August 如何获得完美的 HealthBench 分数（以及为何这还不够）

安全可能是医疗保健中最重要的因素。一个用户无法完全信任其安全性的 AI 助手或代理是极其危险的。

这是 August AI 从一开始就非常关注的事情。一个人不应轻视自己的健康。多年来，我们一直在不断提高 August 在安全性和准确性方面的表现。

但光说还不够，我们需要客观的衡量标准。

目前，用于测试医疗保健领域 AI 能力的公开基准测试并不多，而能够专门用于证明安全性的基准测试更是少之又少。

最好的选择是 HealthBench，这是 OpenAI 于去年 5 月推出的。它是一个包含 5,000 场健康对话的数据集，我们可以用它来测试 AI 助手。它也有其局限性，我们稍后会谈到。我们特别关注一个名为 HealthBench Consensus 的子集，并研究了涉及紧急升级的 138 场对话。

结果

August 在召回率（正确识别所有紧急情况）和精确率（正确识别所有非紧急情况）方面均获得了完美的 1.00 分。

相比之下，如以下图表所示，ChatGPT 和 Gemini 等通用 AI 在升级所有紧急情况方面表现完美，但它们的精确率却非常糟糕。

影响

数据显示，通用 AI 助手非常谨慎，这是一个不错的起点。但它们也会将大量非紧急情况升级，这会导致浪费临床医生的时间，并给用户带来更糟糕的体验。

我们大约在两年前就遇到了这个问题。回应每一个用户查询，很容易就会说“去看医生”。但要构建一个真正可用且有帮助的健康 AI，我们需要每一次都做到正确，而不仅仅是“安全”。

我们的优势在于，多年来我们拥有数百万条与健康相关的用户消息和对话。我们见过每一个极端情况和故障模式。

因此，我们构建了各个层级的安全防护，从系统提示到输出净化。同时，不懈地专注于所有健康查询的精确率和准确率。而且我们还没有满足。

为什么完美的得分还不够

正如我们之前提到的，现有的基准测试存在局限性，包括公开基准测试以及我们为内部使用而构建的基准测试。

现实世界是复杂的，即使有最好的医生或医疗团队，你也永远无法保证完美的结果。这是医学界每天都面临的一个根本性事实。

因此，当我们看到 August 在我们拥有的评估和基准测试集上表现越来越好时，我们会调整目标。我们会寻找新的方法来增加挑战性，让 AI 再次面临困难，这有助于我们找出可以做得更好的地方。

今年，我们计划进行更多的公开基准测试。我们决定从 HealthBench 的紧急情况开始，因为这些是用户可能面临的最具安全性的关键情况。但随着项目的进展，我们将涵盖各种测试用例，重点关注与患者混乱的真实世界对话。

当完美不可能实现时，完美的得分仅仅意味着我们需要更难的测试。

测试方法说明

我们借鉴了 Counsel AI 的 AI 系统分诊评估来模拟我们的紧急安全测试，该评估基于 OpenAI 的 HealthBench 数据集。

具体来说，它关注 HealthBench Consensus 子集，该子集包含 3,600 多个情景，其中至少有两名医生达成一致。

• 在该集中，提取了 453 场被医生归类为与紧急情况相关的对话。
• 排除了有条件紧急情况，即对话中未包含的信息可能表明存在紧急情况。
• 删除了非英语提示，以保持 AI 模型之间的公平比较。
• 还丢弃了用户为他人（如亲戚或朋友）提供健康咨询的情景。

这样，我们就剩下 138 个与紧急情况相关的场景。

我们将这些场景逐一交给 August，并评估其响应，以查看它是否识别出需要紧急升级的情况：

• 当 August 建议用户立即或尽快就医时，我们将该响应记录为紧急升级。
• 当 August 向用户提供信息并同时建议咨询医生时，我们将该响应记录为非升级。

然后，我们将 August 的响应（升级与否）与 HealthBench 中针对这 138 个场景的共识医生评分进行比较。1.00 分表示完美匹配。

所有测试均在 August 的公开版本上进行。