旧版电玩城

新智元报道⑪、【新智元导读】OpenAI发布新基准HealthBench⑰，联手60个国家262名执业医生⑯，树立新的「AGI标志性用例」⑱。OpenAI o3碾压Grok 3和Gemini 2.5 Pro⑧，成功登顶④。而最强AI几乎达到了人类医生最佳水平①！

最强AI⑳，已击败了人类医生①。

就在刚刚⑰，全球60个国家⑫，262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——HealthBench⑰。

这个基准包含了5,000个基于现实场景的健康对话⑬，每个对话都有医生定制的评分标准⑦，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①，o3拿下了最高分❷，Grok 3位列第二⑨，Gemini 2.5 Pro位列第三⑲。

值得一提的是⑦，在AI辅助下②，医生的诊断准确率提升了近4倍④。甚至⑬，o3⑯、GPT-4.1回答质量超越了医生的水平❷。

人类免疫学家Derya Unutmaz高度评价道⑦，「这个关键的评估基准④，将为AI医生铺平道路⑲。我们现在正处于一场改变医学未来⑨，拯救数百万人生命的革命开端」❸。

AGI关键要素❷，②、医疗AI「标尺」②、OpenAI的Health AI团队负责人Karan Singhal③，在X上介绍了HealthBench的特点⑳，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❷。

改善人类健康⑥，将是通用人工智能最具决定性的影响之一▓。

但要实现这一目标⑫，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⑭。

尽管学术界和产业界已付出巨大努力⑤，但现有评估体系仍存在三大局限：

未能还原真实医疗场景⑭、⑧、缺乏基于专家意见的严格验证④、

难以为前沿模型提供提升空间⑱。

OpenAI团队秉持AI在医疗领域评估的三大核心信念⑧，由此设计出HealthBench：

有现实意义⑯、：评分应反映真实世界影响③。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⑮。

值得信赖⑬、：评分须真实体现医师判断❷。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⑰。

未饱和⑭、：基准测试应推动进步❷。现有模型必须展现显着改进空间❸，持续激励开发者提升系统性能①。

在过去一年中①，OpenAI与来自26个医学专业❸、在60个国家拥有执业经验的262名医师合作⑲，共同构建了HealthBench评估体系①。

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⑦，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⑲，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❶，HealthBench支持更具实际意义的开放式评估⑧。

新研究有很多有趣的发现⑳，包括医生评分基线研究等①。

o3冲榜③、媲美人类医生⑳、这项健康基准HealthBench提出的主要目的⑧，便是为当前❶，甚至未来顶尖LLM提供性能可参考依据①。

在研究中▓，OpenAI团队评估了多个模型④，包括o3⑫、Grok 3⑫、Claude 3.7 Sonnet等⑭，重点考察其在性能⑨、成本和可靠性方面的表现⑱。

性能⑰、根据现实世界健康场景的不同子集③，即「主题」⑤，以及体现模型行为的不同维度▓，即「轴」⑫，所有模型进行PK⑮。

整体来看❶，o3表现最佳②，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro⑨。

此外⑲，在最近几个月里⑦，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⑮，比GPT-4o和GPT-3.5 Turbo之间的提升更大⑬。

成本⑲、接下来⑥，研究团队还在模型大小和测试时计算scaling轴上⑪，研究了模型的成本与性能⑮。

可以看到⑳，4月份OpenAI发布的模型⑩，刷新了性能成本SOTA⑨。

研究还观察到①，小模型在最近几个月里⑬，得到了显着的改进④，

尽管成本仅为GPT-4o的1/25⑥，GPT-4.1 nano的表现仍优于后者①。

比较低②、中⑩、高推理水平下的o3⑩、o4-mini和o1模型⑧，结果显示测试时计算能力有所提高⑭。

其中⑤，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⑱、在医疗领域❷，可靠性至关重要——一次错误回应可能抵消许多正确回答⑰。

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

也就是说③，在给定示例的n个响应中⑰，最差的得分是多少⑮？

结果发现②，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⑥。

HealthBench系列

此外⑥，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❶，问题更具挑战性⑫；

· HealthBench Consensus由多位医生共同验证⑨，确保评估标准的专业性和一致性⑱。

o3和GPT-4.1在HealthBench Consensus错误率⑱，比GPT-4o显着降低⑰。

在HealthBench Hard上①，表现最好的模型得分仅为32%③，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⑭。

AI与医生正面交锋⑳、那么⑨，这些大模型能够媲美⑥，甚至超越人类医生的专业判断❷？

为此⑪，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⑤，撰写最佳回答⑩。

· 另一组医生则可以参考OpenAI的模型生成回答⑩，自由选择直接修改或完全重写⑳，提供更高质量的回复⑳。

随后②，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⑩，评估它们在准确性⑧、专业性和实用性等方面的表现⑰。

关键发现如下：❸、2024年9月模型❷、在测试o1-preview⑫、4o时②，他们发现仅依靠AI生成回答❷，优于没有参考任何AI医生的回答⑪。

更令人振奋的是⑲，当医生参考AI回答并加以优化后⑨，他们的回答质量显着超越了AI模型本身⑯。

这表明①，⑰、人类医生的专业判断⑥，在⑥、辅助下能产生最佳效果

2025年4月模型⑭、这次实验中❷，研究人员让医生参考最新o3②、GPT-4.1模型的回答⑱，试图进一步提升回答质量❷。

然而⑯，结果令人意外：❸、医生的优化回答与⑤、原始回答相比⑭，质量上没有显着提升⑫。

而当前⑰，AI模型已足够强大②，其回答质量几乎达到了人类医生最佳水平③。

GPT-4.1参评④、远超人类平均水平②、为检验基于模型的评分器能否精准评判评分标准⑰，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅⑰，以确定这些回答是否符合相应评分标准⑲。

基于这些医生的反馈⑬，研究团队构建了所谓的「元评估」①，即评估模型评分与医生判断之间的一致性⑩，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⑲；

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⑰。

评估结果表明⑪，模型评分器与医生之间的配对一致性程度⑨，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③，具有可信度和专业性❷。

基线模型⑨、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❸，并通过三种方式建立对照基线：

典型医生⑭、为了估计人类专家之间的评分一致性⑳，需要对比每位医生的评分与其他医生的评分❸，并计算MF1分数⑧。

也就是⑮，用与模型相同的方式对医生进行评分⑲，仅统计该医生参与评估的对话示例⑥，且不使用该医生自己的评分作为参考❶。

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▓。

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⑰，权重基于每位医生参与的元示例数量❸。

个体③、医生⑨、OpenAI还在每个主题下报告了每位医生的MF1分数⑮。

图12展示了这些医生评分分数的分布情况⑤。

通过这些个体分数⑱，❶、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②、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⑪。

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⑩，验证其是否达到了与医生相当的专业判断水平⑯。

结果：GPT-4.1远超普通医生

如表5所示⑪，在所有主题上⑱，GPT-4.1作为评分模型的表现

均明显优于随机基线④、更具体地说：❸、在7个主题中的5个中▓，GPT-4.1的评分表现超过了医生平均水平⑮；

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⑨；

在所有主题中⑦，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⑤，GPT-4.1作为基于模型的评分器▓，其表现已能与医生专家的评估相媲美❶。

从图12可以看到⑰，不同医生之间的评分表现差异显着⑫，说明医生间本身也存在一定主观性和评分风格的差异⑥。

总的来说⑧，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②、多样且注释充分▓；

元评估设计合理⑪；

评分提示和评分模型经过精心挑选⑱。

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❷，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⑨。

模拟真实场景⑥，多维度评估

结合模型合成生成与人工对抗测试方式①，OpenAI创建了HealthBench③，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⑯。

对话具有以下特点：❷、多轮交互⑱，更符合自然对话流程⑬、多语言支持⑧，覆盖不同语言背景⑳、角色多样❶，既包括普通用户⑭，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⑪、一定难度③，避免模型轻松「答对」❸、这个基准的目标是推动更真实③、更全面的AI健康对话能力评估⑮，让模型在实用性与安全性之间达到更好的平衡③。

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⑦。

这些评分标准详细说明了「完美回应」应包含哪些信息②，或应避免哪些内容⑯，比如：应提及某个医学事实▓，或避免使用不必要的术语⑪。

每一条评分标准都有对应的分值权重⑲，根据医生判断该标准在整体回答中的重要性而设定❷。

整个HealthBench数据集中包含

48,562条独立评分标准❶。

HealthBench中的对话被划分为七大主题①，例如急诊⑰、应对不确定性①、全球

健康等⑭。

每个主题下都包含多个相关示例⑥，每个示例都配有对应的评分标准❶。

以下是一些数据集的示例⑰。

左右滑动查看⑪、每一条评分标准都对应一个评估维度⑥，用于界定该标准评估的是模型行为的哪个方面⑳，例如：

准确性❶、沟通质量④、信息查找与澄清能力⑬、这种结构化的设计⑲，让HealthBench能够细致①、多角度地评估AI模型在不同医疗场景中的表现▓，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⑧，根据每项评分标准判断是否达成⑪，并根据满足标准的总得分与满分比值③，给出整体评分①。

HealthBench涵盖了广泛的医学专科领域⑤，包括：

麻醉学⑲、皮肤病学⑳、放射诊断学③、急诊医学❸、家庭医学③、普通外科⑰、内科❸、介入与放射诊断学⑪、医学遗传与基因组学④、神经外科⑥、神经内科⑲、核医学②、妇产科学⑱、眼科学⑰、骨科②、耳鼻喉科⑭、病理学④、儿科学①、物理医学与康复❶、整形外科❶、精神病学⑦、公共卫生与预防医学⑨、放射肿瘤学⑭、胸外科⑩、泌尿外科⑭、血管外科⑨。

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⑦。

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⑩、案例标注以及各个环节的验证工作⑯。

参考资料：

转载：感谢您对电玩城捕鱼种类都有的软件网站平台的认可④，以及对电玩城捕鱼种类都有的软件原创作品以及文章的青睐⑫，非常欢迎各位朋友分享到个人站长或者朋友圈⑳，但转载请说明文章出处“来源电玩城捕鱼种类都有的软件”④。

很赞哦⑳！