您现在的位置是：网站首页>汽车汽车

电玩城大厅app

杨凌香 2025-05-14 【汽车】 2223 人已围观

新智元报道②、【新智元导读】OpenAI发布新基准HealthBench③，联手60个国家262名执业医生❸，树立新的「AGI标志性用例」⑭。OpenAI o3碾压Grok 3和Gemini 2.5 Pro⑬，成功登顶⑨。而最强AI几乎达到了人类医生最佳水平⑳！

最强AI⑰，已击败了人类医生❸。

就在刚刚▓，全球60个国家⑧，262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——HealthBench⑦。

这个基准包含了5,000个基于现实场景的健康对话③，每个对话都有医生定制的评分标准⑲，来评估模型的响应①。

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❶，o3拿下了最高分❷，Grok 3位列第二⑭，Gemini 2.5 Pro位列第三❷。

值得一提的是⑫，在AI辅助下⑧，医生的诊断准确率提升了近4倍❶。甚至⑯，o3⑫、GPT-4.1回答质量超越了医生的水平⑳。

人类免疫学家Derya Unutmaz高度评价道⑦，「这个关键的评估基准⑯，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⑱，拯救数百万人生命的革命开端」⑩。

AGI关键要素⑥，⑤、医疗AI「标尺」⑲、OpenAI的Health AI团队负责人Karan Singhal②，在X上介绍了HealthBench的特点⑮，并给予了极大的期待：

希望这项工作的发布⑫，能为AI朝着改善人类健康的方向发展提供有力引导④。

改善人类健康❶，将是通用人工智能最具决定性的影响之一⑨。

但要实现这一目标⑪，必须确保模型既有用又安全⑧。专业评估对理解模型在医疗场景中的表现至关重要⑫。

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▓、⑧、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①。

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

有现实意义⑪、：评分应反映真实世界影响▓。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⑧。

值得信赖⑩、：评分须真实体现医师判断❶。评估标准必须符合医疗专业人员的核心诉求与行业规范⑰，为AI系统优化提供严谨依据⑭。

未饱和⑥、：基准测试应推动进步⑥。现有模型必须展现显着改进空间⑩，持续激励开发者提升系统性能④。

在过去一年中⑭，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⑩，共同构建了HealthBench评估体系⑱。

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⑨，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⑰，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②，HealthBench支持更具实际意义的开放式评估⑱。

新研究有很多有趣的发现⑨，包括医生评分基线研究等⑰。

o3冲榜❶、媲美人类医生⑮、这项健康基准HealthBench提出的主要目的②，便是为当前③，甚至未来顶尖LLM提供性能可参考依据⑰。

在研究中⑧，OpenAI团队评估了多个模型⑰，包括o3⑯、Grok 3⑳、Claude 3.7 Sonnet等⑥，重点考察其在性能⑲、成本和可靠性方面的表现⑮。

性能④、根据现实世界健康场景的不同子集①，即「主题」④，以及体现模型行为的不同维度⑥，即「轴」⑬，所有模型进行PK④。

整体来看⑭，o3表现最佳▓，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro⑳。

此外⑦，在最近几个月里⑥，OpenAI前沿模型在HealthBench上的表现提高了28%⑫。

这一提升❶，对模型的安全性和性能来说⑦，比GPT-4o和GPT-3.5 Turbo之间的提升更大⑤。

成本⑩、接下来▓，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⑥。

可以看到⑲，4月份OpenAI发布的模型⑩，刷新了性能成本SOTA⑱。

研究还观察到❷，小模型在最近几个月里⑱，得到了显着的改进⑨，

尽管成本仅为GPT-4o的1/25⑰，GPT-4.1 nano的表现仍优于后者①。

比较低②、中❶、高推理水平下的o3⑬、o4-mini和o1模型⑪，结果显示测试时计算能力有所提高⑰。

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▓、在医疗领域⑯，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③，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现⑳。

也就是说⑲，在给定示例的n个响应中⑪，最差的得分是多少④？

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❶，展现出更强的稳健性和下限表现▓。

HealthBench系列

此外⑤，OpenAI还推出了HealthBench系列的两个新成员：HealthBench Hard和HealthBench Consensus⑭。

· HealthBench Hard专为更高难度场景设计⑯，问题更具挑战性②；

· HealthBench Consensus由多位医生共同验证⑫，确保评估标准的专业性和一致性⑩。

o3和GPT-4.1在HealthBench Consensus错误率⑲，比GPT-4o显着降低①。

在HealthBench Hard上⑲，表现最好的模型得分仅为32%⑮，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⑧。

AI与医生正面交锋②、那么⑰，这些大模型能够媲美⑲，甚至超越人类医生的专业判断▓？

为此⑦，OpenAI在研究还展开了一场人机对决测试❷。

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⑩，撰写最佳回答⑳。

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

随后▓，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⑫，评估它们在准确性⑩、专业性和实用性等方面的表现⑩。

关键发现如下：②、2024年9月模型③、在测试o1-preview❷、4o时④，他们发现仅依靠AI生成回答⑮，优于没有参考任何AI医生的回答▓。

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⑥。

这表明❸，▓、人类医生的专业判断⑲，在❶、辅助下能产生最佳效果

2025年4月模型❷、这次实验中❶，研究人员让医生参考最新o3▓、GPT-4.1模型的回答⑫，试图进一步提升回答质量⑯。

然而⑪，结果令人意外：⑨、医生的优化回答与⑧、原始回答相比②，质量上没有显着提升⑭。

而当前▓，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⑮。

GPT-4.1参评⑱、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⑮，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▓。

基于这些医生的反馈⑮，研究团队构建了所谓的「元评估」⑥，即评估模型评分与医生判断之间的一致性④，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❷，是否与医生达成一致⑩；

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⑱，模型评分器与医生之间的配对一致性程度❶，和医生之间的配对一致性

程度相当⑤、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❷，具有可信度和专业性⑯。

基线模型⑪、OpenAI将34条共识评分标准的数据按七大主题进行分组⑧，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⑯、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⑥，并计算MF1分数⑳。

也就是⑳，用与模型相同的方式对医生进行评分⑫，仅统计该医生参与评估的对话示例⑯，且不使用该医生自己的评分作为参考❷。

注释：在分类任务中⑰，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❷。

MF1适用于类别不平衡的元评估任务❶。

表5按主题报告了加权平均的医生MF1分数⑧，权重基于每位医生参与的元示例数量⑭。

个体③、医生⑩、OpenAI还在每个主题下报告了每位医生的MF1分数⑰。

图12展示了这些医生评分分数的分布情况⑥。

通过这些个体分数⑦，③、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⑰、百分位数①，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③。

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⑧，验证其是否达到了与医生相当的专业判断水平⑰。

结果：GPT-4.1远超普通医生

如表5所示②，在所有主题上▓，GPT-4.1作为评分模型的表现

均明显优于随机基线❸、更具体地说：④、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⑩；

在6个主题中⑫，GPT-4.1的表现处于医生评分分布的上半区间⑬；

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一❷。

这些结果说明⑩，GPT-4.1作为基于模型的评分器⑲，其表现已能与医生专家的评估相媲美⑰。

从图12可以看到⑬，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⑨。

总的来说①，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①、多样且注释充分⑨；

元评估设计合理⑮；

评分提示和评分模型经过精心挑选③。

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⑦，因此它被设置为HealthBench的默认评分模型④。

模拟真实场景⑳，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HealthBench⑱，力求贴近真实场景⑧，模拟真实世界中人们使用大模型的情况⑨。

对话具有以下特点：⑳、多轮交互①，更符合自然对话流程❸、多语言支持②，覆盖不同语言背景❶、角色多样⑲，既包括普通用户⑯，也包括医生

涵盖多个医学专业领域与场景

精心挑选⑬，具有⑨、一定难度⑥，避免模型轻松「答对」⑧、这个基准的目标是推动更真实⑳、更全面的AI健康对话能力评估⑰，让模型在实用性与安全性之间达到更好的平衡▓。

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⑦、由医生撰写的评分标准进行打分③。

这些评分标准详细说明了「完美回应」应包含哪些信息⑯，或应避免哪些内容⑧，比如：应提及某个医学事实⑮，或避免使用不必要的术语▓。

每一条评分标准都有对应的分值权重⑮，根据医生判断该标准在整体回答中的重要性而设定⑲。

整个HealthBench数据集中包含

48,562条独立评分标准⑨。

HealthBench中的对话被划分为七大主题⑥，例如急诊▓、应对不确定性⑦、全球

健康等❷。

每个主题下都包含多个相关示例⑧，每个示例都配有对应的评分标准❸。

以下是一些数据集的示例❷。

左右滑动查看⑭、每一条评分标准都对应一个评估维度①，用于界定该标准评估的是模型行为的哪个方面❷，例如：

准确性⑳、沟通质量⑱、信息查找与澄清能力⑪、这种结构化的设计⑥，让HealthBench能够细致❸、多角度地评估AI模型在不同医疗场景中的表现④，反映在实际应用中的可靠性与实用性❸。

模型的回答由GPT-4.1担任评分者①，根据每项评分标准判断是否达成⑤，并根据满足标准的总得分与满分比值❷，给出整体评分❷。

HealthBench涵盖了广泛的医学专科领域⑧，包括：

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

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⑭。

整个HealthBench构建过程涵盖了重点领域筛选⑧、生成相关且具有挑战性的案例样本③、案例标注以及各个环节的验证工作▓。

参考资料：

很赞哦⑨！

随机图文