OpenAI 近日发布了一个专注于医疗大模型的测试评估集 HealthBench，并宣布开源。这一测试集由来自 60 个国家和地区的 262 名医生共同打造，包含 5000 段核心测试对话，极大提升了评估的真实性与复杂性。HealthBench 不仅覆盖紧急情况、全球健康等多元背景，还通过 48562 个独特的评分标准对模型的准确性、沟通能力等多维度进行开放式评估。

与传统单一答题模式不同，HealthBench 引入多轮对话测试，显著提升评估深度。数据显示，从 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 的同时，成本降低 25 倍，展现了医疗领域大模型的巨大潜力。