您现在的位置是：网站首页>电竞电竞

168电玩城安卓版下载

顾翠彤 2025-05-14 【电竞】 8968 人已围观

新智元报道⑭、【新智元导读】OpenAI发布新基准HealthBench⑳，联手60个国家262名执业医生❸，树立新的「AGI标志性用例」④。OpenAI o3碾压Grok 3和Gemini 2.5 Pro⑮，成功登顶❷。而最强AI几乎达到了人类医生最佳水平⑤！

最强AI⑦，已击败了人类医生⑮。

就在刚刚❸，全球60个国家⑯，262名执业医生共同上阵⑰，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench②。

这个基准包含了5,000个基于现实场景的健康对话⑥，每个对话都有医生定制的评分标准⑱，来评估模型的响应⑮。

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④，o3拿下了最高分⑪，Grok 3位列第二⑬，Gemini 2.5 Pro位列第三❸。

值得一提的是⑨，在AI辅助下⑰，医生的诊断准确率提升了近4倍①。甚至⑦，o3⑨、GPT-4.1回答质量超越了医生的水平③。

人类免疫学家Derya Unutmaz高度评价道⑳，「这个关键的评估基准⑰，将为AI医生铺平道路❸。我们现在正处于一场改变医学未来⑫，拯救数百万人生命的革命开端」⑪。

AGI关键要素⑨，④、医疗AI「标尺」❶、OpenAI的Health AI团队负责人Karan Singhal⑧，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⑰，能为AI朝着改善人类健康的方向发展提供有力引导⑰。

改善人类健康④，将是通用人工智能最具决定性的影响之一⑧。

但要实现这一目标▓，必须确保模型既有用又安全⑬。专业评估对理解模型在医疗场景中的表现至关重要①。

尽管学术界和产业界已付出巨大努力⑲，但现有评估体系仍存在三大局限：

未能还原真实医疗场景⑰、⑦、缺乏基于专家意见的严格验证⑧、

难以为前沿模型提供提升空间⑳。

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

有现实意义⑨、：评分应反映真实世界影响⑪。突破传统考试题的局限❷，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③。

值得信赖❸、：评分须真实体现医师判断②。评估标准必须符合医疗专业人员的核心诉求与行业规范❶，为AI系统优化提供严谨依据⑧。

未饱和⑭、：基准测试应推动进步⑫。现有模型必须展现显着改进空间⑱，持续激励开发者提升系统性能⑪。

在过去一年中①，OpenAI与来自26个医学专业❶、在60个国家拥有执业经验的262名医师合作⑰，共同构建了HealthBench评估体系④。

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⑨，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❷，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⑰，HealthBench支持更具实际意义的开放式评估⑦。

新研究有很多有趣的发现③，包括医生评分基线研究等⑥。

o3冲榜❸、媲美人类医生▓、这项健康基准HealthBench提出的主要目的⑫，便是为当前❶，甚至未来顶尖LLM提供性能可参考依据⑤。

在研究中⑱，OpenAI团队评估了多个模型⑪，包括o3⑬、Grok 3①、Claude 3.7 Sonnet等③，重点考察其在性能②、成本和可靠性方面的表现⑬。

性能①、根据现实世界健康场景的不同子集⑭，即「主题」⑰，以及体现模型行为的不同维度①，即「轴」▓，所有模型进行PK⑨。

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

此外③，在最近几个月里⑩，OpenAI前沿模型在HealthBench上的表现提高了28%❸。

这一提升⑳，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⑥。

成本▓、接下来⑤，研究团队还在模型大小和测试时计算scaling轴上❸，研究了模型的成本与性能⑯。

可以看到⑲，4月份OpenAI发布的模型⑩，刷新了性能成本SOTA⑮。

研究还观察到❶，小模型在最近几个月里⑥，得到了显着的改进⑭，

尽管成本仅为GPT-4o的1/25⑧，GPT-4.1 nano的表现仍优于后者④。

比较低②、中▓、高推理水平下的o3⑰、o4-mini和o1模型⑩，结果显示测试时计算能力有所提高⑬。

其中⑮，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⑥、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④。

因此❸，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现⑯。

也就是说⑲，在给定示例的n个响应中⑪，最差的得分是多少⑩？

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①，展现出更强的稳健性和下限表现⑧。

HealthBench系列

此外❷，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③，问题更具挑战性⑧；

· HealthBench Consensus由多位医生共同验证❸，确保评估标准的专业性和一致性⑧。

o3和GPT-4.1在HealthBench Consensus错误率①，比GPT-4o显着降低⑪。

在HealthBench Hard上④，表现最好的模型得分仅为32%⑩，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④。

AI与医生正面交锋❶、那么⑱，这些大模型能够媲美⑭，甚至超越人类医生的专业判断⑰？

为此⑬，OpenAI在研究还展开了一场人机对决测试❶。

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❷，撰写最佳回答⑤。

· 另一组医生则可以参考OpenAI的模型生成回答⑧，自由选择直接修改或完全重写⑭，提供更高质量的回复❶。

随后❷，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⑫、专业性和实用性等方面的表现②。

关键发现如下：⑭、2024年9月模型⑮、在测试o1-preview⑤、4o时①，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④。

更令人振奋的是⑤，当医生参考AI回答并加以优化后⑰，他们的回答质量显着超越了AI模型本身❸。

这表明⑪，⑱、人类医生的专业判断❷，在⑯、辅助下能产生最佳效果

2025年4月模型⑥、这次实验中②，研究人员让医生参考最新o3④、GPT-4.1模型的回答⑥，试图进一步提升回答质量⑦。

然而▓，结果令人意外：⑬、医生的优化回答与⑯、原始回答相比⑱，质量上没有显着提升④。

而当前③，AI模型已足够强大⑬，其回答质量几乎达到了人类医生最佳水平⑩。

GPT-4.1参评⑳、远超人类平均水平⑮、为检验基于模型的评分器能否精准评判评分标准⑨，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅⑫，以确定这些回答是否符合相应评分标准⑨。

基于这些医生的反馈④，研究团队构建了所谓的「元评估」⑥，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①，是否与医生达成一致❶；

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⑬，模型评分器与医生之间的配对一致性程度⑱，和医生之间的配对一致性

程度相当④、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⑥，具有可信度和专业性⑩。

基线模型⑯、OpenAI将34条共识评分标准的数据按七大主题进行分组❸，评估模型评分器与医生评分之间的一致性⑭，并通过三种方式建立对照基线：

典型医生⑰、为了估计人类专家之间的评分一致性⑯，需要对比每位医生的评分与其他医生的评分⑰，并计算MF1分数⑮。

也就是⑥，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②，且不使用该医生自己的评分作为参考❷。

注释：在分类任务中⑩，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⑤。

MF1适用于类别不平衡的元评估任务⑰。

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

个体▓、医生⑭、OpenAI还在每个主题下报告了每位医生的MF1分数④。

图12展示了这些医生评分分数的分布情况④。

通过这些个体分数①，⑳、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⑬、百分位数❷，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④。

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❷，验证其是否达到了与医生相当的专业判断水平④。

结果：GPT-4.1远超普通医生

如表5所示⑧，在所有主题上①，GPT-4.1作为评分模型的表现

均明显优于随机基线⑪、更具体地说：⑤、在7个主题中的5个中❷，GPT-4.1的评分表现超过了医生平均水平④；

在6个主题中❷，GPT-4.1的表现处于医生评分分布的上半区间⑳；

在所有主题中⑩，GPT-4.1的评分能力都高于医生群体的下三分之一⑯。

这些结果说明⑨，GPT-4.1作为基于模型的评分器❷，其表现已能与医生专家的评估相媲美③。

从图12可以看到▓，不同医生之间的评分表现差异显着❶，说明医生间本身也存在一定主观性和评分风格的差异⑨。

总的来说①，只要满足以下条件⑦，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⑪、多样且注释充分⑬；

元评估设计合理⑫；

评分提示和评分模型经过精心挑选⑬。

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⑫，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⑲。

模拟真实场景⑩，多维度评估

结合模型合成生成与人工对抗测试方式❷，OpenAI创建了HealthBench⑬，力求贴近真实场景⑱，模拟真实世界中人们使用大模型的情况⑳。

对话具有以下特点：❶、多轮交互⑩，更符合自然对话流程⑩、多语言支持▓，覆盖不同语言背景⑰、角色多样⑱，既包括普通用户③，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⑧、一定难度⑭，避免模型轻松「答对」⑧、这个基准的目标是推动更真实❷、更全面的AI健康对话能力评估①，让模型在实用性与安全性之间达到更好的平衡⑮。

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⑲、由医生撰写的评分标准进行打分⑲。

这些评分标准详细说明了「完美回应」应包含哪些信息❷，或应避免哪些内容▓，比如：应提及某个医学事实⑨，或避免使用不必要的术语④。

每一条评分标准都有对应的分值权重❸，根据医生判断该标准在整体回答中的重要性而设定⑬。

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⑧，例如急诊⑤、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⑭，每个示例都配有对应的评分标准⑥。

以下是一些数据集的示例❶。

左右滑动查看②、每一条评分标准都对应一个评估维度⑬，用于界定该标准评估的是模型行为的哪个方面▓，例如：

准确性❸、沟通质量⑲、信息查找与澄清能力❷、这种结构化的设计③，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①，反映在实际应用中的可靠性与实用性⑨。

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⑮，并根据满足标准的总得分与满分比值⑦，给出整体评分⑳。

HealthBench涵盖了广泛的医学专科领域⑭，包括：

麻醉学④、皮肤病学⑦、放射诊断学⑮、急诊医学⑫、家庭医学④、普通外科⑤、内科⑮、介入与放射诊断学❷、医学遗传与基因组学❶、神经外科③、神经内科⑮、核医学⑯、妇产科学①、眼科学③、骨科⑬、耳鼻喉科▓、病理学⑭、儿科学⑨、物理医学与康复⑦、整形外科❷、精神病学⑯、公共卫生与预防医学❷、放射肿瘤学①、胸外科③、泌尿外科④、血管外科①。

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❷。

整个HealthBench构建过程涵盖了重点领域筛选❷、生成相关且具有挑战性的案例样本③、案例标注以及各个环节的验证工作⑱。

参考资料：

很赞哦⑭！

随机图文