您现在的位置是：网站首页>中国足球中国足球

电玩城决战万圣夜下载

陈书雪 2025-05-14 【中国足球】 6618 人已围观

新智元报道⑰、【新智元导读】OpenAI发布新基准HealthBench⑬，联手60个国家262名执业医生⑲，树立新的「AGI标志性用例」⑧。OpenAI o3碾压Grok 3和Gemini 2.5 Pro②，成功登顶⑦。而最强AI几乎达到了人类医生最佳水平③！

最强AI⑰，已击败了人类医生⑥。

就在刚刚❸，全球60个国家❸，262名执业医生共同上阵⑯，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench④。

这个基准包含了5,000个基于现实场景的健康对话④，每个对话都有医生定制的评分标准⑮，来评估模型的响应▓。

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⑭，Grok 3位列第二⑰，Gemini 2.5 Pro位列第三⑨。

值得一提的是⑱，在AI辅助下②，医生的诊断准确率提升了近4倍⑫。甚至⑨，o3▓、GPT-4.1回答质量超越了医生的水平④。

人类免疫学家Derya Unutmaz高度评价道①，「这个关键的评估基准⑨，将为AI医生铺平道路⑰。我们现在正处于一场改变医学未来▓，拯救数百万人生命的革命开端」⑨。

AGI关键要素⑨，③、医疗AI「标尺」⑧、OpenAI的Health AI团队负责人Karan Singhal❷，在X上介绍了HealthBench的特点⑬，并给予了极大的期待：

希望这项工作的发布⑰，能为AI朝着改善人类健康的方向发展提供有力引导⑮。

改善人类健康①，将是通用人工智能最具决定性的影响之一⑥。

但要实现这一目标⑨，必须确保模型既有用又安全⑨。专业评估对理解模型在医疗场景中的表现至关重要④。

尽管学术界和产业界已付出巨大努力③，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、⑫、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④。

OpenAI团队秉持AI在医疗领域评估的三大核心信念⑨，由此设计出HealthBench：

有现实意义⑦、：评分应反映真实世界影响②。突破传统考试题的局限③，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❶。

值得信赖⑤、：评分须真实体现医师判断⑯。评估标准必须符合医疗专业人员的核心诉求与行业规范⑬，为AI系统优化提供严谨依据❶。

未饱和❷、：基准测试应推动进步⑭。现有模型必须展现显着改进空间⑭，持续激励开发者提升系统性能⑧。

在过去一年中⑧，OpenAI与来自26个医学专业⑭、在60个国家拥有执业经验的262名医师合作⑯，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⑮，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⑱，HealthBench支持更具实际意义的开放式评估⑯。

新研究有很多有趣的发现②，包括医生评分基线研究等②。

o3冲榜⑯、媲美人类医生⑥、这项健康基准HealthBench提出的主要目的⑫，便是为当前⑪，甚至未来顶尖LLM提供性能可参考依据⑩。

在研究中⑧，OpenAI团队评估了多个模型⑮，包括o3⑭、Grok 3⑱、Claude 3.7 Sonnet等▓，重点考察其在性能②、成本和可靠性方面的表现⑰。

性能⑬、根据现实世界健康场景的不同子集⑰，即「主题」⑤，以及体现模型行为的不同维度⑬，即「轴」⑫，所有模型进行PK⑳。

整体来看⑲，o3表现最佳⑬，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro⑰。

此外③，在最近几个月里④，OpenAI前沿模型在HealthBench上的表现提高了28%⑥。

这一提升⑯，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❷。

成本③、接下来⑩，研究团队还在模型大小和测试时计算scaling轴上⑫，研究了模型的成本与性能⑮。

可以看到⑧，4月份OpenAI发布的模型▓，刷新了性能成本SOTA⑰。

研究还观察到❸，小模型在最近几个月里❷，得到了显着的改进⑳，

尽管成本仅为GPT-4o的1/25②，GPT-4.1 nano的表现仍优于后者❷。

比较低③、中⑯、高推理水平下的o3⑭、o4-mini和o1模型⑦，结果显示测试时计算能力有所提高⑰。

其中④，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⑨。

可靠性⑦、在医疗领域①，可靠性至关重要——一次错误回应可能抵消许多正确回答④。

因此⑰，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现⑲。

也就是说④，在给定示例的n个响应中⑲，最差的得分是多少⑥？

结果发现⑭，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▓。

HealthBench系列

此外⑧，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus⑱。

· HealthBench Hard专为更高难度场景设计⑳，问题更具挑战性⑥；

· HealthBench Consensus由多位医生共同验证⑮，确保评估标准的专业性和一致性❸。

o3和GPT-4.1在HealthBench Consensus错误率⑮，比GPT-4o显着降低③。

在HealthBench Hard上⑨，表现最好的模型得分仅为32%⑭，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⑰。

AI与医生正面交锋③、那么⑨，这些大模型能够媲美⑧，甚至超越人类医生的专业判断⑨？

为此⑥，OpenAI在研究还展开了一场人机对决测试⑳。

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▓。

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

随后❶，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❶，评估它们在准确性⑨、专业性和实用性等方面的表现❶。

关键发现如下：②、2024年9月模型⑤、在测试o1-preview③、4o时⑨，他们发现仅依靠AI生成回答▓，优于没有参考任何AI医生的回答▓。

更令人振奋的是③，当医生参考AI回答并加以优化后⑨，他们的回答质量显着超越了AI模型本身⑧。

这表明⑤，①、人类医生的专业判断①，在①、辅助下能产生最佳效果

2025年4月模型⑫、这次实验中⑦，研究人员让医生参考最新o3⑮、GPT-4.1模型的回答⑬，试图进一步提升回答质量④。

然而⑨，结果令人意外：⑨、医生的优化回答与③、原始回答相比⑤，质量上没有显着提升⑭。

而当前▓，AI模型已足够强大⑯，其回答质量几乎达到了人类医生最佳水平①。

GPT-4.1参评❷、远超人类平均水平❸、为检验基于模型的评分器能否精准评判评分标准④，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅❶，以确定这些回答是否符合相应评分标准①。

基于这些医生的反馈❸，研究团队构建了所谓的「元评估」❶，即评估模型评分与医生判断之间的一致性⑰，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⑩，是否与医生达成一致▓；

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⑯，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▓、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⑯，具有可信度和专业性⑮。

基线模型⑦、OpenAI将34条共识评分标准的数据按七大主题进行分组❶，评估模型评分器与医生评分之间的一致性②，并通过三种方式建立对照基线：

典型医生▓、为了估计人类专家之间的评分一致性⑱，需要对比每位医生的评分与其他医生的评分①，并计算MF1分数③。

也就是④，用与模型相同的方式对医生进行评分❷，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⑫。

注释：在分类任务中⑰，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⑲。

MF1适用于类别不平衡的元评估任务②。

表5按主题报告了加权平均的医生MF1分数⑨，权重基于每位医生参与的元示例数量⑰。

个体④、医生⑱、OpenAI还在每个主题下报告了每位医生的MF1分数⑬。

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⑮，⑪、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⑭、百分位数⑦，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②。

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⑪，验证其是否达到了与医生相当的专业判断水平③。

结果：GPT-4.1远超普通医生

如表5所示⑭，在所有主题上⑯，GPT-4.1作为评分模型的表现

均明显优于随机基线❸、更具体地说：▓、在7个主题中的5个中⑬，GPT-4.1的评分表现超过了医生平均水平①；

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④；

在所有主题中⑥，GPT-4.1的评分能力都高于医生群体的下三分之一⑭。

这些结果说明⑬，GPT-4.1作为基于模型的评分器⑦，其表现已能与医生专家的评估相媲美⑬。

从图12可以看到▓，不同医生之间的评分表现差异显着④，说明医生间本身也存在一定主观性和评分风格的差异⑭。

总的来说⑧，只要满足以下条件⑬，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⑥、多样且注释充分④；

元评估设计合理⑦；

评分提示和评分模型经过精心挑选⑧。

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❶，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⑤。

模拟真实场景⑱，多维度评估

结合模型合成生成与人工对抗测试方式❶，OpenAI创建了HealthBench⑰，力求贴近真实场景❸，模拟真实世界中人们使用大模型的情况②。

对话具有以下特点：⑤、多轮交互⑭，更符合自然对话流程⑳、多语言支持③，覆盖不同语言背景⑬、角色多样④，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⑮，具有①、一定难度❸，避免模型轻松「答对」⑬、这个基准的目标是推动更真实⑫、更全面的AI健康对话能力评估⑯，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⑳、由医生撰写的评分标准进行打分▓。

这些评分标准详细说明了「完美回应」应包含哪些信息②，或应避免哪些内容⑬，比如：应提及某个医学事实⑨，或避免使用不必要的术语⑧。

每一条评分标准都有对应的分值权重❷，根据医生判断该标准在整体回答中的重要性而设定⑤。

整个HealthBench数据集中包含

48,562条独立评分标准②。

HealthBench中的对话被划分为七大主题⑤，例如急诊⑮、应对不确定性⑦、全球

健康等①。

每个主题下都包含多个相关示例⑤，每个示例都配有对应的评分标准⑦。

以下是一些数据集的示例⑮。

左右滑动查看⑳、每一条评分标准都对应一个评估维度②，用于界定该标准评估的是模型行为的哪个方面②，例如：

准确性⑥、沟通质量⑳、信息查找与澄清能力⑧、这种结构化的设计⑧，让HealthBench能够细致⑦、多角度地评估AI模型在不同医疗场景中的表现❶，反映在实际应用中的可靠性与实用性⑬。

模型的回答由GPT-4.1担任评分者⑨，根据每项评分标准判断是否达成❸，并根据满足标准的总得分与满分比值⑲，给出整体评分▓。

HealthBench涵盖了广泛的医学专科领域⑨，包括：

麻醉学⑨、皮肤病学⑰、放射诊断学❸、急诊医学⑨、家庭医学❷、普通外科⑮、内科⑤、介入与放射诊断学▓、医学遗传与基因组学⑮、神经外科❸、神经内科⑯、核医学❷、妇产科学⑥、眼科学②、骨科⑯、耳鼻喉科⑲、病理学⑪、儿科学❷、物理医学与康复⑧、整形外科③、精神病学⑪、公共卫生与预防医学①、放射肿瘤学▓、胸外科❶、泌尿外科⑭、血管外科❸。

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❸。

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⑧。

参考资料：

很赞哦②！

随机图文