HaiAI123

全球AI工具精選導航

新行業動態
新上榜

Artificial Analysis 上線 HealthBench 健康對話排行榜

2026/10/20 — 10/20 07:17·1 個來源（全部）·5 篇報道（全部）

核心速覽 (Key Takeaways)

  • Artificial Analysis 推出 HealthBench 與 HealthBench Professional 兩個排行榜，評估模型在真實健康對話中的表現，基準由 OpenAI 提供。
  • 結果顯示紅隊對話得分明顯低於善意對話，且得分—成本帕累托前沿全部由 OpenAI 模型佔據，GPT-6 Luna 以極低成本拿到接近前沿的分數。

事件背景與詳細解讀

2026 年 10 月 20 日，Artificial Analysis 上線 HealthBench 和 HealthBench Professional 兩個排行榜，用於評估 AI 模型在真實健康對話中的回答表現。這兩個基準由 OpenAI 提供，會對模型的回覆打分。

Artificial Analysis 同時公佈了多項結果。在 HealthBench Professional 的得分與單任務成本帕累托前沿上，全部位置都由 OpenAI 模型佔據：GPT-6 Luna (max) 以每任務 0.004 美元拿到 61.9%，比 GPT-6 Astra (max) 低 4 分，成本卻不到後者的 2%（0.27 美元）。在 HealthBench 上，GPT-6 Luna (max) 的單任務成本為 0.002 美元，DeepSeek V4.1 Flash 也出現在相關比較中。

關於長度調整，Artificial Analysis 稱 OpenAI 的長度調整在 HealthBench Professional 上以 2000 字元為基準，每增減 500 字元，每題得分移動 1.47 分；在 HealthBench 上則為 2.99 分。Claude Opus 5.5 (max with fallback) 的 HealthBench Professional 原始分最高，為 71.4%。

在對話型別上，HealthBench Professional 紅隊對話的原始得分從 DeepSeek V4.1 Flash (max) 的 30% 到 GPT-6 Astra (max) 的 65%，善意對話則在 63% 至 79% 之間；Claude Fable 5.1 (max with fallback) 在善意對話上得分最高，為 79%。在 HealthBench 上，GPT-6 Sol (max) 的回答最短，約 1000 字元，溝通質量原始分最高，為 81%，但完整性得分最低，為 34%；

AI 綜合 5 篇報道生成 · 更新於 5 小時前

最新進展Artificial Analysis 的 HealthBench 評測顯示，GPT-6 Sol (max) 的回答最短（約 1000 字元），溝通質量原始分最高（81%），但完整性得分最低（34%）。14 個模型中有 13 個的最低分主題集中在 Context Seeking 或 Global Health。

相關 AI 工具

GPT-6
24 小時熱度熱度指數 86 · 峰值 97 · 4 小時前
24 小時前現在

這件事的報道 點標題看原文

今天
  1. GPT-6 Sol 在 HealthBench 答得最短，溝通質量分卻最高

    Artificial Analysis 的 HealthBench 評測顯示，GPT-6 Sol (max) 的回答最短（約 1000 字元），溝通質量原始分最高（81%），但完整性得分最低（34%）。14 個模型中有 13 個的最低分主題集中在 Context Seeking 或 Global Health。

    看模型在醫療問答上的偏科在哪

    X：Artificial Analysis (@artificialanlys)官方AI 評分 43
  2. HealthBench Professional 紅隊對話得分明顯低於善意對話

    Artificial Analysis 公佈 HealthBench Professional 結果：紅隊對話原始得分從 DeepSeek V4.1 Flash (max) 的 30% 到 GPT-6 Astra (max) 的 65%，善意對話則在 63% 至 79% 之間。Claude Fable 5.1 (max with fallback) 在善意對話上得分最高，為 79%。

    看各家模型在對抗性醫療提問下掉多少分。

    X：Artificial Analysis (@artificialanlys)官方AI 評分 51
  3. OpenAI 長度調整對 HealthBench 得分的影響幅度

    據 Artificial Analysis，OpenAI 的長度調整使 HealthBench Professional 每題在 2000 字元基準上每增減 500 字元移動 1.47 分，HealthBench 上為 2.99 分。Claude Opus 5.5 (max with fallback) 的 HealthBench Professional 原始分最高，為 71.4%。

    理解榜單分數背後的長度懲罰機制。

    X：Artificial Analysis (@artificialanlys)官方AI 評分 42
  4. HealthBench Professional 價效比前沿全由 OpenAI 佔據

    Artificial Analysis 稱 HealthBench Professional 的得分—單任務成本帕累托前沿全部由 OpenAI 模型佔據。GPT-6 Luna (max) 以每任務 0.004 美元拿到 61.9%，比 GPT-6 Astra (max) 低 4 分，成本卻不到後者的 2%（0.27 美元）。

    選醫療問答模型時看成本與分數的平衡點。

    X：Artificial Analysis (@artificialanlys)官方AI 評分 51
  5. Artificial Analysis 上線 HealthBench 兩個排行榜

    Artificial Analysis 推出 HealthBench 和 HealthBench Professional 兩個排行榜，用於評估 AI 模型在真實健康對話中的回答表現。這兩個基準由 OpenAI 提供，對模型回覆進行打分。

    查模型在醫療健康對話上的公開排名。

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

同時在說的其他事

熱度怎麼算的？瞭解口徑

熱度按 48 小時內有多少個獨立來源在說這件事算：同一個來源發多條只算一次，並按 24 小時半衰期衰減，所以排前面的是很多人在說的事。

本頁彙總公開訂閱源，標題與摘要由模型整理，版權歸原作者所有；重要資訊請回原文核對。如權利人認為相關標題或摘要侵權，請通過頁尾聯絡郵箱提供具體頁面與權利依據，我們核實後會及時刪除或替換。

爆
討論快速增加
新
首報 6 小時內
發酵中
討論仍在增加

回 AI 行業動態榜 →