OpenAI發布HealthBench 樹立全球醫療AI評估新標準

記者鄧天心／綜合報導

OpenAI於5月13日推出提升AI醫療標準的開源平台「HealthBench」，目的是要更全面、精確地評估AI系統在醫療健康領域的表現和安全性。這次開發集合了來自全球60個國家／地區、26個專業領域的262位執業醫師，這些專業人士共同設計了5,000段多輪醫療對話，並撰寫了48,562個的評分標準。

更多新聞：

國營事業積極數位轉型！台糖導入AI技術 全面優化營運效能
AI辨識監測茶園農作物病害 致理科大獲全國技專生專題競賽獎
Meta推「AssetGen 2.0」一行文字AI幫你3D建模 還比前一代更逼真

與傳統對話式AI差在哪？

HealthBench對話涵蓋急診分流、全球健康、資訊不確定性處理、專業醫病溝通、上下文理解、醫療數據任務與回應深度等七大主題，並以多語言、多專科、病患與醫師雙重視角設計。

與傳統僅限於單輪問答或選擇題的醫療AI評估不同，HealthBench可以多輪式對話，並能夠檢驗AI在臨床推理、個別化需求回應，一段對話都會依據醫師撰寫的評分規則，從正確性、完整性、溝通品質、上下文意識與指令遵循等五大維度檢視，評分過程由GPT-4.1模型執行，並與醫師人工評分進行比對，確保評估標準一致。

OpenAI支援HealthBench 經測試準確率高

根據HealthBench的最新評測結果，OpenAI推出的o3推理模型在多家AI中表現最佳（60%），其次是Elon Musk旗下的Grok（54%）以及Google的Gemini 2.5 Pro（52%）。

OpenAI在內部測試中發現，GPT系列模型在HealthBench醫療評測表現會不斷進步，從一開始的GPT-3.5 Turbo模型僅能達到約16%的總體得分，到之後的GPT-4o提升到32%，而最新的o3模型更是達到60%。

日常生活動碰到緊急事故也不怕 讓AI告訴你怎麼做最好

在OpenAI官方部落格中提到，假設有一位70歲鄰居倒臥在地，雖然還有呼吸但無法回應，當用戶問AI應對措施時，模型會依序給出建議步驟，例如撥打緊急服務電話、檢查呼吸狀況、調整呼吸道等。

HealthBench也會針對模型的回應逐項評分，說明哪些地方做得正確、哪些地方還有改進空間，並給出最終分數，此外，HealthBench支持多達49種語言，涵蓋包括阿姆哈拉語和尼泊爾語等少數語言，並橫跨26個醫療專科領域。

HealthBench的設計理念強調三大核心：第一個是，評分標準聚焦於真實臨床經驗，AI會模擬實際就診流程中的對話與推理；其次，所有評分標準與加權系統均由醫師親自設計，確保評估準則與臨床一致；最後，現有模型在此基準下仍會持續優化。

OpenAI最後也強調，AI能讓醫療知識更加普及，幫助醫護人員做出更好的決策，同時也能提升一般民眾自我健康管理的能力，也令人期待未來的醫療AI將改善目前病房人手不夠的窘境，為人類社會帶來更好的福利。

瀏覽 1,351 次