❶。

随后⑥，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⑲、专业性和实用性等方面的表现⑨。

关键发现如下：①、2024年9月模型⑥、在测试o1-preview③、4o时③，他们发现仅依靠AI生成回答⑤，优于没有参考任何AI医生的回答③。

更令人振奋的是❸，当医生参考AI回答并加以优化后⑳，他们的回答质量显着超越了AI模型本身⑲。

这表明⑲，⑯、人类医生的专业判断⑬，在⑥、辅助下能产生最佳效果

2025年4月模型❷、这次实验中⑲，研究人员让医生参考最新o3⑭、GPT-4.1模型的回答⑮，试图进一步提升回答质量④。

然而②，结果令人意外：⑮、医生的优化回答与⑫、原始回答相比⑫，质量上没有显着提升⑪。

而当前❸，AI模型已足够强大⑲，其回答质量几乎达到了人类医生最佳水平⑬。

GPT-4.1参评❸、远超人类平均水平⑭、为检验基于模型的评分器能否精准评判评分标准③，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅⑲，以确定这些回答是否符合相应评分标准⑥。

基于这些医生的反馈⑭，研究团队构建了所谓的「元评估」②，即评估模型评分与医生判断之间的一致性④，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⑱；

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❷。

评估结果表明③，模型评分器与医生之间的配对一致性程度❷，和医生之间的配对一致性

程度相当⑮、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①，具有可信度和专业性⑫。

基线模型⑤、OpenAI将34条共识评分标准的数据按七大主题进行分组⑨，评估模型评分器与医生评分之间的一致性▓，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⑲，需要对比每位医生的评分与其他医生的评分⑥，并计算MF1分数⑦。

也就是④，用与模型相同的方式对医生进行评分⑳，仅统计该医生参与评估的对话示例❶，且不使用该医生自己的评分作为参考⑥。

注释：在分类任务中①，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⑪。

MF1适用于类别不平衡的元评估任务⑰。

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❸。

个体③、医生⑲、OpenAI还在每个主题下报告了每位医生的MF1分数⑥。

图12展示了这些医生评分分数的分布情况⑦。

通过这些个体分数❶，⑥、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⑥、百分位数⑧，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❷。

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⑳，验证其是否达到了与医生相当的专业判断水平⑲。

结果：GPT-4.1远超普通医生

如表5所示⑥，在所有主题上⑬，GPT-4.1作为评分模型的表现

均明显优于随机基线③、更具体地说：▓、在7个主题中的5个中⑤，GPT-4.1的评分表现超过了医生平均水平▓；

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③；

在所有主题中⑯，GPT-4.1的评分能力都高于医生群体的下三分之一❸。

这些结果说明⑧，GPT-4.1作为基于模型的评分器③，其表现已能与医生专家的评估相媲美③。

从图12可以看到⑭，不同医生之间的评分表现差异显着⑨，说明医生间本身也存在一定主观性和评分风格的差异▓。

总的来说⑫，只要满足以下条件③，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⑤、多样且注释充分⑪；

元评估设计合理⑦；

评分提示和评分模型经过精心挑选⑫。

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⑩，就已达到了医生级别的一致性表现⑰，因此它被设置为HealthBench的默认评分模型❷。

模拟真实场景⑦，多维度评估

结合模型合成生成与人工对抗测试方式③，OpenAI创建了HealthBench⑪，力求贴近真实场景⑤，模拟真实世界中人们使用大模型的情况⑫。

对话具有以下特点：⑨、多轮交互⑦，更符合自然对话流程⑱、多语言支持②，覆盖不同语言背景⑲、角色多样④，既包括普通用户⑭，也包括医生

涵盖多个医学专业领域与场景

精心挑选❶，具有❶、一定难度⑦，避免模型轻松「答对」⑭、这个基准的目标是推动更真实⑧、更全面的AI健康对话能力评估▓，让模型在实用性与安全性之间达到更好的平衡⑬。

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⑲、由医生撰写的评分标准进行打分⑦。

这些评分标准详细说明了「完美回应」应包含哪些信息④，或应避免哪些内容⑫，比如：应提及某个医学事实⑥，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⑧，根据医生判断该标准在整体回答中的重要性而设定⑯。

整个HealthBench数据集中包含

48,562条独立评分标准⑪。

HealthBench中的对话被划分为七大主题⑰，例如急诊⑦、应对不确定性⑥、全球

健康等⑪。

每个主题下都包含多个相关示例④，每个示例都配有对应的评分标准④。

以下是一些数据集的示例①。

左右滑动查看▓、每一条评分标准都对应一个评估维度⑫，用于界定该标准评估的是模型行为的哪个方面③，例如：

准确性③、沟通质量⑨、信息查找与澄清能力②、这种结构化的设计⑪，让HealthBench能够细致⑨、多角度地评估AI模型在不同医疗场景中的表现❸，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❷，根据每项评分标准判断是否达成▓，并根据满足标准的总得分与满分比值▓，给出整体评分⑯。

HealthBench涵盖了广泛的医学专科领域⑪，包括：

麻醉学③、皮肤病学②、放射诊断学❷、急诊医学⑩、家庭医学⑮、普通外科⑳、内科③、介入与放射诊断学⑮、医学遗传与基因组学⑩、神经外科⑦、神经内科⑭、核医学⑧、妇产科学⑤、眼科学▓、骨科❷、耳鼻喉科⑩、病理学❶、儿科学▓、物理医学与康复⑮、整形外科①、精神病学⑲、公共卫生与预防医学⑥、放射肿瘤学②、胸外科❷、泌尿外科❸、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⑫。

整个HealthBench构建过程涵盖了重点领域筛选⑬、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▓。

参考资料：

很赞哦⑰！

随机图文