专题 · FULL STORY

MLCR-AA 医疗基准更新:Claude 与 GPT-6 争锋

Artificial Analysis 于 10 月 21 日升级 Wisedocs 医疗长上下文推理基准 MLCR-AA 的方法学并发布新结果,Claude Sonnet 5.5 与 GPT-6 Astra 并列第一;次日其进一步对 14 个模型进行医疗能力横评,显示 Anthropic 覆盖更全、OpenAI 更准。

2026-10-21 ~ 2026-10-22 · 2 集 · 9 条

第 1 集 · 医疗长文本基准 MLCR-AA 更新：Claude Sonnet 5.5 与 GPT-6 Astra 并列第一(2026-10-21,7 条)

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。

第 2 集 · 14 模型医疗基准横评:Anthropic 更全,OpenAI 更准(2026-10-22,2 条)

Artificial Analysis 对 14 个模型进行了医疗能力对比,基准包括 MLCR-AA(基于 Wisedocs 医学长上下文推理基准的私有保留集,同时考核答案完整性与准确性)和 OpenAI HealthBench Professional。结果显示 Anthropic 模型的答案更为全面,而 OpenAI 模型则在准确性和简洁性上表现更佳,两家各有优势。