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。