Artificial Analysis 上线 HealthBench 与 HealthBench Professional 榜单：GPT-6 Astra 以 66.0% 领跑临床医生对话，Claude Opus 5.5 原始分最高却因回答过长跌至第六

核心背景与行业痛点

大模型越来越多地被用来回答健康问题，但通用跑分测不出「答得对、答得全、说得清」这类临床场景要求。OpenAI 此前发布的 HealthBench 用医生编写的评分细则逐条给回答打分，Artificial Analysis 这次把它和更难的 HealthBench Professional 做成持续更新的公开榜单，方便横向比较各家最新模型。

架构亮点与底层机制

HealthBench 含 5000 段普通用户和医护人员的对话，覆盖急诊转诊、全球健康等 7 个主题，每条细则归入准确性、完整性、沟通质量、语境感知、指令遵循 5 个维度之一。HealthBench Professional 只有 525 段，全部是与临床医生的对话，涵盖问诊、写作和科研任务，并包含对抗性难题。榜单同时给出原始分和 OpenAI 采用的长度调整分：超过 2000 字符的回答被降分，更短的回答被加分。判分模型沿用 OpenAI 原实现，Professional 用 GPT-5.4（low），HealthBench 用 GPT-4.1。

权威 Benchmark 与实测跑分对比

以下均为 Artificial Analysis 公布的数据。Professional 长度调整分：GPT-6 Astra（max）66.0%、GPT-6.1 Sol 65.1%、Claude Sonnet 5.5 63.0%；Claude Opus 5.5 原始分 71.4% 最高，但调整后仅 59.9%，排第六。HealthBench：Claude Sonnet 5.5 62.1%、DeepSeek V4.1 Flash 60.9%、GPT-6.1 Sol 58.5%。成本上，GPT-6 Luna 在 Professional 拿到 61.9%，每任务仅 0.004 美元。

开发者实战落地与开箱指南

做医疗问答产品时，可在 Artificial Analysis 的 HealthBench 页面按分数和单任务成本筛选候选模型。要注意判分模型来自 OpenAI，且长度调整会明显影响排名：如果你的产品需要详尽回答，参考原始分；如果更看重简洁，参考调整分。评测代码可在 OpenAI 的 simple-evals 仓库找到，建议用自己的场景数据复测。