Artificial Analysis 发布 HealthBench 医疗对话基准：长文本惩罚重塑排名，GPT-6 Astra 斩获专业榜第一

核心背景与行业痛点

医疗健康咨询与临床诊断辅助是对大模型事实准确性、推演逻辑与沟通清晰度要求最严苛的垂直场景。然而，既有医学基准（如 MedQA）大多局限于选择题，无法反映多轮医患长对话中的真实能力；更严重的是，许多大语言模型在开放式医疗评测中掌握了“通过冗长输出堆砌免责声明与相关背景来掩盖核心判断不确定性”的作弊手段。长篇大论的回答在临床场景中不仅浪费急诊医师宝贵的救治时间，更容易造成医患信息不对称。Artificial Analysis 团队今日正式上线了包含反冗长机制的 HealthBench 与 HealthBench Professional 医疗基准排行榜。

架构亮点与底层机制

1. 多轮深度医患对话与临床场景仿真：

• 涵盖从急诊鉴别诊断、慢性病用药方案核查到罕见病推理的数百个专业医疗长对话场景；

1. 严密的冗余输出惩罚机制（HealthBench Professional Length Penalty）：

• 在专业级子榜单中，引入基于信息密度的字数惩罚因子。模型必须在给出严密循证医学依据的同时，以简明扼要、直切要点的临床表达输出，任何无效车轱辘话、过度免责声明都将遭受严厉扣分；

1. 真实世界独立客观评测：

• 不依赖模型厂商自测报告，由第三方独立 API 发起并由持牌临床医学专家团队进行双盲核验。

权威 Benchmark 与实测跑分对比

根据 Artificial Analysis 官方披露的完整跑分数据（Figure 1, HealthBench Disclosures）：

• HealthBench Professional 专业榜（实施长度惩罚）：
• GPT-6 Astra（最高推理算力模式） 以 66.0% 问鼎全球第一；
• GPT-6.1 Sol（最高推理算力模式） 以 65.1% 紧随其后位居第二；
• Claude Sonnet 5.5 展现出优异的精炼度与准确性平衡，以 63.0% 位列第三；
• 长文本严重惩罚案例：Claude Opus 5.5 原始未惩罚分数高达全场第一的 71.4%，但因单次回答平均长度高达约 5,900 字符，经长度惩罚后断崖式跌落至 59.9%（暴跌至第 6 名）；
• HealthBench 标准榜（无长度惩罚）：
• Claude Sonnet 5.5 以 62.1% 位居榜首；
• DeepSeek V4.1 Flash 表现亮眼，以 60.9% 超越众多昂贵商业模型斩获第二名；
• GPT-6.1 Sol 以 58.5% 位居第三。

开发者实战落地与开箱指南

• 排行榜实时更新：可在 artificialanalysis.ai 查看 HealthBench 细分指标与雷达图；
• 医疗 Agent 提示词与架构调优指引：实测结果向开发智慧医院、分诊系统或医疗科研助理的团队发出了清晰信号：在医疗领域，信息密度远胜于字数长度。开发者在设计 System Prompt 时应明确约束输出格式与最大字数，强制模型优先输出临床结论与风险分级，杜绝无意义的模板化长文输出。