Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
openai12. Mai 2025 · Q007558

Introducing HealthBench

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

OpenAI beschreibt HealthBench als Benchmark aus 5.000 realistischen Gesundheitsgesprächen, die anhand ärztlich verfasster Kriterien bewertet werden. Das Unternehmen berichtet über deutliche Modellfortschritte, betont aber weiteren Verbesserungsbedarf bei fehlendem Kontext und der Zuverlässigkeit schwacher Einzelantworten.

Mittel

OpenAI stellt HealthBench vor, einen Benchmark zur Bewertung von KI-Antworten in realistischen Gesundheitssituationen. Er umfasst 5.000 mehrsprachige Gespräche und 48.562 eigens von Ärztinnen und Ärzten formulierte Bewertungskriterien. Ein modellbasierter Prüfer bewertet, ob Antworten diese Kriterien erfüllen. An der Erstellung wirkten laut Bericht 262 Ärztinnen und Ärzte aus 60 Ländern mit.

Das Unternehmen berichtet von raschen Leistungsverbesserungen seiner aktuellen Modelle: o3 habe in den Vergleichen andere untersuchte Modelle übertroffen; auch kleinere, günstigere Modelle hätten aufgeholt. HealthBench Consensus prüft 3.671 Beispiele mit mehrfach ärztlich bestätigten Kriterien, HealthBench Hard bündelt 1.000 besonders schwierige Beispiele. Die Übereinstimmung des automatisierten Prüfers mit ärztlichen Bewertungen sei ähnlich hoch wie die Übereinstimmung zwischen einzelnen Ärztinnen und Ärzten. Bei früheren Modellantworten konnten Ärztinnen und Ärzte laut OpenAI die Qualität verbessern; bei Antworten von o3 und GPT‑4.1 sei das im untersuchten Vergleich nicht mehr gelungen. Der Bericht betont zugleich verbleibenden Verbesserungsbedarf, insbesondere beim Nachfragen nach fehlendem Kontext und bei der Zuverlässigkeit im schlechtesten Fall. Benchmark und Daten sind öffentlich verfügbar.

Ausführlich lesen

Der Bericht stellt HealthBench vor, einen von OpenAI entwickelten Maßstab zur Bewertung von KI-Systemen in Gesundheitssituationen. OpenAI begründet ihn damit, dass Sprachmodelle künftig den Zugang zu Gesundheitsinformationen erweitern und medizinisches Fachpersonal unterstützen könnten, dafür aber zugleich nützlich und sicher sein müssten. Nach Darstellung des Unternehmens bilden viele bestehende Tests realistische Anwendungssituationen, ärztliche Einschätzungen oder weiteres Leistungsverbesserungspotenzial nicht ausreichend ab.

HealthBench umfasst 5.000 mehrsprachige, mehrstufige Gespräche mit unterschiedlichen Rollen, Fachgebieten und Kontexten. Sie wurden synthetisch erzeugt und durch adversarielle Tests mit Menschen ergänzt. Für jede Unterhaltung verfassten Ärztinnen und Ärzte eine eigene Bewertungsrubrik. Deren 48.562 Kriterien beschreiben, was eine gute Antwort enthalten oder vermeiden sollte, und sind nach ihrer angenommenen Bedeutung gewichtet. Ein modellbasierter Prüfer, GPT‑4.1, bewertet die Antworten anhand dieser Kriterien. An der Entwicklung wirkten laut Bericht 262 Ärztinnen und Ärzte mit Praxiserfahrung in 60 Ländern mit; sie deckten 49 Sprachen und 26 medizinische Fachgebiete ab.

OpenAI beschreibt drei Leitgedanken: Die Bewertung soll relevante Alltagssituationen statt bloßer Prüfungsfragen abbilden, ärztliche Einschätzungen verlässlich widerspiegeln und für heutige Modelle noch Raum für Verbesserungen lassen. Das Unternehmen berichtet, dass o3 in den untersuchten Vergleichen andere aktuelle Modelle übertroffen habe und die Leistung seiner Spitzenmodelle in den vorangegangenen Monaten um 28 Prozent gestiegen sei. Auch günstigere Modelle hätten sich verbessert; GPT‑4.1 nano habe dem Bericht zufolge GPT‑4o aus August 2024 bei einem 25-mal niedrigeren Preis übertroffen. Die Zuverlässigkeitsmessung betrachtet zudem jeweils die schlechteste von mehreren Antworten. Neuere Modelle hätten dabei besser abgeschnitten, aber weiterhin deutlichen Verbesserungsbedarf gezeigt.

Ergänzend umfasst HealthBench Consensus 3.671 Beispiele mit mehrfach ärztlich überprüften Kriterien und soll Fehlerquoten messen; HealthBench Hard enthält 1.000 Beispiele, an denen aktuelle Spitzenmodelle Schwierigkeiten haben. In einem Vergleich mit ärztlichen Antworten berichtet OpenAI, dass Ärztinnen und Ärzte frühere Modellantworten verbessern konnten, während dies bei den untersuchten Antworten von o3 und GPT‑4.1 nicht mehr der Fall gewesen sei. Für die Bewertung durch GPT‑4.1 gibt der Bericht eine ähnliche Übereinstimmung mit ärztlichen Urteilen an wie zwischen einzelnen Ärztinnen und Ärzten.

Diese Befunde sind als Ergebnisse der von OpenAI beschriebenen Tests zu verstehen. Der Bericht räumt selbst ein, dass die Systeme besonders beim Einholen nötiger Kontextinformationen und bei der Verlässlichkeit im schlechtesten Fall weiter verbessert werden müssen. Er stellt Benchmark und Datensatz öffentlich bereit und bittet um Rückmeldungen aus der Forschungsgemeinschaft.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Bewertet wurde vor allem die mittlere Zusammenfassung von Luna; die kurze Fassung ist sachlich treu, formuliert die Zuverlässigkeit aber ungenau als schwacher Einzelantworten statt als Worst-of-n-Leistung.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Angabe, dass sich die Leistung der aktuellen OpenAI-Modelle auf HealthBench in den letzten Monaten um 28 % verbessert hat und dies ein größerer Sprung als zwischen GPT-4o und GPT-3.5 Turbo ist
  • Der Kosten-Befund, dass GPT-4.1 nano trotz 25-fach geringerer Kosten besser abschneidet als GPT-4o
  • Die Aussage, dass die Zuverlässigkeit im schlechtesten Fall (worst-of-n) deutlich gestiegen ist, aber noch erheblichen Spielraum lässt
  • Die Beschreibung der drei Leitprinzipien (aussagekräftig, vertrauenswürdig, nicht gesättigt) als Grundlage des Benchmarks

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 28 %einzelne zitierbare Belege
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 23 %Hintergrund, keine Belege
    • Luna 41 %einzelne zitierbare Belege
    • JEV 25 %gleiches Oberthema, hilft nicht
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 38 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 46 %gleiches Oberthema, hilft nicht

    • SF-F1-T02 Veröffentlichen Labore abgestimmte Cyber-Tests, die zeigen, was jedes Modell mehr leistet als ein Mensch ohne KI-Hilfe? Luna: Stufe 4 · 21 % · einzelne zitierbare Belege
    • SF-F1-T05 Welche Cyber-Prüfungen und welche Testbausteine (Testfälle, Bewertungswerkzeuge, Datensätze) würden jedes Labor und jedes Ministerium anstelle einer bloßen Behauptung als gültig anerkennen, wenn andere sie an ihrem Modell durchführen? Und welche genormte Testsammlung würden Labore verschiedener Staaten gemeinsam an eingefrorenen Modellversionen laufen lassen, verwaltet von einer dritten Stelle, der alle trauen? Luna: Stufe 4 · 25 % · einzelne zitierbare Belege
    • SF-F1-T07 Wie sollten führende KI-Modelle über Sprachen und Kulturen hinweg geprüft und verbessert werden, damit ihr Sicherheitsverhalten nicht vom Englischen oder den Normen eines Landes abhängt? Luna: Stufe 5 · 49 % · umfangreiche Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 34 %einzelne zitierbare Belege
    • amos 25 %Hintergrund, keine Belege
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 28 %gleiches Oberthema, hilft nicht
    • amos 24 %Hintergrund, keine Belege
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 64 %Hintergrund, keine Belege
    • JEV 41 %einzelne zitierbare Belege
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 18 %Hintergrund, keine Belege
    • Luna 39 %einzelne zitierbare Belege
    • JEV 46 %beantwortet teilweise oder widerspricht
    • amos 34 %einzelne zitierbare Belege
    • SubQ 26 %gleiches Oberthema, hilft nicht
    • drex 33 %einzelne zitierbare Belege
    • d3-ultra 29 %einzelne zitierbare Belege

    • SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen? Luna: Stufe 4 · 33 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten? Luna: Stufe 4 · 31 % · einzelne zitierbare Belege
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 32 %Hintergrund, keine Belege
    • JEV 33 %gleiches Oberthema, hilft nicht
    • amos 26 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 75 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 41 %einzelne zitierbare Belege
    • JEV 24 %einzelne zitierbare Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 25 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 5 · 47 % · umfangreiche Belege · Haiku-Prüfung: Stufe 6 · beantwortet teilweise oder widerspricht
    • SF-V1-T03 Was ist das Kleinste, das ein Modell öffentlich vorlegen kann (ein Test, ein Protokoll, eine Spur), das als Beleg für Ausrichtung an den vorgesehenen Zielen und Werten zählt und nicht nur für Leistung? Luna: Stufe 4 · 33 % · einzelne zitierbare Belege
    • SF-V1-T10 Kann etwas, das Modelle über sich und ihre Absichten sagen, als Beleg für Ausrichtung zählen, wenn es nur weiterer erzeugter Text ist, und welche Verfahren machen solche Selbstauskünfte vertrauenswürdig statt nur flüssig? Luna: Stufe 4 · 28 % · einzelne zitierbare Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 50 %einzelne zitierbare Belege
    • JEV 27 %einzelne zitierbare Belege
    • amos 31 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 41 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 47 %einzelne zitierbare Belege
    • JEV 43 %umfangreiche Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 27 %gleiches Oberthema, hilft nicht
    • d3-ultra 43 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege
    • SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar? Luna: Stufe 3 · 33 % · Hintergrund, keine Belege
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H1 Wo endet die erlaubte Nutzung fremder Modellausgaben, und wo beginnt unerlaubte Destillation, also das Trainieren eines eigenen Modells mit diesen Ausgaben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 33 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 24 %Hintergrund, keine Belege
    • Luna 41 %Hintergrund, keine Belege
    • JEV 52 %einzelne zitierbare Belege
    • amos 23 %einzelne zitierbare Belege
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 30 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 36 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 62 %einzelne zitierbare Belege
    • JEV 36 %umfangreiche Belege
    • amos 27 %nur am Rande erwähnt
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  2. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 100 %kein Bezug
    • Luna 37 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV 59 %einzelne zitierbare Belege
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  4. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 28 %Hintergrund, keine Belege
    • JEV 29 %gleiches Oberthema, hilft nicht
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →