医疗长文本基准 MLCR-AA 更新：Claude Sonnet 5.5 与 GPT-6 Astra 并列第一

Artificial Analysis 于 10 月 21 日发布 Wisedocs 医疗长上下文推理基准 MLCR-AA 的方法学升级与新评测结果：模型在总分维度上由 Claude Sonnet 5.5 (max with fallback) 与 GPT-6 Astra (max) 以 41 分段的成绩并列第一，但各细分维度呈现明显分化，且两类头部模型的单任务成本相差接近百倍。

已确认

• 方法学方面，模型收到将任务定位为病历审查的 system prompt，问题置于 2.5 万至 6.4 万 token 的完整合成病历之后，需在一段话内给出结论与病历依据；答案由三模型评审团打分，评审团一致率升至 69%。
• 60 份专家参考答案经人工复核修订。
• 准确率维度：OpenAI 模型包揽前 27 名中的头部位置（前八），GPT-6.1 Sol (max) 以 96.7% 居首，GPT-6 Astra (max) 以 95.6% 次之。
• 完整度维度：Anthropic 模型包揽各档位前 18 名，Claude Sonnet 5.5 (max with fallback) 以 64.8% 领先，最佳非 Anthropic 模型仅 42.2%。
• 总分要求完整度与准确率同时达标：Claude Opus 5.5 (max with fallback) 完整度 63.3% 但准确率仅 37.2%；GPT-6.1 Sol (max) 准确率最高但完整度受限。
• 性价比分析显示，并列第一的两个模型在单任务成本上相差接近百倍。

为什么重要

• 该基准刻画了真实医疗文书场景下的多文档综合推理能力，结果显示没有模型在完整度与准确率两个维度同时占优，Claude 与 OpenAI 各擅一方。
• 巨大的单任务成本差异意味着在实际部署选型时，"最强"与"性价比"可能指向完全不同的模型。

2026-10-21 ~ 2026-10-21 · 7 条相关

• 【源头】医疗长文本榜单更新:Claude Sonnet 5.5 与 GPT-6 Astra 并列第一 — ArtificialAnlys · 2026-10-21
• 医疗榜单完整度榜：Claude 系包揽前三，最佳非 Anthropic 模型仅 42.2% — ArtificialAnlys · 2026-10-21
• 【源头】医疗病历问答准确率榜：OpenAI 包揽前八，GPT-6.1 Sol 达 96.7% — ArtificialAnlys · 2026-10-21
• Claude 与 OpenAI 之外的答案：医疗榜单上完整度与准确率难两全 — ArtificialAnlys · 2026-10-21
• 医疗长上下文榜单更新：Claude Sonnet 5.5 与 GPT-6 Astra 并列第一，单任务成本差近百倍 — ArtificialAnlys · 2026-10-21
• 【源头】MLCR-AA 方法升级：模型以病历审查员身份答题，三模型评审团一致率升至 69% — ArtificialAnlys · 2026-10-21
• MLCR-AA 医疗长文本基准更新：2.5万至6.4万 token 病历推理 — ArtificialAnlys · 2026-10-21