您现在的位置是： 网站首页>国内国内

街机电玩城游戏大厅破解版

陈白易 2025-05-14 【国内】 3524 人已围观

新智元报道▓、【新智元导读】OpenAI发布新基准HealthBench⑪，联手60个国家262名执业医生④，树立新的「AGI标志性用例」⑱。OpenAI o3碾压Grok 3和Gemini 2.5 Pro⑨，成功登顶⑮。而最强AI几乎达到了人类医生最佳水平③！

最强AI①，已击败了人类医生⑪。

就在刚刚⑭，全球60个国家❷，262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——HealthBench⑤。

这个基准包含了5,000个基于现实场景的健康对话⑯，每个对话都有医生定制的评分标准⑬，来评估模型的响应❷。

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⑰，o3拿下了最高分⑩，Grok 3位列第二⑬，Gemini 2.5 Pro位列第三⑱。

值得一提的是⑦，在AI辅助下⑪，医生的诊断准确率提升了近4倍❸。甚至⑯，o3⑤、GPT-4.1回答质量超越了医生的水平⑯。

人类免疫学家Derya Unutmaz高度评价道②，「这个关键的评估基准⑥，将为AI医生铺平道路⑫。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⑱，⑳、医疗AI「标尺」⑩、OpenAI的Health AI团队负责人Karan Singhal⑫，在X上介绍了HealthBench的特点⑨，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⑪。

改善人类健康▓，将是通用人工智能最具决定性的影响之一⑤。

但要实现这一目标⑫，必须确保模型既有用又安全③。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④，但现有评估体系仍存在三大局限：

未能还原真实医疗场景⑦、▓、缺乏基于专家意见的严格验证⑦、

难以为前沿模型提供提升空间⑮。

OpenAI团队秉持AI在医疗领域评估的三大核心信念⑧，由此设计出HealthBench：

有现实意义❷、：评分应反映真实世界影响⑫。突破传统考试题的局限⑫，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❷。

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▓，为AI系统优化提供严谨依据⑯。

未饱和⑩、：基准测试应推动进步④。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⑮，OpenAI与来自26个医学专业⑱、在60个国家拥有执业经验的262名医师合作⑳，共同构建了HealthBench评估体系❸。

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⑮，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①，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⑯，HealthBench支持更具实际意义的开放式评估❸。

新研究有很多有趣的发现⑦，包括医生评分基线研究等⑭。

o3冲榜⑩、媲美人类医生⑨、这项健康基准HealthBench提出的主要目的⑦，便是为当前⑫，甚至未来顶尖LLM提供性能可参考依据⑬。

在研究中⑫，OpenAI团队评估了多个模型⑤，包括o3⑨、Grok 3⑭、Claude 3.7 Sonnet等❸，重点考察其在性能④、成本和可靠性方面的表现❸。

性能④、根据现实世界健康场景的不同子集⑨，即「主题」⑧，以及体现模型行为的不同维度⑲，即「轴」❶，所有模型进行PK⑬。

整体来看❷，o3表现最佳⑤，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro⑮。

此外⑭，在最近几个月里⑯，OpenAI前沿模型在HealthBench上的表现提高了28%❸。

这一提升❷，对模型的安全性和性能来说⑮，比GPT-4o和GPT-3.5 Turbo之间的提升更大①。

成本⑧、接下来⑩，研究团队还在模型大小和测试时计算scaling轴上⑬，研究了模型的成本与性能⑳。

可以看到⑭，4月份OpenAI发布的模型⑯，刷新了性能成本SOTA⑦。

研究还观察到⑤，小模型在最近几个月里④，得到了显着的改进⑰，

尽管成本仅为GPT-4o的1/25⑬，GPT-4.1 nano的表现仍优于后者⑧。

比较低⑬、中⑬、高推理水平下的o3⑰、o4-mini和o1模型❷，结果显示测试时计算能力有所提高⑧。

其中❶，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②。

可靠性⑮、在医疗领域⑩，可靠性至关重要——一次错误回应可能抵消许多正确回答⑭。

因此⑳，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现②。

也就是说❶，在给定示例的n个响应中⑮，最差的得分是多少③？

结果发现❶，o3模型在16个样本时的最差分数超过GPT-4o的两倍⑩，展现出更强的稳健性和下限表现⑦。

HealthBench系列

此外⑬，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus⑰。

· HealthBench Hard专为更高难度场景设计❶，问题更具挑战性③；

· 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⑦。

o3和GPT-4.1在HealthBench Consensus错误率⑩，比GPT-4o显着降低⑯。

在HealthBench Hard上⑲，表现最好的模型得分仅为32%⑦，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⑭。

AI与医生正面交锋⑤、那么❸，这些大模型能够媲美⑮，甚至超越人类医生的专业判断②？

为此⑫，OpenAI在研究还展开了一场人机对决测试⑩。

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⑭，撰写最佳回答⑫。

· 另一组医生则可以参考OpenAI的模型生成回答❷，自由选择直接修改或完全重写②，提供更高质量的回复③。

随后⑰，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⑮，评估它们在准确性②、专业性和实用性等方面的表现⑫。

关键发现如下：⑧、2024年9月模型①、在测试o1-preview⑬、4o时▓，他们发现仅依靠AI生成回答⑯，优于没有参考任何AI医生的回答⑤。

更令人振奋的是③，当医生参考AI回答并加以优化后⑲，他们的回答质量显着超越了AI模型本身❷。

这表明▓，⑦、人类医生的专业判断⑳，在⑪、辅助下能产生最佳效果

2025年4月模型⑦、这次实验中⑨，研究人员让医生参考最新o3①、GPT-4.1模型的回答⑥，试图进一步提升回答质量❶。

然而④，结果令人意外：③、医生的优化回答与❸、原始回答相比⑲，质量上没有显着提升⑮。

而当前⑬，AI模型已足够强大⑮，其回答质量几乎达到了人类医生最佳水平①。

GPT-4.1参评②、远超人类平均水平⑰、为检验基于模型的评分器能否精准评判评分标准⑭，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅⑲，以确定这些回答是否符合相应评分标准⑩。

基于这些医生的反馈⑩，研究团队构建了所谓的「元评估」⑦，即评估模型评分与医生判断之间的一致性❷，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⑥，是否与医生达成一致⑧；

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⑱。

评估结果表明⑧，模型评分器与医生之间的配对一致性程度②，和医生之间的配对一致性

程度相当❸、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④。

基线模型④、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⑧，并通过三种方式建立对照基线：

典型医生⑦、为了估计人类专家之间的评分一致性③，需要对比每位医生的评分与其他医生的评分⑤，并计算MF1分数⑩。

也就是❶，用与模型相同的方式对医生进行评分⑫，仅统计该医生参与评估的对话示例⑧，且不使用该医生自己的评分作为参考⑩。

注释：在分类任务中❶，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⑮。

MF1适用于类别不平衡的元评估任务④。

表5按主题报告了加权平均的医生MF1分数⑪，权重基于每位医生参与的元示例数量❸。

个体⑪、医生②、OpenAI还在每个主题下报告了每位医生的MF1分数⑧。

图12展示了这些医生评分分数的分布情况❶。

通过这些个体分数⑳，⑧、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⑫、百分位数⑱，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⑧。

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③，验证其是否达到了与医生相当的专业判断水平❸。

结果：GPT-4.1远超普通医生

如表5所示④，在所有主题上❷，GPT-4.1作为评分模型的表现

均明显优于随机基线⑳、更具体地说：④、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④；

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▓；

在所有主题中⑱，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⑭，GPT-4.1作为基于模型的评分器①，其表现已能与医生专家的评估相媲美⑨。

从图12可以看到①，不同医生之间的评分表现差异显着❷，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⑱，只要满足以下条件⑮，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⑰；

元评估设计合理⑦；

评分提示和评分模型经过精心挑选⑰。

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⑨，因此它被设置为HealthBench的默认评分模型⑫。

模拟真实场景⑦，多维度评估

结合模型合成生成与人工对抗测试方式⑮，OpenAI创建了HealthBench⑲，力求贴近真实场景②，模拟真实世界中人们使用大模型的情况⑲。

对话具有以下特点：④、多轮交互⑪，更符合自然对话流程①、多语言支持⑤，覆盖不同语言背景⑨、角色多样⑰，既包括普通用户②，也包括医生

涵盖多个医学专业领域与场景

精心挑选❷，具有⑬、一定难度⑫，避免模型轻松「答对」②、这个基准的目标是推动更真实⑲、更全面的AI健康对话能力评估⑥，让模型在实用性与安全性之间达到更好的平衡⑭。

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⑤、由医生撰写的评分标准进行打分⑪。

这些评分标准详细说明了「完美回应」应包含哪些信息⑲，或应避免哪些内容⑲，比如：应提及某个医学事实⑯，或避免使用不必要的术语⑨。

每一条评分标准都有对应的分值权重⑧，根据医生判断该标准在整体回答中的重要性而设定⑱。

整个HealthBench数据集中包含

48,562条独立评分标准⑦。

HealthBench中的对话被划分为七大主题⑮，例如急诊⑲、应对不确定性④、全球

健康等⑰。

每个主题下都包含多个相关示例⑭，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⑮。

左右滑动查看⑩、每一条评分标准都对应一个评估维度⑰，用于界定该标准评估的是模型行为的哪个方面⑯，例如：

准确性⑬、沟通质量⑧、信息查找与澄清能力⑫、这种结构化的设计⑱，让HealthBench能够细致⑪、多角度地评估AI模型在不同医疗场景中的表现⑪，反映在实际应用中的可靠性与实用性①。

模型的回答由GPT-4.1担任评分者❸，根据每项评分标准判断是否达成⑳，并根据满足标准的总得分与满分比值⑧，给出整体评分❸。

HealthBench涵盖了广泛的医学专科领域⑥，包括：

麻醉学①、皮肤病学⑯、放射诊断学①、急诊医学⑯、家庭医学⑨、普通外科⑲、内科⑰、介入与放射诊断学▓、医学遗传与基因组学⑬、神经外科⑯、神经内科⑥、核医学⑤、妇产科学①、眼科学⑭、骨科❸、耳鼻喉科④、病理学⑫、儿科学⑱、物理医学与康复⑨、整形外科❷、精神病学⑧、公共卫生与预防医学⑦、放射肿瘤学⑤、胸外科⑳、泌尿外科③、血管外科⑱。

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⑩。

整个HealthBench构建过程涵盖了重点领域筛选⑫、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④。

参考资料：

很赞哦❶！

随机图文