医疗基准横评:Anthropic 答案最全,OpenAI 更准更简洁
ArtificialAnlys · x · 2026-10-22
Artificial Analysis 对比了 14 个模型在 MLCR-AA(长病历医学推理榜,同时考核完整性与准确性)和 OpenAI HealthBench Professional(按医生撰写的 rubric 评分,含长度调整分)上的表现:
- Anthropic 完整性碾压:Claude Sonnet 5.5、Opus 5.5、Fable 5.1(max with fallback)包揽 MLCR-AA 完整性前三,领先最佳 OpenAI 模型约 19-23 分;Opus 和 Sonnet 的 HealthBench Professional 原始分也最高(71.4% / 70.8%),略胜 GPT-6 Astra(69.7%)。
- OpenAI 更准更简洁:OpenAI 模型包揽 MLCR-AA 准确性榜首;Anthropic 模型每答案字数约为 OpenAI 的 4-6 倍,准确性仅 19-61%,而 OpenAI 为 89-97%——答案越长,矛盾病历的机会越多。
- 兼顾两项时差距抹平:GPT-6 Astra(max)与 Claude Sonnet 5.5 并列 MLCR-AA 总分第一,并在长度调整后的 HealthBench Professional 上险胜;Claude Opus 5.5 则从原始分第一跌至长度调整分第六。
配图散点图还显示 Kimi K3、GLM-5.3、DeepSeek V4.1 Flash 等中国模型在完整性与原始分上处于中下区间。
所属事件:14 模型医疗基准横评:Anthropic 更全,OpenAI 更准(2 条相关)→
「模型」频道最新
- 第三方用自建测试对比 Flint 与 Qwen 3.6 35B — _rockt · 2026-10-22
- 订阅版也能调 GPT-6 Astra 上下文窗口,最高可达 872k tokens — JasonBotterill · 2026-10-22
- patio11 晒 Opus 被现实「打脸」瞬间：模型拒信自己没见过的真事 — repligate · 2026-10-22
- 网络安全漏洞频发，用户吐槽 Anthropic 仍强制降级到 Opus 4.8 — 0xAllen_ · 2026-10-22
- 两年降价约1600倍：每百万 tokens 从32美元跌至0.02美元 — FinanceYF5 · 2026-10-22
- Agent 安全进入 CVE 时代：训练缺陷致权限提升漏洞走传统安全流程 — krishnan · 2026-10-22