HealthBench Professional

HealthBench Professional من OpenAI: 525 محادثة سريرية تغطي مهام الاستشارة والكتابة والبحث، تُقيَّم وفق معايير كتبها أطباء.

توزيع الدرجات

تضمين النماذج المهملة

الترتيب	النموذج	النتيجة
1	Claude Fable 5.2 (Xhigh, Default Fallback) Anthropic	68.1%
2	Claude Fable 5.2 (Max, Default Fallback) Anthropic	67.7%
3	Claude Fable 5.2 (High, Default Fallback) Anthropic	67.6%
4	Claude Fable 5.2 (Medium, Default Fallback) Anthropic	67.0%
5	Claude Fable 5.2 (Low, Default Fallback) Anthropic	66.9%
6	GPT-6 Astra (Max) OpenAI	66.0%
7	GPT-6.1 Sol (Max) OpenAI	65.1%
8	Claude Sonnet 5.5 (Max, Default Fallback) Anthropic	63.0%
9	GPT-6 Luna (Max) OpenAI	61.9%
10	Claude Opus 5.5 (Max, Default Fallback) Anthropic	59.9%
11	Claude Haiku 5.5 (Max) Anthropic	58.4%
12	Grok 4.7 (Xhigh) SpaceXAI	55.8%
13	Gemini 4 Argon (High) Google	55.1%
14	GLM-5.3 (Max) Z AI	52.8%
15	Gemini 3.8 Flash (High) Google	51.7%