OpenAI 发布医疗 AI 评估基准 HealthBench OpenAI 推出开源评估基准 HealthBench，用于衡量大语言模型在医疗场景中的性能与安全性。该基准由 262 位来自 60 个国家的医生参与设计，包含 5000 个多轮对话，每个对话均配有医生制定的评分标准，覆盖 4.8 万多个评估维度，涵盖急诊、临床数据转换、全球健康等多个领域，评估维度包括准确性、指令遵循和沟通能力等 。 HealthBench 还发布了两个子集：HealthBench Consensus（34 个经医生共识验证的重要行为维度）和 HealthBench Hard（当前最高得分为 32%）。OpenAI 表示，HealthBench 将作为衡量医疗 AI 模型进展的标准，推动其在真实世界中的应用 。