HealthBench 医疗基准排行出炉:GPT-6 屠榜,Claude 长答案被扣 11 分
ArtificialAnlys · x · 2026-10-20
Artificial Analysis 上线 OpenAI HealthBench 与 HealthBench Professional 两套医疗对话基准的第三方排行榜，用医生制定的评分标准考察模型在真实健康对话中的表现（5000 条日常对话 + 525 条临床专业对话）。
主要结果
- HealthBench Professional 长度调整分：GPT-6 Astra（max）66.0% 居首，GPT-6.1 Sol（max）65.1%，Claude Sonnet 5.5（max with fallback）63.0%；性价比 Pareto 前沿被 OpenAI 模型包揽，GPT-6 Luna（max）以不到 2% 的成本（$0.004 vs $0.27）只落后 4 分。
- 长度惩罚显著：Claude Opus 5.5 原始分最高（71.4%），但平均回答约 5900 字符（阈值近 3 倍），调整后掉到第六（59.9%）；Gemini 4 Argon 在 HealthBench 上损失 11 分。GPT-6 Sol 是唯一平均短于 2000 字符、得分反升的模型。
- HealthBench 榜首为 Claude Sonnet 5.5（62.1%），DeepSeek V4.1 Flash（60.9%，$0.005/任务）性价比突出；Claude Sonnet 5.5 成本约是其 16 倍仅高 1 分。
- 红队对抗对话是普遍短板：原始分从 30%（DeepSeek V4.1 Flash）到 65%（GPT-6 Astra），远低于善意对话的 63–79%；GPT-6 Sol 沟通质量最高（81%）但完整性最低（34%）。
所属事件:第三方上线 HealthBench 医疗基准榜,GPT-6 系列登顶(2 条相关)→
「模型」频道最新
- 爆料人暗示重磅模型发布在即:「私人频道里鸟在叫」 — daniel_mac8 · 2026-10-20
- Andon Labs 新模型 Muse Wonder 登 Vending-Bench 2 第四名 — jack_w_rae · 2026-10-20
- banteg 盛赞 Argon 模型：古怪但能激发灵感，还帮他做出血液散射模拟 — banteg · 2026-10-20
- 5090 与 Strix Halo 实测 Qwen3.8 量化：Gufo 引擎解决工具调用翻车 — awitod · 2026-10-20
- 传 DeepSeek-V4.1-Flash 在 ML 研究任务上力压 Anthropic — teortaxesTex · 2026-10-20
- 实测 DeepSeek 对比 Claude 与 Codex:谷歌地图商家抓取任务各有胜负 — teortaxesTex · 2026-10-20