Artificial Analysis (@ArtificialAnlys) · 2026/10/22 10:04:56
医疗基准对比：Anthropic 模型更完整，OpenAI 更精准简洁
Artificial Analysis 对比了 MLCR-AA 和 HealthBench Professional 两个医疗基准。结果显示，Claude 系列在回答完整性上领先，而 GPT-6 Astra 在准确性与简洁性上表现更佳。若采用兼顾两者的综合评分，GPT-6 Astra 与 Claude Sonnet 5.5 并列第一。
报道全文原始报道全文
Artificial Analysis (@ArtificialAnlys) · 2026-10-22 02
在 MLCR-AA 和 HealthBench Professional 上，Anthropic 模型给出的答案最为全面，但 OpenAI 模型更准确且简洁
我们对比了 14 款模型，这些模型同时在 MLCR-AA（我们针对 @wisedocsai 的“医疗长上下文推理”基准测试设立的排行榜）和 @OpenAI 的 HealthBench Professional 上有测试结果。MLCR-AA 从完整性（涵盖专家答案中的每一个关键点）和准确性（没有与病历记录相矛盾的说法）两个维度对关于长篇医疗记录的回答进行评分，其最终得分要求两者兼备。HealthBench Professional 则依据医生编写的评分标准来评估给临床医生的回复：原始分数是获得的评分点占比，而经过长度调整的分数会对较长的回答进行惩罚。
主要结论：
➤ Anthropic 模型在完整性和原始分数上领先：来自 @AnthropicAI 的 Claude Sonnet 5.5、Opus 5.5 和 Fable 5.1（均为最大配置并启用回退机制）占据了 MLCR-AA 完整性得分的前三名，比表现最好的 OpenAI 模型高出约 19-23 分；此外，Opus 和 Sonnet 在 HealthBench Professional 上的原始得分最高（分别为 71.4% 和 70.8%），略微领先于 GPT-6 Astra（69.7%）。
➤ OpenAI 模型在准确性和简洁性上领先：OpenAI 模型保持着最高的 MLCR-AA 准确性得分。回答越长，被判定为准确的概率越低，因为每增加一个说法就多了一次可能与病历记录产生矛盾的机会：Anthropic 模型每个回答的平均字数约为 OpenAI 模型的 4-6 倍，但其准确性得分为 19-61%，而 OpenAI 模型为 89-97%。
➤ 在兼顾两者的得分指标上，差距缩小：GPT-6 Astra（最大配置）在 MLCR-AA 上与 Claude Sonnet 5.5 并列第一，并在 HealthBench Professional 的长度调整得分上以微弱优势领先；与此同时，Claude Opus 5.5 在原始得分上排名第一，但在长度调整得分上跌至第六名。
