HealthBench

HealthBench 是 OpenAI 用来评估模型在健康领域中能力与安全的一族评测。它回答的问题是：模型在面向普通消费者的健康对话中，能否既给出有用、又安全的回答。除基础版外还有 HealthBench Hard（更难的子集）、HealthBench Consensus（聚焦专家达成共识的题目）和 HealthBench Professional（面向真实临床医生场景、评估临床使用场景下的能力与安全）。

Chatbots 有潜力让消费者更好地理解自身健康状况，但健康回答的错误代价高，因此这类评测同时衡量"答得对不对"（能力）与"答得安不安全"（安全）。在 GPT-5.6 August Updates 的系统卡（System Card）中，它是安全与健康评估（Health）环节的核心指标。

逐变体定位

• HealthBench：基础版，覆盖普通消费者健康话题的能力与安全。
• HealthBench Hard：更难的子集，用于在能力上限附近拉开差距。
• HealthBench Consensus：聚焦多位专家一致认可的题目，作为"公认正确"的稳健基线。
• HealthBench Professional：使用真实临床医生对话，评估面向临床使用场景的能力与安全，是其专业版。

回答长度敏感性与长度调整评分

这是一个对 Evals（评估） 方法论有启发意义的细节：HealthBench 这类开放式对话评测会奖励更长的回答。长回答可能包含额外有价值的信息，但也会有更多机会满足评分标准里的正面条目；不必要的冗长回答对终端用户和临床医生反而更没用。因此，只看未调整分数会高估"更啰嗦"模型的真实可用性。

为消除这一偏差，OpenAI 报告 HealthBench 分数时采用按回答长度调整（length-adjusted）的评分：先运行多个 OpenAI 模型在不同 verbosity 设置下，计算一个与回答长度成线性关系的经验调整量，再对最终回答长度做线性惩罚。以 2000 字符作为无调整的基准，更长的回答按每 500 字符扣分（各项取值不同，在 0–100 分尺度上）：

更短的回答获得相应的正向调整。这套方法承认了"开放式回答评测的分数对长度敏感"，提示任何这类评测（不只是健康）在比较不同模型时，都应报告长度调整后的分数，否则冗长而信息密度低的回答会虚高。

在 GPT-5.6 系列中的表现

在 GPT-5.6 August Updates 中，GPT-5.6 Sol 较 GPT-5.5 Instant 在 HealthBench Professional 提升最显著（+15.6），其次 HealthBench Hard（+8.5）、HealthBench（+3.6）、HealthBench Consensus（+0.8）；四个子项未调整与调整后分数都改善，且多数回答更短。GPT-5.6 Luna 虽规模更小，也在每个子项上优于 GPT-5.5 Instant。这些是厂商报告的评测结果，宜作为健康能力方向性信号。

相关词条

• Evals（评估） — HealthBench 属于安全与健康评测，其长度调整方法也是通用 eval 设计的一例
• System Card（系统卡） — 健康评测结果随系统卡披露
• GPT-5.6 — 在 August 更新中报告 HealthBench 各子项分数