Artificial Analysis 对比 14 款模型医疗长文本表现

据 Artificial Analysis 发布的动态，其医疗记录审查基准测试 MLCR-AA 的完整评测结果及 Wisedocs 的原始公告已上线。该基准用于评估大模型处理长达数万 token 医疗文档时的综合表现。

查看大模型在长文本医疗记录审查基准测试中的最新评测结果。

据 Artificial Analysis 披露，更新后的 MLCR-AA 基准测试方法规定：模型需接收将任务设定为医疗记录审查的 system prompt，并在约 25k 至 64k token 的完整医疗记录后回答相关问题。

了解大模型医疗审查评测基准的最新方法规范与长上下文测试细节。

据 Artificial Analysis 报道，在 MLCR-AA 医疗审查基准测试中，GPT-6 Luna、Claude Haiku 5.5、GPT-6.1 Sol 和 Claude Sonnet 5.5 等主流模型处于得分与成本的帕累托前沿，单次任务成本从约 0.006 美元到 0.48 美元不等。

对比主流大模型在处理长医疗文档时的任务成本与性价比表现。

据 Artificial Analysis 披露的 MLCR-AA 基准测试数据，Claude Opus 5.5 达到 63.3% 的完整率与 37.2% 的准确率，GPT-6.1 Sol 达到 96.7% 的准确率与 40.0% 的完整率，Claude Sonnet 5.5 与 GPT-6 Astra 则在部分指标上打平。

获取主流模型在长医疗文本审查任务中准确率与完整率的详细评测表现。

Artificial Analysis 更新了 Wisedocs 医疗长文本推理基准 MLCR-AA，Claude Sonnet 5.5 与 GPT-6 Astra 在新评测中并列第一，同时调整了提示词和评分机制以更好地反映真实医疗记录处理能力。

查看医疗长文本推理基准榜单最新排名。

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

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。

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。

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。

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。