您现在的位置是：网站首页> 足球足球

电玩城模拟器破解版无限金币

钱友蕊 2025-05-14 【足球】 0626 人已围观

新智元报道①、【新智元导读】OpenAI发布新基准HealthBench⑨，联手60个国家262名执业医生⑬，树立新的「AGI标志性用例」⑩。OpenAI o3碾压Grok 3和Gemini 2.5 Pro⑨，成功登顶⑤。而最强AI几乎达到了人类医生最佳水平⑨！

最强AI⑮，已击败了人类医生⑬。

就在刚刚②，全球60个国家⑦，262名执业医生共同上阵⑮，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench⑲。

这个基准包含了5,000个基于现实场景的健康对话⑳，每个对话都有医生定制的评分标准❷，来评估模型的响应❸。

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⑬，Grok 3位列第二▓，Gemini 2.5 Pro位列第三②。

值得一提的是⑨，在AI辅助下⑨，医生的诊断准确率提升了近4倍⑤。甚至⑩，o3❸、GPT-4.1回答质量超越了医生的水平⑰。

人类免疫学家Derya Unutmaz高度评价道⑧，「这个关键的评估基准⑤，将为AI医生铺平道路⑦。我们现在正处于一场改变医学未来❶，拯救数百万人生命的革命开端」⑪。

AGI关键要素⑥，⑰、医疗AI「标尺」⑤、OpenAI的Health AI团队负责人Karan Singhal⑬，在X上介绍了HealthBench的特点⑩，并给予了极大的期待：

希望这项工作的发布⑲，能为AI朝着改善人类健康的方向发展提供有力引导❶。

改善人类健康③，将是通用人工智能最具决定性的影响之一❶。

但要实现这一目标⑮，必须确保模型既有用又安全⑲。专业评估对理解模型在医疗场景中的表现至关重要⑮。

尽管学术界和产业界已付出巨大努力⑰，但现有评估体系仍存在三大局限：

未能还原真实医疗场景⑩、①、缺乏基于专家意见的严格验证▓、

难以为前沿模型提供提升空间⑰。

OpenAI团队秉持AI在医疗领域评估的三大核心信念⑥，由此设计出HealthBench：

有现实意义⑮、：评分应反映真实世界影响⑤。突破传统考试题的局限⑮，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⑳。

值得信赖②、：评分须真实体现医师判断⑧。评估标准必须符合医疗专业人员的核心诉求与行业规范❸，为AI系统优化提供严谨依据⑱。

未饱和⑱、：基准测试应推动进步⑪。现有模型必须展现显着改进空间⑦，持续激励开发者提升系统性能⑳。

在过去一年中❶，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⑭，共同构建了HealthBench评估体系②。

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⑪，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⑯。

新研究有很多有趣的发现⑰，包括医生评分基线研究等⑫。

o3冲榜⑧、媲美人类医生❶、这项健康基准HealthBench提出的主要目的⑥，便是为当前⑭，甚至未来顶尖LLM提供性能可参考依据②。

在研究中❷，OpenAI团队评估了多个模型▓，包括o3⑭、Grok 3⑯、Claude 3.7 Sonnet等①，重点考察其在性能▓、成本和可靠性方面的表现⑩。

性能④、根据现实世界健康场景的不同子集⑩，即「主题」①，以及体现模型行为的不同维度▓，即「轴」⑮，所有模型进行PK⑫。

整体来看❸，o3表现最佳⑭，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro❷。

此外③，在最近几个月里⑬，OpenAI前沿模型在HealthBench上的表现提高了28%⑦。

这一提升⑥，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⑩。

成本⑩、接下来⑮，研究团队还在模型大小和测试时计算scaling轴上②，研究了模型的成本与性能⑧。

可以看到⑥，4月份OpenAI发布的模型❶，刷新了性能成本SOTA⑫。

研究还观察到❶，小模型在最近几个月里⑩，得到了显着的改进❷，

尽管成本仅为GPT-4o的1/25⑯，GPT-4.1 nano的表现仍优于后者②。

比较低⑩、中⑬、高推理水平下的o3❷、o4-mini和o1模型⑩，结果显示测试时计算能力有所提高⑧。

其中⑪，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⑳。

可靠性⑬、在医疗领域④，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⑲。

也就是说⑧，在给定示例的n个响应中⑮，最差的得分是多少⑥？

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⑪，展现出更强的稳健性和下限表现⑳。

HealthBench系列

此外①，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus⑱。

· HealthBench Hard专为更高难度场景设计③，问题更具挑战性⑪；

· HealthBench Consensus由多位医生共同验证③，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▓，比GPT-4o显着降低③。

在HealthBench Hard上④，表现最好的模型得分仅为32%⑨，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⑯。

AI与医生正面交锋⑫、那么⑬，这些大模型能够媲美③，甚至超越人类医生的专业判断③？

为此⑳，OpenAI在研究还展开了一场人机对决测试⑥。

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⑱，撰写最佳回答⑰。

· 另一组医生则可以参考OpenAI的模型生成回答⑥，自由选择直接修改或完全重写④，提供更高质量的回复⑨。

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❶，评估它们在准确性⑥、专业性和实用性等方面的表现⑨。

关键发现如下：⑰、2024年9月模型⑦、在测试o1-preview⑥、4o时⑩，他们发现仅依靠AI生成回答⑥，优于没有参考任何AI医生的回答④。

更令人振奋的是⑭，当医生参考AI回答并加以优化后⑯，他们的回答质量显着超越了AI模型本身⑩。

这表明⑩，⑦、人类医生的专业判断⑨，在⑳、辅助下能产生最佳效果

2025年4月模型①、这次实验中▓，研究人员让医生参考最新o3❸、GPT-4.1模型的回答❶，试图进一步提升回答质量⑳。

然而⑲，结果令人意外：⑯、医生的优化回答与⑨、原始回答相比⑬，质量上没有显着提升④。

而当前⑦，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⑲。

GPT-4.1参评⑦、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④，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅⑪，以确定这些回答是否符合相应评分标准❶。

基于这些医生的反馈▓，研究团队构建了所谓的「元评估」⑧，即评估模型评分与医生判断之间的一致性⑳，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②，是否与医生达成一致②；

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⑲。

评估结果表明⑯，模型评分器与医生之间的配对一致性程度⑬，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⑮，具有可信度和专业性⑮。

基线模型❷、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⑫，并通过三种方式建立对照基线：

典型医生⑫、为了估计人类专家之间的评分一致性▓，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⑨。

也就是❶，用与模型相同的方式对医生进行评分④，仅统计该医生参与评估的对话示例▓，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⑤，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④。

MF1适用于类别不平衡的元评估任务⑫。

表5按主题报告了加权平均的医生MF1分数③，权重基于每位医生参与的元示例数量⑩。

个体⑫、医生⑩、OpenAI还在每个主题下报告了每位医生的MF1分数⑨。

图12展示了这些医生评分分数的分布情况⑬。

通过这些个体分数❶，②、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④、百分位数⑳，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⑥。

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⑲，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⑯，GPT-4.1作为评分模型的表现

均明显优于随机基线②、更具体地说：①、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①；

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②，GPT-4.1的评分能力都高于医生群体的下三分之一⑪。

这些结果说明⑨，GPT-4.1作为基于模型的评分器⑦，其表现已能与医生专家的评估相媲美⑭。

从图12可以看到⑫，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②。

总的来说⑰，只要满足以下条件⑱，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⑧、多样且注释充分▓；

元评估设计合理⑲；

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❸，就已达到了医生级别的一致性表现⑪，因此它被设置为HealthBench的默认评分模型⑩。

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⑮，OpenAI创建了HealthBench⑥，力求贴近真实场景⑥，模拟真实世界中人们使用大模型的情况⑦。

对话具有以下特点：②、多轮交互①，更符合自然对话流程⑱、多语言支持①，覆盖不同语言背景④、角色多样⑰，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⑫，具有②、一定难度⑨，避免模型轻松「答对」⑥、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⑦，让模型在实用性与安全性之间达到更好的平衡⑨。

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⑧、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⑭，或应避免哪些内容❸，比如：应提及某个医学事实⑯，或避免使用不必要的术语⑧。

每一条评分标准都有对应的分值权重❶，根据医生判断该标准在整体回答中的重要性而设定⑨。

整个HealthBench数据集中包含

48,562条独立评分标准⑪。

HealthBench中的对话被划分为七大主题⑥，例如急诊❷、应对不确定性⑩、全球

健康等⑪。

每个主题下都包含多个相关示例⑮，每个示例都配有对应的评分标准⑯。

以下是一些数据集的示例⑥。

左右滑动查看③、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▓，例如：

准确性②、沟通质量②、信息查找与澄清能力⑦、这种结构化的设计⑱，让HealthBench能够细致⑨、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▓。

模型的回答由GPT-4.1担任评分者▓，根据每项评分标准判断是否达成⑭，并根据满足标准的总得分与满分比值▓，给出整体评分⑮。

HealthBench涵盖了广泛的医学专科领域⑱，包括：

麻醉学②、皮肤病学⑩、放射诊断学⑪、急诊医学⑮、家庭医学⑩、普通外科⑳、内科▓、介入与放射诊断学⑤、医学遗传与基因组学①、神经外科⑱、神经内科⑮、核医学▓、妇产科学⑱、眼科学⑧、骨科⑲、耳鼻喉科⑥、病理学⑳、儿科学⑱、物理医学与康复④、整形外科⑥、精神病学❶、公共卫生与预防医学⑰、放射肿瘤学⑫、胸外科④、泌尿外科⑭、血管外科⑯。

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⑨。

整个HealthBench构建过程涵盖了重点领域筛选⑯、生成相关且具有挑战性的案例样本⑫、案例标注以及各个环节的验证工作⑤。

参考资料：

很赞哦⑯！

随机图文