# OpenAI 发布 HealthBench：找 262 位医生写了 5 千条对话的评分标准，但打分还是交给模型

> 原标题：Introducing HealthBench

- 来源：OpenAI News
- 发布时间：2025-05-12T10:30:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/560
- 原文：https://openai.com/index/healthbench

## 摘要

OpenAI 搞了一个叫 HealthBench 的医疗 AI 评测基准。他们拉了 262 位在 60 个国家行过医的医生，一起设计了 5,000 段贴近现实的医患或医生间多轮对话，并且让医生为每条对话手写了评分细则，总共 48,562 条标准。

## 推荐理由

OpenAI 联合 262 位医生设计 5000 段医患多轮对话并手写 48562 条评分标准，医疗 AI 评测由此有了可复用的公开基准。

## 锐评

5 千条对话、4.8 万条评分标准，这个量级是真金白银砸出来的，比那些几十道选择题的医疗 benchmark 靠谱得多。但打分还是模型来，医生写的是标准，模型读不读得懂那 4.8 万条细则就是另一回事。医疗场景里评分标准本身有歧义，模型当裁判很容易把对的判错、错的放过，分数好看不代表真能用。我倾向于把 HealthBench 当训练信号看，别当验收标准。
