5月12日，OpenAI发布医疗大模型测试评估集HealthBench。该测试集包含5000段核心对话，由60个国家/地区的262名医生设计，采用多轮对话形式，增强了难度与真实性。数据显示，大模型性能显著提升，如GPT-3.5Turbo从16%提升至GPT-4o的32%，再到o3的60%。小型模型GPT-4.1nano性能超越GPT-4o，且成本降低25倍。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。