您现在的位置是：网站首页>房产房产

电玩城游戏机辐射有多大啊

卢雪青 2025-05-14 【房产】 6015 人已围观

新智元报道▓、【新智元导读】OpenAI发布新基准HealthBench⑭，联手60个国家262名执业医生⑰，树立新的「AGI标志性用例」❸。OpenAI o3碾压Grok 3和Gemini 2.5 Pro②，成功登顶⑦。而最强AI几乎达到了人类医生最佳水平⑳！

最强AI❶，已击败了人类医生⑳。

就在刚刚⑳，全球60个国家⑤，262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——HealthBench⑮。

这个基准包含了5,000个基于现实场景的健康对话⑪，每个对话都有医生定制的评分标准②，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①，o3拿下了最高分⑪，Grok 3位列第二⑪，Gemini 2.5 Pro位列第三⑰。

值得一提的是③，在AI辅助下❶，医生的诊断准确率提升了近4倍⑦。甚至⑪，o3⑲、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⑨，「这个关键的评估基准❷，将为AI医生铺平道路②。我们现在正处于一场改变医学未来⑳，拯救数百万人生命的革命开端」⑭。

AGI关键要素▓，⑯、医疗AI「标尺」⑮、OpenAI的Health AI团队负责人Karan Singhal①，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▓，能为AI朝着改善人类健康的方向发展提供有力引导⑩。

改善人类健康⑧，将是通用人工智能最具决定性的影响之一①。

但要实现这一目标⑧，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⑥。

尽管学术界和产业界已付出巨大努力❸，但现有评估体系仍存在三大局限：

未能还原真实医疗场景⑲、⑫、缺乏基于专家意见的严格验证⑱、

难以为前沿模型提供提升空间⑤。

OpenAI团队秉持AI在医疗领域评估的三大核心信念⑱，由此设计出HealthBench：

有现实意义❸、：评分应反映真实世界影响⑧。突破传统考试题的局限⑪，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⑫。

值得信赖⑲、：评分须真实体现医师判断③。评估标准必须符合医疗专业人员的核心诉求与行业规范⑰，为AI系统优化提供严谨依据③。

未饱和⑦、：基准测试应推动进步⑳。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⑬。

在过去一年中⑯，OpenAI与来自26个医学专业⑬、在60个国家拥有执业经验的262名医师合作⑪，共同构建了HealthBench评估体系⑱。

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❷，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⑰，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❸，HealthBench支持更具实际意义的开放式评估⑮。

新研究有很多有趣的发现⑩，包括医生评分基线研究等⑥。

o3冲榜❸、媲美人类医生⑲、这项健康基准HealthBench提出的主要目的②，便是为当前②，甚至未来顶尖LLM提供性能可参考依据▓。

在研究中⑯，OpenAI团队评估了多个模型⑯，包括o3⑨、Grok 3⑲、Claude 3.7 Sonnet等⑱，重点考察其在性能⑦、成本和可靠性方面的表现⑯。

性能⑧、根据现实世界健康场景的不同子集⑤，即「主题」⑬，以及体现模型行为的不同维度⑱，即「轴」❷，所有模型进行PK⑫。

整体来看⑧，o3表现最佳⑥，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro⑬。

此外⑳，在最近几个月里⑮，OpenAI前沿模型在HealthBench上的表现提高了28%⑰。

这一提升⑫，对模型的安全性和性能来说❸，比GPT-4o和GPT-3.5 Turbo之间的提升更大❶。

成本⑫、接下来❶，研究团队还在模型大小和测试时计算scaling轴上⑭，研究了模型的成本与性能④。

可以看到①，4月份OpenAI发布的模型⑰，刷新了性能成本SOTA⑰。

研究还观察到⑳，小模型在最近几个月里⑥，得到了显着的改进⑫，

尽管成本仅为GPT-4o的1/25⑪，GPT-4.1 nano的表现仍优于后者⑬。

比较低④、中⑩、高推理水平下的o3②、o4-mini和o1模型⑤，结果显示测试时计算能力有所提高❶。

其中⑦，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⑱。

可靠性⑬、在医疗领域⑮，可靠性至关重要——一次错误回应可能抵消许多正确回答⑱。

因此⑱，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⑰，在给定示例的n个响应中⑭，最差的得分是多少①？

结果发现⑲，o3模型在16个样本时的最差分数超过GPT-4o的两倍⑪，展现出更强的稳健性和下限表现⑬。

HealthBench系列

此外⑰，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③，问题更具挑战性⑦；

· HealthBench Consensus由多位医生共同验证⑳，确保评估标准的专业性和一致性⑥。

o3和GPT-4.1在HealthBench Consensus错误率③，比GPT-4o显着降低⑲。

在HealthBench Hard上⑭，表现最好的模型得分仅为32%②，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⑲、那么⑱，这些大模型能够媲美②，甚至超越人类医生的专业判断⑥？

为此⑳，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⑨，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⑮，自由选择直接修改或完全重写④，提供更高质量的回复⑬。

随后④，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⑬，评估它们在准确性③、专业性和实用性等方面的表现⑧。

关键发现如下：⑤、2024年9月模型⑤、在测试o1-preview⑨、4o时⑩，他们发现仅依靠AI生成回答⑳，优于没有参考任何AI医生的回答④。

更令人振奋的是⑰，当医生参考AI回答并加以优化后⑦，他们的回答质量显着超越了AI模型本身⑪。

这表明⑨，⑪、人类医生的专业判断❷，在⑳、辅助下能产生最佳效果

2025年4月模型⑤、这次实验中⑮，研究人员让医生参考最新o3⑨、GPT-4.1模型的回答⑨，试图进一步提升回答质量①。

然而③，结果令人意外：⑧、医生的优化回答与③、原始回答相比⑨，质量上没有显着提升❸。

而当前⑮，AI模型已足够强大▓，其回答质量几乎达到了人类医生最佳水平⑮。

GPT-4.1参评⑯、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⑦，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅⑥，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⑯，研究团队构建了所谓的「元评估」⑤，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❷。

评估结果表明②，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⑥、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⑱，具有可信度和专业性⑪。

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⑰，评估模型评分器与医生评分之间的一致性⑦，并通过三种方式建立对照基线：

典型医生▓、为了估计人类专家之间的评分一致性⑪，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③。

也就是❸，用与模型相同的方式对医生进行评分⑰，仅统计该医生参与评估的对话示例⑭，且不使用该医生自己的评分作为参考⑯。

注释：在分类任务中④，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⑨。

MF1适用于类别不平衡的元评估任务⑭。

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⑮。

个体⑯、医生⑥、OpenAI还在每个主题下报告了每位医生的MF1分数⑦。

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⑪、百分位数⑫，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⑮。

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❶，验证其是否达到了与医生相当的专业判断水平⑩。

结果：GPT-4.1远超普通医生

如表5所示⑱，在所有主题上⑩，GPT-4.1作为评分模型的表现

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

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⑫；

在所有主题中⑮，GPT-4.1的评分能力都高于医生群体的下三分之一▓。

这些结果说明⑥，GPT-4.1作为基于模型的评分器⑯，其表现已能与医生专家的评估相媲美⑧。

从图12可以看到❷，不同医生之间的评分表现差异显着⑤，说明医生间本身也存在一定主观性和评分风格的差异⑳。

总的来说❸，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▓、多样且注释充分②；

元评估设计合理⑧；

评分提示和评分模型经过精心挑选③。

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❶，因此它被设置为HealthBench的默认评分模型③。

模拟真实场景▓，多维度评估

结合模型合成生成与人工对抗测试方式⑦，OpenAI创建了HealthBench④，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⑤。

对话具有以下特点：❸、多轮交互①，更符合自然对话流程⑨、多语言支持⑯，覆盖不同语言背景⑦、角色多样⑱，既包括普通用户⑤，也包括医生

涵盖多个医学专业领域与场景

精心挑选⑤，具有④、一定难度⑰，避免模型轻松「答对」⑰、这个基准的目标是推动更真实⑬、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⑤。

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❶、由医生撰写的评分标准进行打分⑦。

这些评分标准详细说明了「完美回应」应包含哪些信息⑥，或应避免哪些内容⑭，比如：应提及某个医学事实⑪，或避免使用不必要的术语⑦。

每一条评分标准都有对应的分值权重⑦，根据医生判断该标准在整体回答中的重要性而设定②。

整个HealthBench数据集中包含

48,562条独立评分标准②。

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⑮、全球

健康等⑪。

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⑫。

以下是一些数据集的示例⑨。

左右滑动查看❸、每一条评分标准都对应一个评估维度⑪，用于界定该标准评估的是模型行为的哪个方面❸，例如：

准确性▓、沟通质量④、信息查找与澄清能力⑫、这种结构化的设计▓，让HealthBench能够细致⑲、多角度地评估AI模型在不同医疗场景中的表现⑲，反映在实际应用中的可靠性与实用性②。

模型的回答由GPT-4.1担任评分者⑫，根据每项评分标准判断是否达成⑯，并根据满足标准的总得分与满分比值⑦，给出整体评分①。

HealthBench涵盖了广泛的医学专科领域❶，包括：

麻醉学⑬、皮肤病学④、放射诊断学⑩、急诊医学⑨、家庭医学⑮、普通外科⑭、内科⑱、介入与放射诊断学⑭、医学遗传与基因组学⑨、神经外科❸、神经内科⑨、核医学▓、妇产科学⑤、眼科学⑲、骨科⑩、耳鼻喉科⑯、病理学▓、儿科学⑯、物理医学与康复①、整形外科⑥、精神病学❶、公共卫生与预防医学⑪、放射肿瘤学⑰、胸外科⑳、泌尿外科④、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①。

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⑥、案例标注以及各个环节的验证工作④。

参考资料：

很赞哦❸！

随机图文