您现在的位置是：网站首页>世界足球世界足球

电玩城官网入口

王映寒 2025-05-14 【世界足球】 7614 人已围观

新智元报道⑦、【新智元导读】OpenAI发布新基准HealthBench⑩，联手60个国家262名执业医生⑨，树立新的「AGI标志性用例」⑮。OpenAI o3碾压Grok 3和Gemini 2.5 Pro①，成功登顶⑮。而最强AI几乎达到了人类医生最佳水平❷！

最强AI⑧，已击败了人类医生⑭。

就在刚刚⑧，全球60个国家⑧，262名执业医生共同上阵⑩，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⑤，每个对话都有医生定制的评分标准⑮，来评估模型的响应⑧。

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⑯，o3拿下了最高分⑰，Grok 3位列第二⑰，Gemini 2.5 Pro位列第三⑧。

值得一提的是⑯，在AI辅助下⑯，医生的诊断准确率提升了近4倍①。甚至❶，o3③、GPT-4.1回答质量超越了医生的水平⑱。

人类免疫学家Derya Unutmaz高度评价道⑥，「这个关键的评估基准⑩，将为AI医生铺平道路❶。我们现在正处于一场改变医学未来⑤，拯救数百万人生命的革命开端」⑤。

AGI关键要素⑱，①、医疗AI「标尺」⑮、OpenAI的Health AI团队负责人Karan Singhal⑳，在X上介绍了HealthBench的特点⑯，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⑭。

改善人类健康❸，将是通用人工智能最具决定性的影响之一⑯。

但要实现这一目标❷，必须确保模型既有用又安全②。专业评估对理解模型在医疗场景中的表现至关重要⑲。

尽管学术界和产业界已付出巨大努力⑱，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、⑬、缺乏基于专家意见的严格验证⑩、

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④，由此设计出HealthBench：

有现实意义❶、：评分应反映真实世界影响⑪。突破传统考试题的局限⑤，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⑤、：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⑤，为AI系统优化提供严谨依据❷。

未饱和⑬、：基准测试应推动进步③。现有模型必须展现显着改进空间⑥，持续激励开发者提升系统性能⑳。

在过去一年中⑧，OpenAI与来自26个医学专业⑯、在60个国家拥有执业经验的262名医师合作⑫，共同构建了HealthBench评估体系②。

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⑫，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⑩，HealthBench支持更具实际意义的开放式评估⑬。

新研究有很多有趣的发现❶，包括医生评分基线研究等⑯。

o3冲榜①、媲美人类医生⑦、这项健康基准HealthBench提出的主要目的⑥，便是为当前⑫，甚至未来顶尖LLM提供性能可参考依据⑫。

在研究中⑤，OpenAI团队评估了多个模型⑯，包括o3②、Grok 3④、Claude 3.7 Sonnet等②，重点考察其在性能②、成本和可靠性方面的表现⑪。

性能⑱、根据现实世界健康场景的不同子集▓，即「主题」⑨，以及体现模型行为的不同维度▓，即「轴」⑱，所有模型进行PK▓。

整体来看⑧，o3表现最佳⑧，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro⑪。

此外⑲，在最近几个月里①，OpenAI前沿模型在HealthBench上的表现提高了28%⑭。

这一提升❷，对模型的安全性和性能来说②，比GPT-4o和GPT-3.5 Turbo之间的提升更大⑳。

成本❷、接下来⑪，研究团队还在模型大小和测试时计算scaling轴上⑧，研究了模型的成本与性能▓。

可以看到⑮，4月份OpenAI发布的模型⑯，刷新了性能成本SOTA⑫。

研究还观察到④，小模型在最近几个月里⑨，得到了显着的改进⑮，

尽管成本仅为GPT-4o的1/25❸，GPT-4.1 nano的表现仍优于后者❶。

比较低⑳、中⑯、高推理水平下的o3❸、o4-mini和o1模型❸，结果显示测试时计算能力有所提高⑤。

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⑯。

可靠性⑱、在医疗领域❶，可靠性至关重要——一次错误回应可能抵消许多正确回答②。

因此⑧，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现⑯。

也就是说⑱，在给定示例的n个响应中⑤，最差的得分是多少⑤？

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

HealthBench系列

此外⑫，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus❶。

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

· HealthBench Consensus由多位医生共同验证⑩，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③。

在HealthBench Hard上⑱，表现最好的模型得分仅为32%⑤，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❷。

AI与医生正面交锋⑲、那么⑫，这些大模型能够媲美⑬，甚至超越人类医生的专业判断⑥？

为此③，OpenAI在研究还展开了一场人机对决测试⑰。

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⑮。

· 另一组医生则可以参考OpenAI的模型生成回答⑰，自由选择直接修改或完全重写②，提供更高质量的回复⑥。

随后⑬，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⑥、专业性和实用性等方面的表现⑨。

关键发现如下：④、2024年9月模型⑳、在测试o1-preview⑯、4o时③，他们发现仅依靠AI生成回答④，优于没有参考任何AI医生的回答④。

更令人振奋的是④，当医生参考AI回答并加以优化后⑦，他们的回答质量显着超越了AI模型本身⑬。

这表明⑪，❶、人类医生的专业判断⑥，在▓、辅助下能产生最佳效果

2025年4月模型❷、这次实验中⑮，研究人员让医生参考最新o3⑰、GPT-4.1模型的回答①，试图进一步提升回答质量⑱。

然而⑨，结果令人意外：⑩、医生的优化回答与⑥、原始回答相比⑧，质量上没有显着提升❶。

而当前⑱，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①。

GPT-4.1参评⑪、远超人类平均水平⑬、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⑦，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①，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⑥，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⑧，是否与医生达成一致❸；

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⑧。

评估结果表明⑫，模型评分器与医生之间的配对一致性程度⑳，和医生之间的配对一致性

程度相当④、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⑳，具有可信度和专业性⑫。

基线模型▓、OpenAI将34条共识评分标准的数据按七大主题进行分组⑰，评估模型评分器与医生评分之间的一致性⑩，并通过三种方式建立对照基线：

典型医生⑯、为了估计人类专家之间的评分一致性⑨，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②。

也就是⑱，用与模型相同的方式对医生进行评分▓，仅统计该医生参与评估的对话示例❷，且不使用该医生自己的评分作为参考⑤。

注释：在分类任务中⑬，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⑯。

表5按主题报告了加权平均的医生MF1分数⑯，权重基于每位医生参与的元示例数量❷。

个体③、医生⑦、OpenAI还在每个主题下报告了每位医生的MF1分数⑤。

图12展示了这些医生评分分数的分布情况⑨。

通过这些个体分数⑲，❷、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❷、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⑩。

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⑩，验证其是否达到了与医生相当的专业判断水平▓。

结果：GPT-4.1远超普通医生

如表5所示⑫，在所有主题上❶，GPT-4.1作为评分模型的表现

均明显优于随机基线⑩、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⑭；

在6个主题中⑪，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②，GPT-4.1的评分能力都高于医生群体的下三分之一④。

这些结果说明⑳，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⑪。

从图12可以看到⑫，不同医生之间的评分表现差异显着⑮，说明医生间本身也存在一定主观性和评分风格的差异⑳。

总的来说⑨，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⑨、多样且注释充分⑱；

元评估设计合理⑱；

评分提示和评分模型经过精心挑选⑪。

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⑥，就已达到了医生级别的一致性表现④，因此它被设置为HealthBench的默认评分模型⑬。

模拟真实场景▓，多维度评估

结合模型合成生成与人工对抗测试方式⑯，OpenAI创建了HealthBench❸，力求贴近真实场景①，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：⑥、多轮交互❸，更符合自然对话流程⑰、多语言支持⑮，覆盖不同语言背景⑧、角色多样②，既包括普通用户⑤，也包括医生

涵盖多个医学专业领域与场景

精心挑选⑪，具有⑩、一定难度⑦，避免模型轻松「答对」▓、这个基准的目标是推动更真实⑤、更全面的AI健康对话能力评估❶，让模型在实用性与安全性之间达到更好的平衡⑫。

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⑨。

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❷，比如：应提及某个医学事实⑮，或避免使用不必要的术语❷。

每一条评分标准都有对应的分值权重⑳，根据医生判断该标准在整体回答中的重要性而设定⑥。

整个HealthBench数据集中包含

48,562条独立评分标准⑮。

HealthBench中的对话被划分为七大主题❸，例如急诊⑫、应对不确定性⑥、全球

健康等⑭。

每个主题下都包含多个相关示例⑱，每个示例都配有对应的评分标准❶。

以下是一些数据集的示例⑩。

左右滑动查看⑤、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⑤，例如：

准确性①、沟通质量⑨、信息查找与澄清能力⑤、这种结构化的设计③，让HealthBench能够细致⑫、多角度地评估AI模型在不同医疗场景中的表现⑬，反映在实际应用中的可靠性与实用性▓。

模型的回答由GPT-4.1担任评分者③，根据每项评分标准判断是否达成⑱，并根据满足标准的总得分与满分比值⑦，给出整体评分②。

HealthBench涵盖了广泛的医学专科领域②，包括：

麻醉学❷、皮肤病学②、放射诊断学④、急诊医学❷、家庭医学②、普通外科⑮、内科②、介入与放射诊断学⑭、医学遗传与基因组学⑭、神经外科❷、神经内科⑧、核医学⑮、妇产科学①、眼科学①、骨科▓、耳鼻喉科⑤、病理学②、儿科学⑮、物理医学与康复❷、整形外科⑮、精神病学③、公共卫生与预防医学❷、放射肿瘤学❶、胸外科⑰、泌尿外科④、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①。

整个HealthBench构建过程涵盖了重点领域筛选⑤、生成相关且具有挑战性的案例样本⑳、案例标注以及各个环节的验证工作①。

参考资料：

很赞哦⑤！

随机图文