您现在的位置是：网站首页>国际国际

电玩城魔法跳跳球下载安装

罗代真 2025-05-14 【国际】 6140 人已围观

新智元报道⑧、【新智元导读】OpenAI发布新基准HealthBench❶，联手60个国家262名执业医生⑥，树立新的「AGI标志性用例」⑫。OpenAI o3碾压Grok 3和Gemini 2.5 Pro❶，成功登顶⑳。而最强AI几乎达到了人类医生最佳水平⑦！

最强AI⑯，已击败了人类医生⑮。

就在刚刚⑰，全球60个国家⑮，262名执业医生共同上阵⑬，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench⑭。

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⑨，来评估模型的响应❶。

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①，o3拿下了最高分⑫，Grok 3位列第二⑭，Gemini 2.5 Pro位列第三⑭。

值得一提的是⑫，在AI辅助下④，医生的诊断准确率提升了近4倍❷。甚至⑭，o3⑯、GPT-4.1回答质量超越了医生的水平⑬。

人类免疫学家Derya Unutmaz高度评价道⑯，「这个关键的评估基准⑲，将为AI医生铺平道路❷。我们现在正处于一场改变医学未来⑭，拯救数百万人生命的革命开端」⑫。

AGI关键要素⑤，①、医疗AI「标尺」⑭、OpenAI的Health AI团队负责人Karan Singhal⑦，在X上介绍了HealthBench的特点⑱，并给予了极大的期待：

希望这项工作的发布⑮，能为AI朝着改善人类健康的方向发展提供有力引导④。

改善人类健康⑭，将是通用人工智能最具决定性的影响之一❷。

但要实现这一目标⑱，必须确保模型既有用又安全⑥。专业评估对理解模型在医疗场景中的表现至关重要③。

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⑪、⑫、缺乏基于专家意见的严格验证②、

难以为前沿模型提供提升空间⑩。

OpenAI团队秉持AI在医疗领域评估的三大核心信念①，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⑰，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⑲。

值得信赖❷、：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⑩，为AI系统优化提供严谨依据⑲。

未饱和❶、：基准测试应推动进步⑰。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⑧。

在过去一年中⑳，OpenAI与来自26个医学专业⑦、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⑤。

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⑳，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⑪，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❷，HealthBench支持更具实际意义的开放式评估③。

新研究有很多有趣的发现①，包括医生评分基线研究等⑦。

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⑪，便是为当前③，甚至未来顶尖LLM提供性能可参考依据⑧。

在研究中④，OpenAI团队评估了多个模型②，包括o3⑩、Grok 3①、Claude 3.7 Sonnet等⑲，重点考察其在性能⑬、成本和可靠性方面的表现❶。

性能❸、根据现实世界健康场景的不同子集▓，即「主题」❸，以及体现模型行为的不同维度④，即「轴」③，所有模型进行PK⑤。

整体来看⑥，o3表现最佳①，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro④。

此外❸，在最近几个月里③，OpenAI前沿模型在HealthBench上的表现提高了28%⑧。

这一提升②，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⑮。

成本⑦、接下来⑧，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⑨。

可以看到②，4月份OpenAI发布的模型①，刷新了性能成本SOTA⑬。

研究还观察到❷，小模型在最近几个月里⑫，得到了显着的改进⑭，

尽管成本仅为GPT-4o的1/25③，GPT-4.1 nano的表现仍优于后者⑰。

比较低⑲、中⑬、高推理水平下的o3⑫、o4-mini和o1模型⑬，结果显示测试时计算能力有所提高⑭。

其中⑫，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④。

可靠性⑨、在医疗领域⑥，可靠性至关重要——一次错误回应可能抵消许多正确回答⑳。

因此⑩，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现⑧。

也就是说⑳，在给定示例的n个响应中②，最差的得分是多少⑱？

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③，展现出更强的稳健性和下限表现⑧。

HealthBench系列

此外⑯，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus④。

· HealthBench Hard专为更高难度场景设计⑪，问题更具挑战性④；

· HealthBench Consensus由多位医生共同验证⑯，确保评估标准的专业性和一致性⑬。

o3和GPT-4.1在HealthBench Consensus错误率⑦，比GPT-4o显着降低⑱。

在HealthBench Hard上❸，表现最好的模型得分仅为32%①，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②。

AI与医生正面交锋❸、那么④，这些大模型能够媲美▓，甚至超越人类医生的专业判断⑨？

为此⑤，OpenAI在研究还展开了一场人机对决测试⑮。

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⑤，撰写最佳回答⑪。

· 另一组医生则可以参考OpenAI的模型生成回答③，自由选择直接修改或完全重写⑭，提供更高质量的回复①。

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⑯，评估它们在准确性⑮、专业性和实用性等方面的表现⑥。

关键发现如下：④、2024年9月模型⑩、在测试o1-preview⑮、4o时⑰，他们发现仅依靠AI生成回答③，优于没有参考任何AI医生的回答⑥。

更令人振奋的是⑭，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⑤。

这表明❷，⑪、人类医生的专业判断⑨，在⑪、辅助下能产生最佳效果

2025年4月模型❷、这次实验中⑩，研究人员让医生参考最新o3③、GPT-4.1模型的回答⑤，试图进一步提升回答质量⑨。

然而⑥，结果令人意外：⑨、医生的优化回答与④、原始回答相比⑩，质量上没有显着提升⑮。

而当前⑫，AI模型已足够强大⑰，其回答质量几乎达到了人类医生最佳水平⑤。

GPT-4.1参评⑦、远超人类平均水平⑳、为检验基于模型的评分器能否精准评判评分标准⑦，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅⑤，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❷，研究团队构建了所谓的「元评估」⑲，即评估模型评分与医生判断之间的一致性⑦，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⑱，是否与医生达成一致⑤；

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⑥。

评估结果表明⑭，模型评分器与医生之间的配对一致性程度❷，和医生之间的配对一致性

程度相当⑨、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⑤，具有可信度和专业性▓。

基线模型⑩、OpenAI将34条共识评分标准的数据按七大主题进行分组⑦，评估模型评分器与医生评分之间的一致性⑧，并通过三种方式建立对照基线：

典型医生⑧、为了估计人类专家之间的评分一致性⑮，需要对比每位医生的评分与其他医生的评分⑪，并计算MF1分数⑯。

也就是⑪，用与模型相同的方式对医生进行评分②，仅统计该医生参与评估的对话示例⑥，且不使用该医生自己的评分作为参考⑨。

注释：在分类任务中⑨，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⑫。

MF1适用于类别不平衡的元评估任务①。

表5按主题报告了加权平均的医生MF1分数①，权重基于每位医生参与的元示例数量②。

个体❶、医生❶、OpenAI还在每个主题下报告了每位医生的MF1分数⑪。

图12展示了这些医生评分分数的分布情况⑪。

通过这些个体分数③，⑧、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⑯、百分位数⑥，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⑳。

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⑥，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❷，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⑯、更具体地说：⑳、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⑯；

在6个主题中⑤，GPT-4.1的表现处于医生评分分布的上半区间⑰；

在所有主题中⑯，GPT-4.1的评分能力都高于医生群体的下三分之一⑰。

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

从图12可以看到①，不同医生之间的评分表现差异显着⑱，说明医生间本身也存在一定主观性和评分风格的差异⑤。

总的来说⑨，只要满足以下条件⑨，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❷、多样且注释充分⑫；

元评估设计合理❷；

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④，就已达到了医生级别的一致性表现⑧，因此它被设置为HealthBench的默认评分模型②。

模拟真实场景⑮，多维度评估

结合模型合成生成与人工对抗测试方式⑭，OpenAI创建了HealthBench⑥，力求贴近真实场景⑳，模拟真实世界中人们使用大模型的情况⑩。

对话具有以下特点：❷、多轮交互❶，更符合自然对话流程❷、多语言支持❸，覆盖不同语言背景①、角色多样③，既包括普通用户⑪，也包括医生

涵盖多个医学专业领域与场景

精心挑选⑧，具有⑫、一定难度⑳，避免模型轻松「答对」⑫、这个基准的目标是推动更真实⑧、更全面的AI健康对话能力评估⑳，让模型在实用性与安全性之间达到更好的平衡❶。

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②、由医生撰写的评分标准进行打分⑥。

这些评分标准详细说明了「完美回应」应包含哪些信息⑰，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⑥。

每一条评分标准都有对应的分值权重③，根据医生判断该标准在整体回答中的重要性而设定④。

整个HealthBench数据集中包含

48,562条独立评分标准⑥。

HealthBench中的对话被划分为七大主题❶，例如急诊⑤、应对不确定性⑩、全球

健康等②。

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⑨。

以下是一些数据集的示例⑮。

左右滑动查看⑤、每一条评分标准都对应一个评估维度⑮，用于界定该标准评估的是模型行为的哪个方面④，例如：

准确性❶、沟通质量⑱、信息查找与澄清能力⑪、这种结构化的设计②，让HealthBench能够细致⑱、多角度地评估AI模型在不同医疗场景中的表现⑩，反映在实际应用中的可靠性与实用性⑰。

模型的回答由GPT-4.1担任评分者①，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❷，给出整体评分⑤。

HealthBench涵盖了广泛的医学专科领域⑰，包括：

麻醉学⑲、皮肤病学⑱、放射诊断学③、急诊医学⑮、家庭医学❸、普通外科②、内科④、介入与放射诊断学⑪、医学遗传与基因组学⑧、神经外科⑫、神经内科▓、核医学⑥、妇产科学⑫、眼科学①、骨科⑯、耳鼻喉科⑬、病理学⑤、儿科学⑤、物理医学与康复⑳、整形外科❸、精神病学⑰、公共卫生与预防医学②、放射肿瘤学⑧、胸外科▓、泌尿外科①、血管外科⑥。

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⑫。

整个HealthBench构建过程涵盖了重点领域筛选⑮、生成相关且具有挑战性的案例样本❶、案例标注以及各个环节的验证工作⑫。

参考资料：

很赞哦⑧！

随机图文