电玩城捕鱼游戏官网

新智元报道⑭、【新智元导读】OpenAI发布新基准HealthBench⑬，联手60个国家262名执业医生③，树立新的「AGI标志性用例」▓。OpenAI o3碾压Grok 3和Gemini 2.5 Pro⑱，成功登顶❶。而最强AI几乎达到了人类医生最佳水平⑥！

最强AI⑭，已击败了人类医生③。

就在刚刚⑱，全球60个国家⑭，262名执业医生共同上阵▓，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench④。

这个基准包含了5,000个基于现实场景的健康对话⑰，每个对话都有医生定制的评分标准⑪，来评估模型的响应⑭。

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⑩，o3拿下了最高分⑪，Grok 3位列第二⑮，Gemini 2.5 Pro位列第三⑲。

值得一提的是❷，在AI辅助下⑬，医生的诊断准确率提升了近4倍⑧。甚至②，o3⑩、GPT-4.1回答质量超越了医生的水平❸。

人类免疫学家Derya Unutmaz高度评价道⑫，「这个关键的评估基准③，将为AI医生铺平道路❸。我们现在正处于一场改变医学未来⑯，拯救数百万人生命的革命开端」⑱。

AGI关键要素⑳，⑥、医疗AI「标尺」⑧、OpenAI的Health AI团队负责人Karan Singhal⑮，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⑤，能为AI朝着改善人类健康的方向发展提供有力引导⑳。

改善人类健康⑳，将是通用人工智能最具决定性的影响之一⑫。

但要实现这一目标⑱，必须确保模型既有用又安全⑪。专业评估对理解模型在医疗场景中的表现至关重要①。

尽管学术界和产业界已付出巨大努力⑥，但现有评估体系仍存在三大局限：

未能还原真实医疗场景⑦、⑲、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①。

OpenAI团队秉持AI在医疗领域评估的三大核心信念⑲，由此设计出HealthBench：

有现实意义⑫、：评分应反映真实世界影响⑩。突破传统考试题的局限①，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⑲。

值得信赖⑪、：评分须真实体现医师判断⑨。评估标准必须符合医疗专业人员的核心诉求与行业规范❶，为AI系统优化提供严谨依据⑯。

未饱和⑪、：基准测试应推动进步⑩。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④。

在过去一年中④，OpenAI与来自26个医学专业①、在60个国家拥有执业经验的262名医师合作❸，共同构建了HealthBench评估体系④。

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❸，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④。

新研究有很多有趣的发现⑬，包括医生评分基线研究等②。

o3冲榜⑬、媲美人类医生②、这项健康基准HealthBench提出的主要目的⑧，便是为当前⑫，甚至未来顶尖LLM提供性能可参考依据③。

在研究中⑦，OpenAI团队评估了多个模型⑰，包括o3⑦、Grok 3❷、Claude 3.7 Sonnet等⑨，重点考察其在性能⑬、成本和可靠性方面的表现⑱。

性能⑯、根据现实世界健康场景的不同子集⑨，即「主题」⑲，以及体现模型行为的不同维度⑳，即「轴」④，所有模型进行PK⑧。

整体来看⑥，o3表现最佳❸，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro▓。

此外⑱，在最近几个月里⑭，OpenAI前沿模型在HealthBench上的表现提高了28%⑨。

这一提升⑤，对模型的安全性和性能来说⑫，比GPT-4o和GPT-3.5 Turbo之间的提升更大⑱。

成本①、接下来⑧，研究团队还在模型大小和测试时计算scaling轴上⑦，研究了模型的成本与性能⑯。

可以看到⑫，4月份OpenAI发布的模型⑤，刷新了性能成本SOTA⑪。

研究还观察到④，小模型在最近几个月里⑩，得到了显着的改进⑥，

尽管成本仅为GPT-4o的1/25⑧，GPT-4.1 nano的表现仍优于后者⑰。

比较低❶、中❶、高推理水平下的o3⑳、o4-mini和o1模型⑲，结果显示测试时计算能力有所提高④。

其中⑳，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❷。

可靠性▓、在医疗领域⑫，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⑳，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⑭，在给定示例的n个响应中⑬，最差的得分是多少⑰？

结果发现①，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③。

HealthBench系列

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

· HealthBench Hard专为更高难度场景设计⑰，问题更具挑战性❷；

· HealthBench Consensus由多位医生共同验证⑰，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⑬，比GPT-4o显着降低⑭。

在HealthBench Hard上⑥，表现最好的模型得分仅为32%⑧，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⑳、那么⑦，这些大模型能够媲美⑳，甚至超越人类医生的专业判断❶？

为此③，OpenAI在研究还展开了一场人机对决测试③。

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▓，撰写最佳回答❸。

· 另一组医生则可以参考OpenAI的模型生成回答⑧，自由选择直接修改或完全重写⑩，提供更高质量的回复⑳。

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⑦，评估它们在准确性③、专业性和实用性等方面的表现⑯。

关键发现如下：⑧、2024年9月模型⑤、在测试o1-preview❷、4o时⑨，他们发现仅依靠AI生成回答⑯，优于没有参考任何AI医生的回答②。

更令人振奋的是⑤，当医生参考AI回答并加以优化后❶，他们的回答质量显着超越了AI模型本身⑦。

这表明⑲，④、人类医生的专业判断⑫，在❸、辅助下能产生最佳效果

2025年4月模型⑰、这次实验中❶，研究人员让医生参考最新o3⑦、GPT-4.1模型的回答❶，试图进一步提升回答质量②。

然而⑱，结果令人意外：⑤、医生的优化回答与③、原始回答相比①，质量上没有显着提升⑱。

而当前⑧，AI模型已足够强大❸，其回答质量几乎达到了人类医生最佳水平⑭。

GPT-4.1参评⑤、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⑳，OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅⑯，以确定这些回答是否符合相应评分标准⑮。

基于这些医生的反馈❷，研究团队构建了所谓的「元评估」▓，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①，是否与医生达成一致▓；

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③。

评估结果表明①，模型评分器与医生之间的配对一致性程度④，和医生之间的配对一致性

程度相当⑲、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⑯，具有可信度和专业性⑱。

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⑦，评估模型评分器与医生评分之间的一致性❷，并通过三种方式建立对照基线：

典型医生⑩、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⑰，并计算MF1分数④。

也就是⑳，用与模型相同的方式对医生进行评分⑬，仅统计该医生参与评估的对话示例⑱，且不使用该医生自己的评分作为参考①。

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②。

MF1适用于类别不平衡的元评估任务⑮。

表5按主题报告了加权平均的医生MF1分数⑱，权重基于每位医生参与的元示例数量❷。

个体④、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⑧。

通过这些个体分数③，❶、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⑮、百分位数⑮，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①，验证其是否达到了与医生相当的专业判断水平⑮。

结果：GPT-4.1远超普通医生

如表5所示①，在所有主题上⑭，GPT-4.1作为评分模型的表现

均明显优于随机基线⑩、更具体地说：❸、在7个主题中的5个中⑱，GPT-4.1的评分表现超过了医生平均水平④；

在6个主题中②，GPT-4.1的表现处于医生评分分布的上半区间❶；

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一⑤。

这些结果说明⑪，GPT-4.1作为基于模型的评分器⑩，其表现已能与医生专家的评估相媲美③。

从图12可以看到⑰，不同医生之间的评分表现差异显着⑮，说明医生间本身也存在一定主观性和评分风格的差异⑤。

总的来说⑫，只要满足以下条件⑨，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⑫、多样且注释充分❸；

元评估设计合理⑭；

评分提示和评分模型经过精心挑选❸。

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⑪，就已达到了医生级别的一致性表现⑳，因此它被设置为HealthBench的默认评分模型❸。

模拟真实场景❸，多维度评估

结合模型合成生成与人工对抗测试方式②，OpenAI创建了HealthBench⑦，力求贴近真实场景⑩，模拟真实世界中人们使用大模型的情况⑥。

对话具有以下特点：⑭、多轮交互③，更符合自然对话流程①、多语言支持⑧，覆盖不同语言背景①、角色多样❷，既包括普通用户❶，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⑯，避免模型轻松「答对」❶、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⑭，让模型在实用性与安全性之间达到更好的平衡❷。

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⑫、由医生撰写的评分标准进行打分⑲。

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⑫，比如：应提及某个医学事实③，或避免使用不必要的术语⑨。

每一条评分标准都有对应的分值权重❸，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⑫。

HealthBench中的对话被划分为七大主题⑳，例如急诊⑭、应对不确定性⑦、全球

健康等⑫。

每个主题下都包含多个相关示例⑨，每个示例都配有对应的评分标准⑤。

以下是一些数据集的示例⑲。

左右滑动查看④、每一条评分标准都对应一个评估维度⑬，用于界定该标准评估的是模型行为的哪个方面❶，例如：

准确性⑫、沟通质量❶、信息查找与澄清能力③、这种结构化的设计⑪，让HealthBench能够细致⑬、多角度地评估AI模型在不同医疗场景中的表现①，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⑮，根据每项评分标准判断是否达成⑲，并根据满足标准的总得分与满分比值⑥，给出整体评分⑳。

HealthBench涵盖了广泛的医学专科领域⑤，包括：

麻醉学②、皮肤病学④、放射诊断学⑭、急诊医学⑧、家庭医学❸、普通外科④、内科⑱、介入与放射诊断学⑬、医学遗传与基因组学⑮、神经外科⑰、神经内科⑬、核医学④、妇产科学⑩、眼科学⑬、骨科⑲、耳鼻喉科⑳、病理学⑦、儿科学⑥、物理医学与康复⑬、整形外科⑤、精神病学⑫、公共卫生与预防医学④、放射肿瘤学①、胸外科❶、泌尿外科⑰、血管外科⑧。

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❶。

整个HealthBench构建过程涵盖了重点领域筛选①、生成相关且具有挑战性的案例样本④、案例标注以及各个环节的验证工作⑱。

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⑯，非常欢迎各位朋友分享到个人站长或者朋友圈⑥，但转载请说明文章出处“来源电玩城捕鱼种类都有的软件”⑳。

很赞哦⑤！