在2025年5月，OpenAI 推出了HealthBench，这是一个全面的评估标准，用来测试大型语言模型（LLM）在真实医疗环境中的表现。这一工具在全球数百位医生的参与下开发，不仅是一个技术指标，更可能成为评估人工智能在病患护理、医学准确性以及医生与AI 协作方面的新标准。
什么是HealthBench？它是如何运作的？
HealthBench 是一个测试系统，用于评估AI 模型在5,000 个真实医疗对话中的回答表现。这些模拟情境涵盖紧急情况和普通健康咨询，每一个对话都根据由60 个国家、260 多位医生制定的评分标准进行评估。评分标准包括临床准确性、沟通能力以及对具体情境的理解，总共超过48,000 项评估点。
HealthBench 与以往评估方式有何不同？
与传统医学考试式的评估不同，HealthBench 更贴近现实生活中的复杂情况。它包含一些实际主题类别，比如急救护理、全球健康和诊断不确定性。这种方式能更清楚地展现AI 在真实医患互动中的表现。更重要的是，HealthBench 是开源的，研究人员可以在此基础上继续改进和扩展。
哪些AI 模型在HealthBench 中表现最好？
目前OpenAI 的o3 推理模型位居榜首，得分为60%。Elon Musk 的Grok 模型得分为54%，而Google 的Gemini 2.5 Pro 为52%。值得注意的是，一些较小的模型（比如GPT-4.1 nano）也有亮眼表现，甚至超过了早期一些更昂贵的模型。评估还显示，有时AI 的表现比单独医生还好——但当医生借助AI 工具时，他们自己的表现也明显提高。
HealthBench 在现实世界中有何意义？
HealthBench 的目标是推动以医生价值为核心的AI 开发方向。它不仅关注答案是否“正确”，更注重是否体现出良好的临床判断力。随着越来越多的医疗机构开始采用AI 工具，这一点显得尤其重要。这个标准系统以公开透明、严格评分为特点，有望帮助制定更安全有效的医院AI 应用政策和工具。
总结：
HealthBench 是对快速发展的医疗AI 的及时回应。通过医生专业知识和真实情境作为基础，它提供了一个可靠、负责任的评估框架，确保AI 工具能胜任高风险的医疗环境。随着开源合作和现实适用性的推进，HealthBench 很可能成为评估所有医疗类AI 的行业标准。
希望这篇文章能为您了解什么是HealthBench，以及它如何运作提供有价值的信息。
