您现在的位置是：网站首页>汽车汽车

hydwc电玩城下载

雷尔岚 2025-05-14 【汽车】 0573 人已围观

新智元报道❷、【新智元导读】OpenAI发布新基准HealthBench⑭，联手60个国家262名执业医生⑪，树立新的「AGI标志性用例」⑬。OpenAI o3碾压Grok 3和Gemini 2.5 Pro②，成功登顶❸。而最强AI几乎达到了人类医生最佳水平⑮！

最强AI▓，已击败了人类医生⑪。

就在刚刚③，全球60个国家②，262名执业医生共同上阵❷，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench❸。

这个基准包含了5,000个基于现实场景的健康对话⑬，每个对话都有医生定制的评分标准⑬，来评估模型的响应❸。

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⑥，Grok 3位列第二⑳，Gemini 2.5 Pro位列第三⑤。

值得一提的是❶，在AI辅助下⑫，医生的诊断准确率提升了近4倍⑰。甚至⑤，o3⑩、GPT-4.1回答质量超越了医生的水平③。

人类免疫学家Derya Unutmaz高度评价道⑫，「这个关键的评估基准⑨，将为AI医生铺平道路④。我们现在正处于一场改变医学未来❸，拯救数百万人生命的革命开端」⑱。

AGI关键要素⑦，⑪、医疗AI「标尺」⑳、OpenAI的Health AI团队负责人Karan Singhal❷，在X上介绍了HealthBench的特点⑰，并给予了极大的期待：

希望这项工作的发布⑤，能为AI朝着改善人类健康的方向发展提供有力引导⑧。

改善人类健康⑭，将是通用人工智能最具决定性的影响之一⑰。

但要实现这一目标❸，必须确保模型既有用又安全⑩。专业评估对理解模型在医疗场景中的表现至关重要⑬。

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❷、⑲、缺乏基于专家意见的严格验证⑪、

难以为前沿模型提供提升空间③。

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

有现实意义⑰、：评分应反映真实世界影响⑨。突破传统考试题的局限▓，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⑦。

值得信赖②、：评分须真实体现医师判断⑤。评估标准必须符合医疗专业人员的核心诉求与行业规范▓，为AI系统优化提供严谨依据⑭。

未饱和⑥、：基准测试应推动进步④。现有模型必须展现显着改进空间⑤，持续激励开发者提升系统性能▓。

在过去一年中⑰，OpenAI与来自26个医学专业③、在60个国家拥有执业经验的262名医师合作④，共同构建了HealthBench评估体系⑭。

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⑲，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⑦，HealthBench支持更具实际意义的开放式评估⑦。

新研究有很多有趣的发现⑤，包括医生评分基线研究等⑧。

o3冲榜⑲、媲美人类医生⑰、这项健康基准HealthBench提出的主要目的⑮，便是为当前②，甚至未来顶尖LLM提供性能可参考依据⑰。

在研究中⑬，OpenAI团队评估了多个模型❶，包括o3⑯、Grok 3⑪、Claude 3.7 Sonnet等⑮，重点考察其在性能▓、成本和可靠性方面的表现⑯。

性能③、根据现实世界健康场景的不同子集❸，即「主题」⑬，以及体现模型行为的不同维度❸，即「轴」⑰，所有模型进行PK③。

整体来看①，o3表现最佳⑩，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro⑱。

此外⑰，在最近几个月里⑬，OpenAI前沿模型在HealthBench上的表现提高了28%❷。

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

成本⑨、接下来⑦，研究团队还在模型大小和测试时计算scaling轴上⑩，研究了模型的成本与性能①。

可以看到⑩，4月份OpenAI发布的模型③，刷新了性能成本SOTA⑦。

研究还观察到⑤，小模型在最近几个月里⑰，得到了显着的改进⑱，

尽管成本仅为GPT-4o的1/25⑲，GPT-4.1 nano的表现仍优于后者⑬。

比较低①、中②、高推理水平下的o3⑧、o4-mini和o1模型④，结果显示测试时计算能力有所提高⑧。

其中❶，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⑰。

可靠性②、在医疗领域⑧，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⑩，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现❸。

也就是说❷，在给定示例的n个响应中⑥，最差的得分是多少③？

结果发现⑨，o3模型在16个样本时的最差分数超过GPT-4o的两倍⑲，展现出更强的稳健性和下限表现⑧。

HealthBench系列

此外⑳，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus⑮。

· HealthBench Hard专为更高难度场景设计⑮，问题更具挑战性⑦；

· HealthBench Consensus由多位医生共同验证⑳，确保评估标准的专业性和一致性⑯。

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

在HealthBench Hard上▓，表现最好的模型得分仅为32%⑫，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⑯。

AI与医生正面交锋⑥、那么⑪，这些大模型能够媲美▓，甚至超越人类医生的专业判断⑧？

为此⑦，OpenAI在研究还展开了一场人机对决测试▓。

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⑳，撰写最佳回答⑨。

· 另一组医生则可以参考OpenAI的模型生成回答⑨，自由选择直接修改或完全重写⑮，提供更高质量的回复②。

随后②，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②，评估它们在准确性❷、专业性和实用性等方面的表现⑪。

关键发现如下：⑧、2024年9月模型⑲、在测试o1-preview⑫、4o时▓，他们发现仅依靠AI生成回答❶，优于没有参考任何AI医生的回答⑮。

更令人振奋的是❷，当医生参考AI回答并加以优化后⑤，他们的回答质量显着超越了AI模型本身⑥。

这表明❸，❶、人类医生的专业判断④，在⑪、辅助下能产生最佳效果

2025年4月模型⑯、这次实验中⑪，研究人员让医生参考最新o3⑬、GPT-4.1模型的回答⑫，试图进一步提升回答质量⑲。

然而③，结果令人意外：❸、医生的优化回答与⑲、原始回答相比❷，质量上没有显着提升⑧。

而当前⑪，AI模型已足够强大❷，其回答质量几乎达到了人类医生最佳水平⑳。

GPT-4.1参评▓、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⑱，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅③，以确定这些回答是否符合相应评分标准⑤。

基于这些医生的反馈❷，研究团队构建了所谓的「元评估」⑰，即评估模型评分与医生判断之间的一致性▓，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⑬，是否与医生达成一致①；

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⑨，和医生之间的配对一致性

程度相当❸、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③。

基线模型②、OpenAI将34条共识评分标准的数据按七大主题进行分组⑳，评估模型评分器与医生评分之间的一致性⑮，并通过三种方式建立对照基线：

典型医生⑤、为了估计人类专家之间的评分一致性❸，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①。

也就是❶，用与模型相同的方式对医生进行评分⑨，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⑪。

注释：在分类任务中⑱，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⑲。

表5按主题报告了加权平均的医生MF1分数⑦，权重基于每位医生参与的元示例数量⑱。

个体⑦、医生⑨、OpenAI还在每个主题下报告了每位医生的MF1分数⑧。

图12展示了这些医生评分分数的分布情况③。

通过这些个体分数⑩，⑧、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❶、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③。

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▓，验证其是否达到了与医生相当的专业判断水平⑫。

结果：GPT-4.1远超普通医生

如表5所示④，在所有主题上⑨，GPT-4.1作为评分模型的表现

均明显优于随机基线⑲、更具体地说：④、在7个主题中的5个中❸，GPT-4.1的评分表现超过了医生平均水平⑰；

在6个主题中⑨，GPT-4.1的表现处于医生评分分布的上半区间❶；

在所有主题中⑪，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②，GPT-4.1作为基于模型的评分器⑪，其表现已能与医生专家的评估相媲美⑦。

从图12可以看到①，不同医生之间的评分表现差异显着❸，说明医生间本身也存在一定主观性和评分风格的差异⑦。

总的来说⑯，只要满足以下条件⑪，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❸、多样且注释充分❷；

元评估设计合理⑱；

评分提示和评分模型经过精心挑选①。

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⑨，就已达到了医生级别的一致性表现②，因此它被设置为HealthBench的默认评分模型③。

模拟真实场景❸，多维度评估

结合模型合成生成与人工对抗测试方式①，OpenAI创建了HealthBench④，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❸。

对话具有以下特点：⑬、多轮交互⑯，更符合自然对话流程⑩、多语言支持❶，覆盖不同语言背景▓、角色多样⑮，既包括普通用户③，也包括医生

涵盖多个医学专业领域与场景

精心挑选⑨，具有❶、一定难度⑬，避免模型轻松「答对」⑭、这个基准的目标是推动更真实⑭、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▓。

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⑩、由医生撰写的评分标准进行打分❷。

这些评分标准详细说明了「完美回应」应包含哪些信息⑪，或应避免哪些内容⑩，比如：应提及某个医学事实⑨，或避免使用不必要的术语②。

每一条评分标准都有对应的分值权重❸，根据医生判断该标准在整体回答中的重要性而设定②。

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⑰，例如急诊⑪、应对不确定性⑯、全球

健康等⑤。

每个主题下都包含多个相关示例❷，每个示例都配有对应的评分标准②。

以下是一些数据集的示例⑪。

左右滑动查看⑮、每一条评分标准都对应一个评估维度⑩，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⑪、沟通质量②、信息查找与澄清能力⑦、这种结构化的设计⑥，让HealthBench能够细致❷、多角度地评估AI模型在不同医疗场景中的表现②，反映在实际应用中的可靠性与实用性④。

模型的回答由GPT-4.1担任评分者⑭，根据每项评分标准判断是否达成⑯，并根据满足标准的总得分与满分比值⑬，给出整体评分⑫。

HealthBench涵盖了广泛的医学专科领域①，包括：

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

整个HealthBench构建过程涵盖了重点领域筛选⑦、生成相关且具有挑战性的案例样本②、案例标注以及各个环节的验证工作⑮。

参考资料：

很赞哦⑯！

随机图文