您现在的位置是：网站首页>国际国际

抖音开心电玩城

何寒安 2025-05-14 【国际】 8795 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⑪，树立新的「AGI标志性用例」⑰。OpenAI o3碾压Grok 3和Gemini 2.5 Pro⑯，成功登顶⑮。而最强AI几乎达到了人类医生最佳水平⑨！

最强AI⑲，已击败了人类医生⑰。

就在刚刚②，全球60个国家⑪，262名执业医生共同上阵⑯，联手OpenAI打造出「最具AGI标志性」的AI健康系统评估标准——HealthBench①。

这个基准包含了5,000个基于现实场景的健康对话⑫，每个对话都有医生定制的评分标准❷，来评估模型的响应⑤。

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⑩，Grok 3位列第二⑯，Gemini 2.5 Pro位列第三⑭。

值得一提的是④，在AI辅助下❸，医生的诊断准确率提升了近4倍⑰。甚至⑯，o3❶、GPT-4.1回答质量超越了医生的水平❶。

人类免疫学家Derya Unutmaz高度评价道❸，「这个关键的评估基准⑳，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④，拯救数百万人生命的革命开端」③。

AGI关键要素⑫，⑧、医疗AI「标尺」⑭、OpenAI的Health AI团队负责人Karan Singhal⑥，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⑪，能为AI朝着改善人类健康的方向发展提供有力引导⑱。

改善人类健康⑭，将是通用人工智能最具决定性的影响之一❸。

但要实现这一目标⑱，必须确保模型既有用又安全⑭。专业评估对理解模型在医疗场景中的表现至关重要❷。

尽管学术界和产业界已付出巨大努力⑲，但现有评估体系仍存在三大局限：

未能还原真实医疗场景❶、⑨、缺乏基于专家意见的严格验证⑮、

难以为前沿模型提供提升空间❷。

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⑦、：评分应反映真实世界影响⑩。突破传统考试题的局限⑰，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❷。

值得信赖⑨、：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⑥，为AI系统优化提供严谨依据❶。

未饱和⑦、：基准测试应推动进步⑧。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❶。

在过去一年中④，OpenAI与来自26个医学专业⑭、在60个国家拥有执业经验的262名医师合作⑳，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②，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⑤，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⑧，HealthBench支持更具实际意义的开放式评估①。

新研究有很多有趣的发现⑱，包括医生评分基线研究等⑤。

o3冲榜⑨、媲美人类医生③、这项健康基准HealthBench提出的主要目的❷，便是为当前⑭，甚至未来顶尖LLM提供性能可参考依据⑤。

在研究中⑰，OpenAI团队评估了多个模型⑫，包括o3④、Grok 3❶、Claude 3.7 Sonnet等①，重点考察其在性能⑤、成本和可靠性方面的表现⑦。

性能③、根据现实世界健康场景的不同子集⑬，即「主题」①，以及体现模型行为的不同维度⑱，即「轴」⑪，所有模型进行PK❸。

整体来看④，o3表现最佳⑯，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro❶。

此外⑯，在最近几个月里⑦，OpenAI前沿模型在HealthBench上的表现提高了28%⑯。

这一提升⑧，对模型的安全性和性能来说⑩，比GPT-4o和GPT-3.5 Turbo之间的提升更大▓。

成本❶、接下来⑧，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⑯。

可以看到②，4月份OpenAI发布的模型⑭，刷新了性能成本SOTA⑮。

研究还观察到⑧，小模型在最近几个月里⑯，得到了显着的改进①，

尽管成本仅为GPT-4o的1/25⑨，GPT-4.1 nano的表现仍优于后者⑲。

比较低⑲、中⑦、高推理水平下的o3⑳、o4-mini和o1模型③，结果显示测试时计算能力有所提高▓。

其中③，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⑭。

可靠性⑪、在医疗领域⑭，可靠性至关重要——一次错误回应可能抵消许多正确回答⑪。

因此⑱，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现①。

也就是说▓，在给定示例的n个响应中⑲，最差的得分是多少⑧？

结果发现⑫，o3模型在16个样本时的最差分数超过GPT-4o的两倍⑱，展现出更强的稳健性和下限表现⑱。

HealthBench系列

此外⑨，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus⑥。

· HealthBench Hard专为更高难度场景设计⑨，问题更具挑战性⑲；

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

o3和GPT-4.1在HealthBench Consensus错误率⑲，比GPT-4o显着降低⑦。

在HealthBench Hard上❶，表现最好的模型得分仅为32%⑦，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❶。

AI与医生正面交锋⑩、那么⑧，这些大模型能够媲美⑦，甚至超越人类医生的专业判断⑧？

为此⑯，OpenAI在研究还展开了一场人机对决测试⑩。

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⑫，撰写最佳回答⑥。

· 另一组医生则可以参考OpenAI的模型生成回答⑪，自由选择直接修改或完全重写⑥，提供更高质量的回复④。

随后⑭，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▓，评估它们在准确性❶、专业性和实用性等方面的表现❷。

关键发现如下：⑤、2024年9月模型⑪、在测试o1-preview❶、4o时②，他们发现仅依靠AI生成回答⑦，优于没有参考任何AI医生的回答②。

更令人振奋的是④，当医生参考AI回答并加以优化后⑰，他们的回答质量显着超越了AI模型本身❸。

这表明▓，⑦、人类医生的专业判断❷，在⑪、辅助下能产生最佳效果

2025年4月模型⑬、这次实验中❸，研究人员让医生参考最新o3⑤、GPT-4.1模型的回答⑳，试图进一步提升回答质量⑮。

然而⑤，结果令人意外：⑯、医生的优化回答与⑩、原始回答相比❶，质量上没有显着提升⑦。

而当前⑧，AI模型已足够强大❷，其回答质量几乎达到了人类医生最佳水平⑱。

GPT-4.1参评⑤、远超人类平均水平⑥、为检验基于模型的评分器能否精准评判评分标准⑪，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⑤。

基于这些医生的反馈⑲，研究团队构建了所谓的「元评估」⑪，即评估模型评分与医生判断之间的一致性⑭，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⑱，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⑩。

评估结果表明⑤，模型评分器与医生之间的配对一致性程度⑥，和医生之间的配对一致性

程度相当⑮、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⑭，具有可信度和专业性⑦。

基线模型⑭、OpenAI将34条共识评分标准的数据按七大主题进行分组⑫，评估模型评分器与医生评分之间的一致性⑬，并通过三种方式建立对照基线：

典型医生①、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⑪。

也就是❶，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④，且不使用该医生自己的评分作为参考⑬。

注释：在分类任务中①，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⑮。

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⑨，权重基于每位医生参与的元示例数量⑪。

个体④、医生⑨、OpenAI还在每个主题下报告了每位医生的MF1分数⑯。

图12展示了这些医生评分分数的分布情况⑦。

通过这些个体分数⑤，▓、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⑲、百分位数⑪，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⑱。

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⑭，验证其是否达到了与医生相当的专业判断水平⑭。

结果：GPT-4.1远超普通医生

如表5所示▓，在所有主题上⑳，GPT-4.1作为评分模型的表现

均明显优于随机基线⑳、更具体地说：③、在7个主题中的5个中⑫，GPT-4.1的评分表现超过了医生平均水平⑭；

在6个主题中③，GPT-4.1的表现处于医生评分分布的上半区间⑤；

在所有主题中⑨，GPT-4.1的评分能力都高于医生群体的下三分之一⑩。

这些结果说明⑬，GPT-4.1作为基于模型的评分器⑭，其表现已能与医生专家的评估相媲美①。

从图12可以看到③，不同医生之间的评分表现差异显着①，说明医生间本身也存在一定主观性和评分风格的差异⑲。

总的来说⑩，只要满足以下条件❸，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⑮、多样且注释充分②；

元评估设计合理⑥；

评分提示和评分模型经过精心挑选⑰。

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④，就已达到了医生级别的一致性表现⑯，因此它被设置为HealthBench的默认评分模型⑨。

模拟真实场景②，多维度评估

结合模型合成生成与人工对抗测试方式⑩，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⑮。

对话具有以下特点：②、多轮交互⑮，更符合自然对话流程⑲、多语言支持⑱，覆盖不同语言背景⑦、角色多样⑱，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⑤，具有②、一定难度⑤，避免模型轻松「答对」④、这个基准的目标是推动更真实⑪、更全面的AI健康对话能力评估③，让模型在实用性与安全性之间达到更好的平衡❸。

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⑤、由医生撰写的评分标准进行打分⑤。

这些评分标准详细说明了「完美回应」应包含哪些信息⑮，或应避免哪些内容⑲，比如：应提及某个医学事实⑫，或避免使用不必要的术语❸。

每一条评分标准都有对应的分值权重⑯，根据医生判断该标准在整体回答中的重要性而设定⑤。

整个HealthBench数据集中包含

48,562条独立评分标准⑤。

HealthBench中的对话被划分为七大主题⑥，例如急诊⑱、应对不确定性⑬、全球

健康等⑯。

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⑪。

左右滑动查看❸、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⑦，例如：

准确性⑱、沟通质量⑬、信息查找与澄清能力⑰、这种结构化的设计⑭，让HealthBench能够细致⑤、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⑦。

模型的回答由GPT-4.1担任评分者❸，根据每项评分标准判断是否达成⑮，并根据满足标准的总得分与满分比值⑫，给出整体评分⑳。

HealthBench涵盖了广泛的医学专科领域②，包括：

麻醉学⑭、皮肤病学⑬、放射诊断学③、急诊医学⑲、家庭医学③、普通外科⑬、内科⑨、介入与放射诊断学⑧、医学遗传与基因组学⑫、神经外科③、神经内科⑱、核医学⑪、妇产科学①、眼科学①、骨科⑱、耳鼻喉科⑪、病理学③、儿科学⑪、物理医学与康复⑬、整形外科⑫、精神病学⑪、公共卫生与预防医学⑲、放射肿瘤学⑭、胸外科⑩、泌尿外科▓、血管外科❸。

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⑦、生成相关且具有挑战性的案例样本⑮、案例标注以及各个环节的验证工作⑲。

参考资料：

很赞哦④！

随机图文