OpenAI推出AI健康系统评估标准HealthBench，用于评测大模型的医疗表现。

HealthBench与262名来自60个国家的执业医生合作建立，包含5000个真实健康对话，每个对话配有医生制定的评分标准，总计48562个独特评分标准。

通过该体系，OpenAI对多款大模型进行了评测，包括O3、Gemini 2.5 Pro和Claude 3.7 Sonnet。结果显示，OpenAI自家的o3模型得分最高，排名第一，Grok 3和Gemini 2.5 Pro分别位列第二和第三。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。