HaiAI123

全球AI工具精选导航

新行业动态
新上榜

Artificial Analysis 上线 HealthBench 健康对话排行榜

2026/10/20 — 10/20 07:17·1 个来源（全部）·5 篇报道（全部）

核心速览 (Key Takeaways)

  • Artificial Analysis 推出 HealthBench 与 HealthBench Professional 两个排行榜，评估模型在真实健康对话中的表现，基准由 OpenAI 提供。
  • 结果显示红队对话得分明显低于善意对话，且得分—成本帕累托前沿全部由 OpenAI 模型占据，GPT-6 Luna 以极低成本拿到接近前沿的分数。

事件背景与详细解读

2026 年 10 月 20 日，Artificial Analysis 上线 HealthBench 和 HealthBench Professional 两个排行榜，用于评估 AI 模型在真实健康对话中的回答表现。这两个基准由 OpenAI 提供，会对模型的回复打分。

Artificial Analysis 同时公布了多项结果。在 HealthBench Professional 的得分与单任务成本帕累托前沿上，全部位置都由 OpenAI 模型占据：GPT-6 Luna (max) 以每任务 0.004 美元拿到 61.9%，比 GPT-6 Astra (max) 低 4 分，成本却不到后者的 2%（0.27 美元）。在 HealthBench 上，GPT-6 Luna (max) 的单任务成本为 0.002 美元，DeepSeek V4.1 Flash 也出现在相关比较中。

关于长度调整，Artificial Analysis 称 OpenAI 的长度调整在 HealthBench Professional 上以 2000 字符为基准，每增减 500 字符，每题得分移动 1.47 分；在 HealthBench 上则为 2.99 分。Claude Opus 5.5 (max with fallback) 的 HealthBench Professional 原始分最高，为 71.4%。

在对话类型上，HealthBench Professional 红队对话的原始得分从 DeepSeek V4.1 Flash (max) 的 30% 到 GPT-6 Astra (max) 的 65%，善意对话则在 63% 至 79% 之间；Claude Fable 5.1 (max with fallback) 在善意对话上得分最高，为 79%。在 HealthBench 上，GPT-6 Sol (max) 的回答最短，约 1000 字符，沟通质量原始分最高，为 81%，但完整性得分最低，为 34%；

AI 综合 5 篇报道生成 · 更新于 5 小时前

最新进展Artificial Analysis 的 HealthBench 评测显示，GPT-6 Sol (max) 的回答最短（约 1000 字符），沟通质量原始分最高（81%），但完整性得分最低（34%）。14 个模型中有 13 个的最低分主题集中在 Context Seeking 或 Global Health。

相关 AI 工具

GPT-6
24 小时热度热度指数 86 · 峰值 97 · 4 小时前
24 小时前现在

这件事的报道 点标题看原文

今天
  1. GPT-6 Sol 在 HealthBench 答得最短，沟通质量分却最高

    Artificial Analysis 的 HealthBench 评测显示，GPT-6 Sol (max) 的回答最短（约 1000 字符），沟通质量原始分最高（81%），但完整性得分最低（34%）。14 个模型中有 13 个的最低分主题集中在 Context Seeking 或 Global Health。

    看模型在医疗问答上的偏科在哪

    X：Artificial Analysis (@artificialanlys)官方AI 评分 43
  2. HealthBench Professional 红队对话得分明显低于善意对话

    Artificial Analysis 公布 HealthBench Professional 结果：红队对话原始得分从 DeepSeek V4.1 Flash (max) 的 30% 到 GPT-6 Astra (max) 的 65%，善意对话则在 63% 至 79% 之间。Claude Fable 5.1 (max with fallback) 在善意对话上得分最高，为 79%。

    看各家模型在对抗性医疗提问下掉多少分。

    X：Artificial Analysis (@artificialanlys)官方AI 评分 51
  3. OpenAI 长度调整对 HealthBench 得分的影响幅度

    据 Artificial Analysis，OpenAI 的长度调整使 HealthBench Professional 每题在 2000 字符基准上每增减 500 字符移动 1.47 分，HealthBench 上为 2.99 分。Claude Opus 5.5 (max with fallback) 的 HealthBench Professional 原始分最高，为 71.4%。

    理解榜单分数背后的长度惩罚机制。

    X：Artificial Analysis (@artificialanlys)官方AI 评分 42
  4. HealthBench Professional 性价比前沿全由 OpenAI 占据

    Artificial Analysis 称 HealthBench Professional 的得分—单任务成本帕累托前沿全部由 OpenAI 模型占据。GPT-6 Luna (max) 以每任务 0.004 美元拿到 61.9%，比 GPT-6 Astra (max) 低 4 分，成本却不到后者的 2%（0.27 美元）。

    选医疗问答模型时看成本与分数的平衡点。

    X：Artificial Analysis (@artificialanlys)官方AI 评分 51
  5. Artificial Analysis 上线 HealthBench 两个排行榜

    Artificial Analysis 推出 HealthBench 和 HealthBench Professional 两个排行榜，用于评估 AI 模型在真实健康对话中的回答表现。这两个基准由 OpenAI 提供，对模型回复进行打分。

    查模型在医疗健康对话上的公开排名。

    X：Artificial Analysis (@artificialanlys)官方AI 评分 52

同时在说的其他事

热度怎么算的？了解口径

热度按 48 小时内有多少个独立来源在说这件事算：同一个来源发多条只算一次，并按 24 小时半衰期衰减，所以排前面的是很多人在说的事。

本页汇总公开订阅源，标题与摘要由模型整理，版权归原作者所有；重要信息请回原文核对。如权利人认为相关标题或摘要侵权，请通过页尾联系邮箱提供具体页面与权利依据，我们核实后会及时删除或替换。

爆
讨论快速增加
新
首报 6 小时内
发酵中
讨论仍在增加

回 AI 行业动态榜 →