OpenAI 近日發布了一個專注于醫療大模型的測試評估集 HealthBench，并宣布開源。這一測試集由來自 60 個國家和地區的 262 名醫生共同打造，包含 5000 段核心測試對話，極大提升了評估的真實性與復雜性。

　　HealthBench 不僅覆蓋緊急情況、全球健康等多元背景，還通過 48562 個獨特的評分標準對模型的準確性、溝通能力等多維度進行開放式評估。

　　與傳統單一答題模式不同，HealthBench 引入多輪對話測試，顯著提升評估深度。數據顯示，從 GPT-3.5 Turbo 到 GPT-4o 再到 o3，模型性能逐步提高，尤其是小型模型 GPT-4.1nano，在超越 GPT-4o 的同時，成本降低 25 倍，展現了醫療領域大模型的巨大潛力。