您现在的位置是：网站首页>CBACBA

世界调制器模式系列电玩城

何寄灵 2025-05-14 【CBA】 5748 人已围观

新智元报道⑯、【新智元导读】OpenAI发布新基准HealthBench④，联手60个国家262名执业医生⑦，树立新的「AGI标志性用例」②。OpenAI o3碾压Grok 3和Gemini 2.5 Pro⑨，成功登顶⑰。而最强AI几乎达到了人类医生最佳水平⑲！

最强AI⑩，已击败了人类医生⑰。

就在刚刚⑦，全球60个国家⑲，262名执业医生共同上阵⑱，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench⑬。

这个基准包含了5,000个基于现实场景的健康对话⑲，每个对话都有医生定制的评分标准⑥，来评估模型的响应⑨。

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⑦，o3拿下了最高分⑬，Grok 3位列第二③，Gemini 2.5 Pro位列第三❷。

值得一提的是⑥，在AI辅助下③，医生的诊断准确率提升了近4倍⑬。甚至②，o3⑥、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⑭，「这个关键的评估基准⑪，将为AI医生铺平道路⑪。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」⑳。

AGI关键要素⑨，⑬、医疗AI「标尺」⑧、OpenAI的Health AI团队负责人Karan Singhal③，在X上介绍了HealthBench的特点⑥，并给予了极大的期待：

希望这项工作的发布⑧，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⑲，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⑪，必须确保模型既有用又安全❸。专业评估对理解模型在医疗场景中的表现至关重要⑱。

尽管学术界和产业界已付出巨大努力⑨，但现有评估体系仍存在三大局限：

未能还原真实医疗场景⑫、③、缺乏基于专家意见的严格验证④、

难以为前沿模型提供提升空间⑱。

OpenAI团队秉持AI在医疗领域评估的三大核心信念⑤，由此设计出HealthBench：

有现实意义⑬、：评分应反映真实世界影响❶。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④。

值得信赖⑭、：评分须真实体现医师判断⑰。评估标准必须符合医疗专业人员的核心诉求与行业规范⑮，为AI系统优化提供严谨依据⑪。

未饱和②、：基准测试应推动进步⑦。现有模型必须展现显着改进空间⑪，持续激励开发者提升系统性能⑮。

在过去一年中❷，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❷，共同构建了HealthBench评估体系⑥。

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⑤，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⑲，HealthBench支持更具实际意义的开放式评估②。

新研究有很多有趣的发现▓，包括医生评分基线研究等▓。

o3冲榜①、媲美人类医生❶、这项健康基准HealthBench提出的主要目的⑯，便是为当前⑫，甚至未来顶尖LLM提供性能可参考依据▓。

在研究中▓，OpenAI团队评估了多个模型⑱，包括o3⑫、Grok 3⑱、Claude 3.7 Sonnet等⑬，重点考察其在性能⑬、成本和可靠性方面的表现⑰。

性能⑥、根据现实世界健康场景的不同子集❷，即「主题」⑫，以及体现模型行为的不同维度⑨，即「轴」⑦，所有模型进行PK②。

整体来看⑭，o3表现最佳⑥，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro⑫。

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%⑩。

这一提升⑥，对模型的安全性和性能来说⑭，比GPT-4o和GPT-3.5 Turbo之间的提升更大⑤。

成本⑥、接下来⑭，研究团队还在模型大小和测试时计算scaling轴上⑨，研究了模型的成本与性能⑲。

可以看到③，4月份OpenAI发布的模型④，刷新了性能成本SOTA⑩。

研究还观察到⑧，小模型在最近几个月里⑤，得到了显着的改进③，

尽管成本仅为GPT-4o的1/25❷，GPT-4.1 nano的表现仍优于后者⑭。

比较低③、中⑬、高推理水平下的o3▓、o4-mini和o1模型⑲，结果显示测试时计算能力有所提高⑰。

其中⑯，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⑲。

可靠性④、在医疗领域⑤，可靠性至关重要——一次错误回应可能抵消许多正确回答⑧。

因此⑲，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现⑫。

也就是说④，在给定示例的n个响应中❷，最差的得分是多少⑲？

结果发现⑯，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▓。

HealthBench系列

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

· HealthBench Hard专为更高难度场景设计▓，问题更具挑战性①；

· 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❷。

o3和GPT-4.1在HealthBench Consensus错误率⑱，比GPT-4o显着降低⑲。

在HealthBench Hard上⑮，表现最好的模型得分仅为32%⑯，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⑥。

AI与医生正面交锋⑱、那么⑧，这些大模型能够媲美⑲，甚至超越人类医生的专业判断⑨？

为此⑳，OpenAI在研究还展开了一场人机对决测试④。

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▓，撰写最佳回答③。

· 另一组医生则可以参考OpenAI的模型生成回答▓，自由选择直接修改或完全重写⑲，提供更高质量的回复⑲。

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⑩，评估它们在准确性⑩、专业性和实用性等方面的表现⑧。

关键发现如下：⑧、2024年9月模型⑥、在测试o1-preview❶、4o时④，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⑦。

更令人振奋的是⑱，当医生参考AI回答并加以优化后⑮，他们的回答质量显着超越了AI模型本身⑦。

这表明⑰，⑪、人类医生的专业判断⑭，在⑤、辅助下能产生最佳效果

2025年4月模型⑲、这次实验中⑥，研究人员让医生参考最新o3⑫、GPT-4.1模型的回答⑱，试图进一步提升回答质量⑮。

然而⑬，结果令人意外：❷、医生的优化回答与⑦、原始回答相比⑰，质量上没有显着提升⑭。

而当前③，AI模型已足够强大⑧，其回答质量几乎达到了人类医生最佳水平⑭。

GPT-4.1参评⑳、远超人类平均水平③、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⑧，以确定这些回答是否符合相应评分标准❶。

基于这些医生的反馈④，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⑨，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⑯，是否与医生达成一致④；

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⑩。

评估结果表明⑲，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⑤、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⑬，具有可信度和专业性⑲。

基线模型⑲、OpenAI将34条共识评分标准的数据按七大主题进行分组⑫，评估模型评分器与医生评分之间的一致性⑨，并通过三种方式建立对照基线：

典型医生❷、为了估计人类专家之间的评分一致性❷，需要对比每位医生的评分与其他医生的评分⑩，并计算MF1分数❸。

也就是⑭，用与模型相同的方式对医生进行评分⑲，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②。

注释：在分类任务中⑯，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④。

MF1适用于类别不平衡的元评估任务⑨。

表5按主题报告了加权平均的医生MF1分数⑬，权重基于每位医生参与的元示例数量⑥。

个体①、医生❶、OpenAI还在每个主题下报告了每位医生的MF1分数②。

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⑫，⑳、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⑨、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⑨。

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⑬，验证其是否达到了与医生相当的专业判断水平⑨。

结果：GPT-4.1远超普通医生

如表5所示⑮，在所有主题上⑳，GPT-4.1作为评分模型的表现

均明显优于随机基线⑭、更具体地说：⑱、在7个主题中的5个中④，GPT-4.1的评分表现超过了医生平均水平⑨；

在6个主题中⑭，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⑨，GPT-4.1的评分能力都高于医生群体的下三分之一③。

这些结果说明⑱，GPT-4.1作为基于模型的评分器⑳，其表现已能与医生专家的评估相媲美⑰。

从图12可以看到⑩，不同医生之间的评分表现差异显着▓，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⑳，只要满足以下条件⑥，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⑱、多样且注释充分⑤；

元评估设计合理▓；

评分提示和评分模型经过精心挑选❸。

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⑯，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⑨。

模拟真实场景④，多维度评估

结合模型合成生成与人工对抗测试方式⑫，OpenAI创建了HealthBench③，力求贴近真实场景④，模拟真实世界中人们使用大模型的情况①。

对话具有以下特点：⑨、多轮交互⑲，更符合自然对话流程⑲、多语言支持⑧，覆盖不同语言背景⑳、角色多样⑪，既包括普通用户①，也包括医生

涵盖多个医学专业领域与场景

精心挑选❸，具有⑳、一定难度⑧，避免模型轻松「答对」⑫、这个基准的目标是推动更真实▓、更全面的AI健康对话能力评估②，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⑬、由医生撰写的评分标准进行打分⑯。

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

每一条评分标准都有对应的分值权重④，根据医生判断该标准在整体回答中的重要性而设定▓。

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②、应对不确定性⑨、全球

健康等⑮。

每个主题下都包含多个相关示例⑲，每个示例都配有对应的评分标准❸。

以下是一些数据集的示例⑬。

左右滑动查看⑰、每一条评分标准都对应一个评估维度⑥，用于界定该标准评估的是模型行为的哪个方面⑥，例如：

准确性②、沟通质量②、信息查找与澄清能力⑲、这种结构化的设计⑬，让HealthBench能够细致⑬、多角度地评估AI模型在不同医疗场景中的表现⑫，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⑥，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⑯，给出整体评分⑰。

HealthBench涵盖了广泛的医学专科领域❸，包括：

麻醉学⑤、皮肤病学❶、放射诊断学⑭、急诊医学❷、家庭医学②、普通外科③、内科⑳、介入与放射诊断学❸、医学遗传与基因组学⑧、神经外科①、神经内科②、核医学▓、妇产科学❶、眼科学⑤、骨科⑪、耳鼻喉科⑧、病理学⑥、儿科学⑬、物理医学与康复④、整形外科⑬、精神病学⑰、公共卫生与预防医学⑯、放射肿瘤学④、胸外科⑱、泌尿外科⑧、血管外科⑰。

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▓。

整个HealthBench构建过程涵盖了重点领域筛选❶、生成相关且具有挑战性的案例样本❷、案例标注以及各个环节的验证工作⑧。

参考资料：

很赞哦⑧！

随机图文