一句话看懂：Artificial Analysis 于 2026 年 10 月 19 日上线 HealthBench 与 HealthBench Professional 两个榜单，把 OpenAI 面向真实医疗对话的评测结果整理成可横向比较的分数与成本对比，医疗场景下选模型的讨论有了更具体的参照。
事件核心：发生了什么
两个榜单都基于 OpenAI 的基准，由医生编写的评分细则逐条给模型回复打分。HealthBench 覆盖 5,000 段日常用户与医务工作者的对话，横跨急诊转诊到全球健康等七个主题；Professional 版只有 525 段对话，全部来自临床人员，涉及问诊、文书和研究任务，并特意加入对抗性和高难度对话。
评分同时公布原始分和长度调整分：超过 2,000 字符的回复会被扣分，较短的会加分。评分模型沿用 OpenAI 原方案，Professional 用 GPT-5.4（low），HealthBench 用 GPT-4.1。在 Professional 榜上，GPT-6 Astra（max）长度调整后得 66.0%，略高于 GPT-6.1 Sol（max，65.1%）和 Claude Sonnet 5.5（max with fallback，63.0%）。HealthBench 榜首则是 Claude Sonnet 5.5（62.1%）。结果仅对应原文日期和评测条件。
为什么重要
医疗对话是少数要求准确、完整、沟通质量与指令遵循同时达标的场景，单一总分很容易掩盖取舍。这份榜单把评分拆成五个维度，并公开每任务成本，对采购和模型选择更实用。Professional 榜的分数-成本前沿完全由 OpenAI 模型占据，从 GPT-6 Luna（61.9%，每任务 0.004 美元）到 GPT-6 Astra（66.0%，0.27 美元），而 GPT-6 Luna 以不到 2% 的成本只低约 4 个百分点，说明性价比未必与最高分同步。长度惩罚也让答案风格成为分数变量：Claude Opus 5.5 原始分最高（71.4%），因平均约 5,900 字符，调整后跌至第六（59.9%）。
对用户/开发者/创作者的影响
开发者接入医疗或健康类 API 时，可参考原始分与长度调整分的差异，避免被单一榜单误导。HealthBench 中 GPT-6 Sol（max）答案最短（约 1,000 字符），沟通质量原始分最高（81%），但完整性最低（34%）；Claude Sonnet 5.5 完整性领先（63%）。这意味着面向患者的产品更看重可读性，面向临床人员的工具更应关注完整与准确。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是后续版本是否维持当前排序，尤其是 OpenAI 模型在专业榜的领先能否延续；二是较长的临床风格回答在长度惩罚下如何调整策略；三是榜单更新频率与对抗性对话样本是否扩充。材料为评测榜单发布，并非临床部署或监管认证，实际应用仍需独立验证。
