OpenAI 推出开源医疗大模型测试评估集 HealthBench，由 262 名全球医生设计，包含 48562 个评分标准，采用多轮对话测试方式，更贴近真实医疗场景。该评估集推动了 AI 系统在医疗领域的性能提升，如 GPT-4.1nano 在成本降低 25 倍的情况下性能超越 GPT-4o。