OpenAI совместно с 262 врачами из 60 стран представила открытый бенчмарк HealthBench для оценки больших языковых моделей (LLM) в сфере здравоохранения. Инструмент, разработанный для преодоления ограничений предыдущих тестов, использует 5000 реалистичных многоходовых диалогов, охватывающих экстренные ситуации, работу с клиническими данными и глобальные медицинские сценарии. Каждый диалог оценивается по индивидуальным критериям — врачи разработали свыше 48 […]