您现在的位置是：网站首页>人工智能人工智能

大唐电玩城下载

秦香巧 2025-05-13 【人工智能】 9455 人已围观

新智元报道⑱、【新智元导读】OpenAI发布新基准HealthBench⑪，联手60个国家262名执业医生⑨，树立新的「AGI标志性用例」⑰。OpenAI o3碾压Grok 3和Gemini 2.5 Pro⑦，成功登顶❸。而最强AI几乎达到了人类医生最佳水平⑧！

最强AI⑦，已击败了人类医生❶。

就在刚刚⑳，全球60个国家④，262名执业医生共同上阵❶，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench▓。

这个基准包含了5,000个基于现实场景的健康对话⑤，每个对话都有医生定制的评分标准⑨，来评估模型的响应①。

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⑯，o3拿下了最高分⑦，Grok 3位列第二⑤，Gemini 2.5 Pro位列第三❷。

值得一提的是⑧，在AI辅助下⑰，医生的诊断准确率提升了近4倍⑪。甚至❷，o3⑰、GPT-4.1回答质量超越了医生的水平▓。

人类免疫学家Derya Unutmaz高度评价道⑮，「这个关键的评估基准⑮，将为AI医生铺平道路⑨。我们现在正处于一场改变医学未来③，拯救数百万人生命的革命开端」②。

AGI关键要素⑨，❷、医疗AI「标尺」③、OpenAI的Health AI团队负责人Karan Singhal❷，在X上介绍了HealthBench的特点⑲，并给予了极大的期待：

希望这项工作的发布③，能为AI朝着改善人类健康的方向发展提供有力引导②。

改善人类健康❶，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⑩，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❶。

尽管学术界和产业界已付出巨大努力⑮，但现有评估体系仍存在三大局限：

未能还原真实医疗场景❶、❷、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⑭。

OpenAI团队秉持AI在医疗领域评估的三大核心信念③，由此设计出HealthBench：

有现实意义②、：评分应反映真实世界影响❶。突破传统考试题的局限⑳，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⑭。

值得信赖⑮、：评分须真实体现医师判断⑤。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⑫。

未饱和❶、：基准测试应推动进步⑤。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⑥。

在过去一年中❷，OpenAI与来自26个医学专业②、在60个国家拥有执业经验的262名医师合作④，共同构建了HealthBench评估体系⑨。

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❸，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⑦，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⑤。

新研究有很多有趣的发现⑫，包括医生评分基线研究等⑱。

o3冲榜⑩、媲美人类医生⑭、这项健康基准HealthBench提出的主要目的④，便是为当前⑧，甚至未来顶尖LLM提供性能可参考依据⑮。

在研究中⑳，OpenAI团队评估了多个模型⑥，包括o3⑭、Grok 3❸、Claude 3.7 Sonnet等⑬，重点考察其在性能⑩、成本和可靠性方面的表现④。

性能❶、根据现实世界健康场景的不同子集⑦，即「主题」⑦，以及体现模型行为的不同维度⑲，即「轴」⑳，所有模型进行PK⑬。

整体来看⑨，o3表现最佳⑰，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro⑭。

此外⑨，在最近几个月里⑨，OpenAI前沿模型在HealthBench上的表现提高了28%⑧。

这一提升⑦，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⑳。

成本⑤、接下来③，研究团队还在模型大小和测试时计算scaling轴上⑤，研究了模型的成本与性能④。

可以看到⑥，4月份OpenAI发布的模型▓，刷新了性能成本SOTA▓。

研究还观察到⑱，小模型在最近几个月里④，得到了显着的改进②，

尽管成本仅为GPT-4o的1/25②，GPT-4.1 nano的表现仍优于后者⑩。

比较低⑭、中⑱、高推理水平下的o3⑪、o4-mini和o1模型②，结果显示测试时计算能力有所提高②。

其中❷，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⑫。

可靠性⑲、在医疗领域⑳，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⑤，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现❷。

也就是说❶，在给定示例的n个响应中⑩，最差的得分是多少❷？

结果发现⑩，o3模型在16个样本时的最差分数超过GPT-4o的两倍❶，展现出更强的稳健性和下限表现③。

HealthBench系列

此外④，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus①。

· HealthBench Hard专为更高难度场景设计①，问题更具挑战性④；

· HealthBench Consensus由多位医生共同验证⑲，确保评估标准的专业性和一致性⑭。

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

在HealthBench Hard上❶，表现最好的模型得分仅为32%⑫，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⑫。

AI与医生正面交锋④、那么⑥，这些大模型能够媲美⑯，甚至超越人类医生的专业判断①？

为此①，OpenAI在研究还展开了一场人机对决测试⑧。

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⑯，撰写最佳回答⑭。

· 另一组医生则可以参考OpenAI的模型生成回答⑤，自由选择直接修改或完全重写⑨，提供更高质量的回复❷。

随后⑦，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⑫，评估它们在准确性⑬、专业性和实用性等方面的表现⑭。

关键发现如下：⑫、2024年9月模型⑲、在测试o1-preview⑱、4o时⑧，他们发现仅依靠AI生成回答⑩，优于没有参考任何AI医生的回答⑳。

更令人振奋的是⑲，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❶。

这表明⑰，⑨、人类医生的专业判断⑩，在④、辅助下能产生最佳效果

2025年4月模型❷、这次实验中②，研究人员让医生参考最新o3⑭、GPT-4.1模型的回答❸，试图进一步提升回答质量❷。

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

而当前⑬，AI模型已足够强大①，其回答质量几乎达到了人类医生最佳水平❶。

GPT-4.1参评⑤、远超人类平均水平④、为检验基于模型的评分器能否精准评判评分标准③，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⑳。

基于这些医生的反馈⑫，研究团队构建了所谓的「元评估」⑩，即评估模型评分与医生判断之间的一致性❸，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⑩，是否与医生达成一致⑳；

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⑨。

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③，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⑰，具有可信度和专业性⑳。

基线模型⑬、OpenAI将34条共识评分标准的数据按七大主题进行分组⑬，评估模型评分器与医生评分之间的一致性▓，并通过三种方式建立对照基线：

典型医生①、为了估计人类专家之间的评分一致性⑰，需要对比每位医生的评分与其他医生的评分⑥，并计算MF1分数❷。

也就是⑥，用与模型相同的方式对医生进行评分❷，仅统计该医生参与评估的对话示例④，且不使用该医生自己的评分作为参考⑦。

注释：在分类任务中⑭，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⑧。

MF1适用于类别不平衡的元评估任务❷。

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

个体②、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⑪。

通过这些个体分数②，①、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▓、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⑰。

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④，验证其是否达到了与医生相当的专业判断水平⑤。

结果：GPT-4.1远超普通医生

如表5所示⑦，在所有主题上②，GPT-4.1作为评分模型的表现

均明显优于随机基线⑮、更具体地说：⑪、在7个主题中的5个中❸，GPT-4.1的评分表现超过了医生平均水平⑫；

在6个主题中⑧，GPT-4.1的表现处于医生评分分布的上半区间⑤；

在所有主题中❶，GPT-4.1的评分能力都高于医生群体的下三分之一⑨。

这些结果说明⑯，GPT-4.1作为基于模型的评分器②，其表现已能与医生专家的评估相媲美④。

从图12可以看到③，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⑪。

总的来说⑫，只要满足以下条件❷，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⑨、多样且注释充分④；

元评估设计合理❸；

评分提示和评分模型经过精心挑选⑦。

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⑥，就已达到了医生级别的一致性表现⑭，因此它被设置为HealthBench的默认评分模型❸。

模拟真实场景⑰，多维度评估

结合模型合成生成与人工对抗测试方式⑰，OpenAI创建了HealthBench⑱，力求贴近真实场景⑪，模拟真实世界中人们使用大模型的情况❷。

对话具有以下特点：⑥、多轮交互⑧，更符合自然对话流程⑤、多语言支持⑭，覆盖不同语言背景⑯、角色多样❷，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❶，具有❸、一定难度①，避免模型轻松「答对」⑮、这个基准的目标是推动更真实⑳、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▓。

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①、由医生撰写的评分标准进行打分④。

这些评分标准详细说明了「完美回应」应包含哪些信息⑬，或应避免哪些内容④，比如：应提及某个医学事实▓，或避免使用不必要的术语❶。

每一条评分标准都有对应的分值权重⑫，根据医生判断该标准在整体回答中的重要性而设定⑰。

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④，例如急诊⑤、应对不确定性⑳、全球

健康等⑯。

每个主题下都包含多个相关示例⑬，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⑳。

左右滑动查看❸、每一条评分标准都对应一个评估维度⑫，用于界定该标准评估的是模型行为的哪个方面⑮，例如：

准确性⑱、沟通质量⑰、信息查找与澄清能力⑦、这种结构化的设计②，让HealthBench能够细致⑫、多角度地评估AI模型在不同医疗场景中的表现⑧，反映在实际应用中的可靠性与实用性③。

模型的回答由GPT-4.1担任评分者④，根据每项评分标准判断是否达成②，并根据满足标准的总得分与满分比值⑨，给出整体评分⑨。

HealthBench涵盖了广泛的医学专科领域⑨，包括：

麻醉学⑨、皮肤病学⑧、放射诊断学⑫、急诊医学⑯、家庭医学⑩、普通外科③、内科▓、介入与放射诊断学④、医学遗传与基因组学⑱、神经外科⑤、神经内科⑭、核医学④、妇产科学▓、眼科学▓、骨科⑭、耳鼻喉科⑪、病理学⑬、儿科学⑧、物理医学与康复⑫、整形外科⑬、精神病学④、公共卫生与预防医学②、放射肿瘤学⑨、胸外科⑥、泌尿外科⑳、血管外科⑭。

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③。

整个HealthBench构建过程涵盖了重点领域筛选❸、生成相关且具有挑战性的案例样本⑪、案例标注以及各个环节的验证工作❷。

参考资料：

很赞哦⑧！

随机图文