您现在的位置是：网站首页>世界足球世界足球

唐朝电玩城tc6下载

江惜雪 2025-05-14 【世界足球】 0708 人已围观

新智元报道②、【新智元导读】OpenAI发布新基准HealthBench⑲，联手60个国家262名执业医生⑨，树立新的「AGI标志性用例」⑦。OpenAI o3碾压Grok 3和Gemini 2.5 Pro▓，成功登顶③。而最强AI几乎达到了人类医生最佳水平❷！

最强AI⑰，已击败了人类医生⑬。

就在刚刚❶，全球60个国家⑨，262名执业医生共同上阵⑤，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench⑧。

这个基准包含了5,000个基于现实场景的健康对话⑳，每个对话都有医生定制的评分标准①，来评估模型的响应⑪。

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⑨，o3拿下了最高分⑫，Grok 3位列第二⑧，Gemini 2.5 Pro位列第三⑬。

值得一提的是▓，在AI辅助下⑰，医生的诊断准确率提升了近4倍⑫。甚至❷，o3❷、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②，「这个关键的评估基准❶，将为AI医生铺平道路⑮。我们现在正处于一场改变医学未来⑥，拯救数百万人生命的革命开端」⑨。

AGI关键要素⑪，⑭、医疗AI「标尺」❶、OpenAI的Health AI团队负责人Karan Singhal⑪，在X上介绍了HealthBench的特点❶，并给予了极大的期待：

希望这项工作的发布⑭，能为AI朝着改善人类健康的方向发展提供有力引导⑱。

改善人类健康⑩，将是通用人工智能最具决定性的影响之一❷。

但要实现这一目标⑥，必须确保模型既有用又安全⑭。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▓，但现有评估体系仍存在三大局限：

未能还原真实医疗场景⑯、⑦、缺乏基于专家意见的严格验证⑭、

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④，由此设计出HealthBench：

有现实意义④、：评分应反映真实世界影响⑬。突破传统考试题的局限②，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③。评估标准必须符合医疗专业人员的核心诉求与行业规范⑧，为AI系统优化提供严谨依据⑨。

未饱和⑱、：基准测试应推动进步⑭。现有模型必须展现显着改进空间⑩，持续激励开发者提升系统性能⑲。

在过去一年中❷，OpenAI与来自26个医学专业⑳、在60个国家拥有执业经验的262名医师合作⑱，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⑰，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⑥，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⑧，HealthBench支持更具实际意义的开放式评估⑳。

新研究有很多有趣的发现⑭，包括医生评分基线研究等⑱。

o3冲榜④、媲美人类医生⑮、这项健康基准HealthBench提出的主要目的⑲，便是为当前❷，甚至未来顶尖LLM提供性能可参考依据⑨。

在研究中⑩，OpenAI团队评估了多个模型⑩，包括o3❷、Grok 3④、Claude 3.7 Sonnet等④，重点考察其在性能⑳、成本和可靠性方面的表现❷。

性能⑨、根据现实世界健康场景的不同子集❶，即「主题」⑥，以及体现模型行为的不同维度②，即「轴」⑭，所有模型进行PK⑮。

整体来看⑲，o3表现最佳⑬，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro⑤。

此外⑨，在最近几个月里⑯，OpenAI前沿模型在HealthBench上的表现提高了28%⑫。

这一提升⑨，对模型的安全性和性能来说⑱，比GPT-4o和GPT-3.5 Turbo之间的提升更大⑩。

成本▓、接下来⑰，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❸。

可以看到⑱，4月份OpenAI发布的模型⑥，刷新了性能成本SOTA⑱。

研究还观察到⑳，小模型在最近几个月里②，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⑲。

比较低④、中⑩、高推理水平下的o3⑭、o4-mini和o1模型⑥，结果显示测试时计算能力有所提高⑭。

其中②，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⑦。

可靠性❷、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①。

因此②，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现⑱。

也就是说⑭，在给定示例的n个响应中⑤，最差的得分是多少❷？

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⑫，展现出更强的稳健性和下限表现⑮。

HealthBench系列

此外⑮，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus⑫。

· HealthBench Hard专为更高难度场景设计⑪，问题更具挑战性❸；

· HealthBench Consensus由多位医生共同验证⑭，确保评估标准的专业性和一致性⑩。

o3和GPT-4.1在HealthBench Consensus错误率④，比GPT-4o显着降低⑱。

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

AI与医生正面交锋②、那么②，这些大模型能够媲美⑬，甚至超越人类医生的专业判断⑤？

为此⑱，OpenAI在研究还展开了一场人机对决测试⑤。

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①，撰写最佳回答①。

· 另一组医生则可以参考OpenAI的模型生成回答⑮，自由选择直接修改或完全重写▓，提供更高质量的回复⑬。

随后⑱，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①，评估它们在准确性⑤、专业性和实用性等方面的表现①。

关键发现如下：⑦、2024年9月模型③、在测试o1-preview⑳、4o时①，他们发现仅依靠AI生成回答②，优于没有参考任何AI医生的回答⑨。

更令人振奋的是⑨，当医生参考AI回答并加以优化后▓，他们的回答质量显着超越了AI模型本身⑲。

这表明⑯，⑬、人类医生的专业判断⑰，在⑱、辅助下能产生最佳效果

2025年4月模型❷、这次实验中⑰，研究人员让医生参考最新o3④、GPT-4.1模型的回答⑱，试图进一步提升回答质量⑰。

然而❸，结果令人意外：❸、医生的优化回答与④、原始回答相比⑮，质量上没有显着提升⑦。

而当前❷，AI模型已足够强大⑩，其回答质量几乎达到了人类医生最佳水平⑳。

GPT-4.1参评⑥、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⑬，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅⑱，以确定这些回答是否符合相应评分标准❷。

基于这些医生的反馈⑥，研究团队构建了所谓的「元评估」⑧，即评估模型评分与医生判断之间的一致性②，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⑮；

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⑰。

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❶、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⑦，具有可信度和专业性⑬。

基线模型①、OpenAI将34条共识评分标准的数据按七大主题进行分组⑱，评估模型评分器与医生评分之间的一致性⑥，并通过三种方式建立对照基线：

典型医生⑫、为了估计人类专家之间的评分一致性⑦，需要对比每位医生的评分与其他医生的评分⑫，并计算MF1分数⑲。

也就是⑥，用与模型相同的方式对医生进行评分⑦，仅统计该医生参与评估的对话示例⑫，且不使用该医生自己的评分作为参考⑭。

注释：在分类任务中▓，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⑥。

MF1适用于类别不平衡的元评估任务⑥。

表5按主题报告了加权平均的医生MF1分数②，权重基于每位医生参与的元示例数量⑦。

个体⑥、医生⑩、OpenAI还在每个主题下报告了每位医生的MF1分数⑱。

图12展示了这些医生评分分数的分布情况⑬。

通过这些个体分数❷，❶、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①、百分位数④，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①。

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⑧，验证其是否达到了与医生相当的专业判断水平⑯。

结果：GPT-4.1远超普通医生

如表5所示③，在所有主题上⑪，GPT-4.1作为评分模型的表现

均明显优于随机基线▓、更具体地说：①、在7个主题中的5个中②，GPT-4.1的评分表现超过了医生平均水平③；

在6个主题中⑦，GPT-4.1的表现处于医生评分分布的上半区间⑨；

在所有主题中⑮，GPT-4.1的评分能力都高于医生群体的下三分之一⑱。

这些结果说明⑰，GPT-4.1作为基于模型的评分器▓，其表现已能与医生专家的评估相媲美⑩。

从图12可以看到⑬，不同医生之间的评分表现差异显着⑧，说明医生间本身也存在一定主观性和评分风格的差异⑥。

总的来说⑧，只要满足以下条件⑫，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⑬、多样且注释充分❷；

元评估设计合理③；

评分提示和评分模型经过精心挑选⑳。

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❸，就已达到了医生级别的一致性表现③，因此它被设置为HealthBench的默认评分模型④。

模拟真实场景⑧，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HealthBench⑪，力求贴近真实场景❶，模拟真实世界中人们使用大模型的情况⑤。

对话具有以下特点：④、多轮交互⑰，更符合自然对话流程⑤、多语言支持⑤，覆盖不同语言背景⑧、角色多样③，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⑨，具有③、一定难度①，避免模型轻松「答对」⑯、这个基准的目标是推动更真实③、更全面的AI健康对话能力评估⑤，让模型在实用性与安全性之间达到更好的平衡⑪。

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⑱、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⑭，或应避免哪些内容②，比如：应提及某个医学事实⑭，或避免使用不必要的术语⑱。

每一条评分标准都有对应的分值权重⑨，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⑲，例如急诊⑨、应对不确定性❶、全球

健康等⑲。

每个主题下都包含多个相关示例②，每个示例都配有对应的评分标准⑮。

以下是一些数据集的示例⑱。

左右滑动查看⑥、每一条评分标准都对应一个评估维度❷，用于界定该标准评估的是模型行为的哪个方面⑪，例如：

准确性⑧、沟通质量⑱、信息查找与澄清能力⑯、这种结构化的设计⑯，让HealthBench能够细致①、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⑧。

模型的回答由GPT-4.1担任评分者⑳，根据每项评分标准判断是否达成⑬，并根据满足标准的总得分与满分比值⑯，给出整体评分⑤。

HealthBench涵盖了广泛的医学专科领域⑳，包括：

麻醉学❶、皮肤病学❸、放射诊断学⑪、急诊医学⑩、家庭医学⑥、普通外科⑭、内科⑩、介入与放射诊断学④、医学遗传与基因组学⑱、神经外科①、神经内科①、核医学②、妇产科学①、眼科学⑫、骨科⑧、耳鼻喉科❷、病理学⑳、儿科学⑤、物理医学与康复①、整形外科④、精神病学⑥、公共卫生与预防医学⑫、放射肿瘤学⑩、胸外科⑫、泌尿外科❷、血管外科❶。

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②。

整个HealthBench构建过程涵盖了重点领域筛选⑳、生成相关且具有挑战性的案例样本⑬、案例标注以及各个环节的验证工作❶。

参考资料：

很赞哦⑲！

随机图文