您现在的位置是：网站首页> 女人女人

电玩城无限金币版

赖乐菱 2025-05-14 【女人】 3902 人已围观

新智元报道⑯、【新智元导读】OpenAI发布新基准HealthBench⑭，联手60个国家262名执业医生⑧，树立新的「AGI标志性用例」⑩。OpenAI o3碾压Grok 3和Gemini 2.5 Pro⑳，成功登顶⑤。而最强AI几乎达到了人类医生最佳水平⑭！

最强AI⑦，已击败了人类医生⑭。

就在刚刚⑥，全球60个国家⑭，262名执业医生共同上阵⑫，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench❸。

这个基准包含了5,000个基于现实场景的健康对话⑨，每个对话都有医生定制的评分标准⑬，来评估模型的响应⑰。

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⑥，Grok 3位列第二❸，Gemini 2.5 Pro位列第三⑮。

值得一提的是⑬，在AI辅助下④，医生的诊断准确率提升了近4倍⑬。甚至❸，o3⑤、GPT-4.1回答质量超越了医生的水平⑫。

人类免疫学家Derya Unutmaz高度评价道②，「这个关键的评估基准⑮，将为AI医生铺平道路⑩。我们现在正处于一场改变医学未来④，拯救数百万人生命的革命开端」❷。

AGI关键要素⑲，④、医疗AI「标尺」⑪、OpenAI的Health AI团队负责人Karan Singhal①，在X上介绍了HealthBench的特点⑫，并给予了极大的期待：

希望这项工作的发布⑩，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一⑰。

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⑯。

尽管学术界和产业界已付出巨大努力⑦，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、⑩、缺乏基于专家意见的严格验证⑰、

难以为前沿模型提供提升空间▓。

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❶、：评分应反映真实世界影响⑫。突破传统考试题的局限⑩，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④、：评分须真实体现医师判断⑮。评估标准必须符合医疗专业人员的核心诉求与行业规范⑦，为AI系统优化提供严谨依据❶。

未饱和⑨、：基准测试应推动进步⑳。现有模型必须展现显着改进空间④，持续激励开发者提升系统性能⑭。

在过去一年中❸，OpenAI与来自26个医学专业⑥、在60个国家拥有执业经验的262名医师合作❶，共同构建了HealthBench评估体系⑳。

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⑫，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⑥，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⑤，HealthBench支持更具实际意义的开放式评估⑳。

新研究有很多有趣的发现⑳，包括医生评分基线研究等②。

o3冲榜⑭、媲美人类医生⑦、这项健康基准HealthBench提出的主要目的⑤，便是为当前⑨，甚至未来顶尖LLM提供性能可参考依据⑲。

在研究中⑬，OpenAI团队评估了多个模型⑭，包括o3❸、Grok 3⑧、Claude 3.7 Sonnet等⑨，重点考察其在性能④、成本和可靠性方面的表现⑭。

性能❸、根据现实世界健康场景的不同子集②，即「主题」⑦，以及体现模型行为的不同维度❷，即「轴」⑥，所有模型进行PK❶。

整体来看⑥，o3表现最佳⑳，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro⑯。

此外⑦，在最近几个月里⑮，OpenAI前沿模型在HealthBench上的表现提高了28%⑳。

这一提升⑨，对模型的安全性和性能来说⑥，比GPT-4o和GPT-3.5 Turbo之间的提升更大❸。

成本⑰、接下来⑤，研究团队还在模型大小和测试时计算scaling轴上①，研究了模型的成本与性能❸。

可以看到⑩，4月份OpenAI发布的模型❸，刷新了性能成本SOTA⑳。

研究还观察到④，小模型在最近几个月里⑨，得到了显着的改进⑳，

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

比较低⑱、中⑫、高推理水平下的o3⑫、o4-mini和o1模型⑥，结果显示测试时计算能力有所提高⑧。

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③、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⑥。

因此❸，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现⑩。

也就是说❶，在给定示例的n个响应中⑨，最差的得分是多少⑰？

结果发现③，o3模型在16个样本时的最差分数超过GPT-4o的两倍⑳，展现出更强的稳健性和下限表现⑦。

HealthBench系列

此外⑯，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⑥，问题更具挑战性⑤；

· HealthBench Consensus由多位医生共同验证❶，确保评估标准的专业性和一致性⑪。

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

在HealthBench Hard上❸，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⑤。

AI与医生正面交锋⑨、那么⑰，这些大模型能够媲美❶，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⑭。

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④，撰写最佳回答▓。

· 另一组医生则可以参考OpenAI的模型生成回答⑳，自由选择直接修改或完全重写④，提供更高质量的回复⑧。

随后⑲，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❸，评估它们在准确性❷、专业性和实用性等方面的表现⑦。

关键发现如下：⑧、2024年9月模型⑳、在测试o1-preview⑭、4o时⑰，他们发现仅依靠AI生成回答⑨，优于没有参考任何AI医生的回答⑰。

更令人振奋的是⑧，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⑤。

这表明⑧，④、人类医生的专业判断⑲，在③、辅助下能产生最佳效果

2025年4月模型❷、这次实验中⑮，研究人员让医生参考最新o3③、GPT-4.1模型的回答⑭，试图进一步提升回答质量⑦。

然而④，结果令人意外：⑫、医生的优化回答与⑬、原始回答相比⑥，质量上没有显着提升⑤。

而当前⑫，AI模型已足够强大⑤，其回答质量几乎达到了人类医生最佳水平⑥。

GPT-4.1参评⑭、远超人类平均水平❷、为检验基于模型的评分器能否精准评判评分标准⑫，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅❶，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⑩，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❶，是否与医生达成一致④；

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⑦。

评估结果表明⑭，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⑧、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⑲。

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⑨，评估模型评分器与医生评分之间的一致性⑪，并通过三种方式建立对照基线：

典型医生⑱、为了估计人类专家之间的评分一致性⑦，需要对比每位医生的评分与其他医生的评分④，并计算MF1分数⑧。

也就是▓，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⑦，且不使用该医生自己的评分作为参考▓。

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⑦。

MF1适用于类别不平衡的元评估任务⑧。

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⑰。

个体②、医生⑰、OpenAI还在每个主题下报告了每位医生的MF1分数❷。

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⑧，⑭、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⑯、百分位数▓，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❶。

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⑬。

结果：GPT-4.1远超普通医生

如表5所示⑩，在所有主题上❶，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：⑪、在7个主题中的5个中⑩，GPT-4.1的评分表现超过了医生平均水平⑥；

在6个主题中❶，GPT-4.1的表现处于医生评分分布的上半区间⑲；

在所有主题中⑤，GPT-4.1的评分能力都高于医生群体的下三分之一❷。

这些结果说明⑯，GPT-4.1作为基于模型的评分器⑮，其表现已能与医生专家的评估相媲美②。

从图12可以看到⑲，不同医生之间的评分表现差异显着③，说明医生间本身也存在一定主观性和评分风格的差异⑭。

总的来说▓，只要满足以下条件④，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⑬、多样且注释充分②；

元评估设计合理⑦；

评分提示和评分模型经过精心挑选⑳。

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⑬，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⑫，多维度评估

结合模型合成生成与人工对抗测试方式⑭，OpenAI创建了HealthBench⑱，力求贴近真实场景⑬，模拟真实世界中人们使用大模型的情况⑯。

对话具有以下特点：⑥、多轮交互❷，更符合自然对话流程❶、多语言支持③，覆盖不同语言背景▓、角色多样⑦，既包括普通用户⑨，也包括医生

涵盖多个医学专业领域与场景

精心挑选⑯，具有⑨、一定难度⑨，避免模型轻松「答对」⑮、这个基准的目标是推动更真实▓、更全面的AI健康对话能力评估⑭，让模型在实用性与安全性之间达到更好的平衡⑥。

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⑯、由医生撰写的评分标准进行打分⑫。

这些评分标准详细说明了「完美回应」应包含哪些信息⑪，或应避免哪些内容①，比如：应提及某个医学事实⑫，或避免使用不必要的术语⑯。

每一条评分标准都有对应的分值权重⑰，根据医生判断该标准在整体回答中的重要性而设定③。

整个HealthBench数据集中包含

48,562条独立评分标准⑬。

HealthBench中的对话被划分为七大主题⑤，例如急诊❷、应对不确定性⑳、全球

健康等⑪。

每个主题下都包含多个相关示例⑳，每个示例都配有对应的评分标准④。

以下是一些数据集的示例⑰。

左右滑动查看⑬、每一条评分标准都对应一个评估维度③，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⑥、沟通质量❶、信息查找与澄清能力⑥、这种结构化的设计②，让HealthBench能够细致③、多角度地评估AI模型在不同医疗场景中的表现❸，反映在实际应用中的可靠性与实用性⑬。

模型的回答由GPT-4.1担任评分者❶，根据每项评分标准判断是否达成①，并根据满足标准的总得分与满分比值②，给出整体评分❶。

HealthBench涵盖了广泛的医学专科领域③，包括：

麻醉学⑦、皮肤病学⑧、放射诊断学❶、急诊医学③、家庭医学⑪、普通外科⑯、内科⑭、介入与放射诊断学⑥、医学遗传与基因组学①、神经外科⑤、神经内科⑫、核医学⑥、妇产科学⑦、眼科学⑧、骨科⑲、耳鼻喉科⑮、病理学⑯、儿科学❶、物理医学与康复⑱、整形外科▓、精神病学④、公共卫生与预防医学①、放射肿瘤学⑯、胸外科⑧、泌尿外科❸、血管外科❷。

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⑧。

整个HealthBench构建过程涵盖了重点领域筛选⑳、生成相关且具有挑战性的案例样本⑧、案例标注以及各个环节的验证工作⑯。

参考资料：

很赞哦⑭！

随机图文