o3完爆人类医生，OpenAI基准直击AGI！

新智元报道

编辑：桃子 KingHZ

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

最强AI，已击败了人类医生。

就在刚刚，全球60个国家，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——HealthBench。

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

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

值得一提的是，在AI辅助下，医生的诊断准确率提升了近4倍。甚至，o3、GPT-4.1回答质量超越了医生的水平。

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

AGI关键要素，

医疗AI「标尺」

OpenAI的Health AI团队负责人Karan Singhal，在X上介绍了HealthBench的特点，并给予了极大的期待：

希望这项工作的发布，能为AI朝着改善人类健康的方向发展提供有力引导。

改善人类健康，将是通用人工智能（AGI）最具决定性的影响之一。

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

尽管学术界和产业界已付出巨大努力，但现有评估体系仍存在三大局限：

未能还原真实医疗场景、

缺乏基于专家意见的严格验证、

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，由此设计出HealthBench：

• 有现实意义（Meaningful）：评分应反映真实世界影响。突破传统考试题的局限，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。

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

• 未饱和（Unsaturated）：基准测试应推动进步。现有模型必须展现显著改进空间，持续激励开发者提升系统性能。

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

HealthBench主要面向两个群体：

1. AI研究社区：旨在推动形成统一的评估标准，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，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，HealthBench支持更具实际意义的开放式评估。

新研究有很多有趣的发现，包括医生评分基线研究等。

o3冲榜

媲美人类医生

这项健康基准HealthBench提出的主要目的，便是为当前，甚至未来顶尖LLM提供性能可参考依据。

在研究中，OpenAI团队评估了多个模型，包括o3、Grok 3、Claude 3.7 Sonnet等，重点考察其在性能、成本和可靠性方面的表现。

性能

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

整体来看，o3表现最佳，超越了Claude 3.7 Sonnet和Gemini 2.5 Pro（2025年3月）。

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

这一提升，对模型的安全性和性能来说，比GPT-4o（2024年8月）和GPT-3.5 Turbo之间的提升更大。

成本

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

可以看到，4月份OpenAI发布的模型（o3，o4-mini，GPT‑4.1），刷新了性能成本SOTA。

研究还观察到，小模型在最近几个月里，得到了显著的改进，

尽管成本仅为GPT-4o（2024年8月版）的1/25，GPT-4.1 nano的表现仍优于后者。

比较低、中、高推理水平下的o3、o4-mini和o1模型，结果显示测试时计算能力有所提高。

其中，o3与GPT-4o之间的性能差距（0.28）甚至超过了GPT-4o与GPT-3.5 Turbo之间的差距（0.16）。

可靠性

在医疗领域，可靠性至关重要——一次错误回应可能抵消许多正确回答。

因此，OpenAI在HealthBench上评估了各模型在k个样本下的最差表现（worst-of-n performance）。

也就是说，在给定示例的n个响应中，最差的得分是多少？

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

HealthBench系列

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

· HealthBench Hard专为更高难度场景设计，问题更具挑战性；

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

o3和GPT-4.1在HealthBench Consensus错误率，比GPT-4o显著降低。

在HealthBench Hard上，表现最好的模型得分仅为32%，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。

AI与医生正面交锋

那么，这些大模型能够媲美，甚至超越人类医生的专业判断？

为此，OpenAI在研究还展开了一场人机对决测试。

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。

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

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，评估它们在准确性、专业性和实用性等方面的表现。

关键发现如下：

2024年9月模型

在测试o1-preview、4o时，他们发现仅依靠AI生成回答，优于没有参考任何AI医生的回答。

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

这表明，人类医生的专业判断，在AI辅助下能产生最佳效果。

2025年4月模型

这次实验中，研究人员让医生参考最新o3、GPT-4.1模型的回答，试图进一步提升回答质量。

然而，结果令人意外：

医生的优化回答与AI原始回答相比，质量上没有显著提升。

而当前，AI模型已足够强大，其回答质量几乎达到了人类医生最佳水平。

GPT-4.1参评

远超人类平均水平

为检验基于模型的评分器能否精准评判评分标准（rubric criteria），OpenAI邀请医生对HealthBench Consensus中的模型回答予以审阅，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，研究团队构建了所谓的「元评估」（meta-evaluation），即评估模型评分与医生判断之间的一致性，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，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。

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

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，具有可信度和专业性。

基线模型

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

（1）典型医生（Typical physician）

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

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

注释：在分类任务中，宏平均F1分数（Macro F1，简称MF1）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（meta-evaluation）任务。

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

（2）个体医生（Individual physician）

OpenAI还在每个主题下报告了每位医生的MF1分数。

图12展示了这些医生评分分数的分布情况。

（3）通过这些个体分数，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。

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，验证其是否达到了与医生相当的专业判断水平。

结果：GPT-4.1远超普通医生

如表5所示，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。

更具体地说：

• 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；

• 在6个主题中，GPT-4.1的表现处于医生评分分布的上半区间；

• 在所有主题中，GPT-4.1的评分能力都高于医生群体的下三分之一（33百分位）。

这些结果说明，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。

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

总的来说，只要满足以下条件，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、多样且注释充分；

元评估设计合理；

评分提示（prompt）和评分模型经过精心挑选。

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

模拟真实场景，多维度评估

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

对话具有以下特点：

• 多轮交互，更符合自然对话流程

• 多语言支持，覆盖不同语言背景

• 角色多样，既包括普通用户，也包括医生

• 涵盖多个医学专业领域与场景

• 精心挑选，具有一定难度，避免模型轻松「答对」

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，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」（rubric evaluation）方法：每个模型回答都会根据该对话特定的、由医生撰写的评分标准进行打分。

这些评分标准详细说明了「完美回应」应包含哪些信息，或应避免哪些内容，比如：应提及某个医学事实，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，根据医生判断该标准在整体回答中的重要性而设定。

整个HealthBench数据集中包含48,562条独立评分标准。

HealthBench中的对话被划分为七大主题，例如急诊、应对不确定性、全球健康等。

每个主题下都包含多个相关示例，每个示例都配有对应的评分标准（rubric criteria）。

以下是一些数据集的示例。

左右滑动查看

每一条评分标准都对应一个评估维度（axis），用于界定该标准评估的是模型行为的哪个方面，例如：

• 准确性（accuracy）

• 沟通质量（communication quality）

• 信息查找与澄清能力（context seeking）

这种结构化的设计，让HealthBench能够细致、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，根据每项评分标准判断是否达成，并根据满足标准的总得分与满分比值，给出整体评分。

HealthBench涵盖了广泛的医学专科领域，包括：

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

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。

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

参考资料：

https://openai.com/index/healthbench/

https://cdn.openai.com/pdf/bd7a39d5-9e9f-47b3-903c-8b847ca650c7/healthbench_paper.pdf

https://x.com/iScienceLuvr/status/1922013874687246756