多款AI模型HealthBench测试表现
发生了什么
据Artificial Analysis发布的数据，在HealthBench Professional基准测试中，各模型红队对话得分在30%至65%之间，其中DeepSeek V4.1 Flash (max)得分为30%，GPT-6 Astra (max)得分为65%。在良意对话测试中，得分范围为63%至79%，Claude Fable 5.1 (max with fallback)以79%的得分位居最高，其红队对话得分为53%。此外，Claude Haiku 5.5 (max)在写作任务中表现最高，得分为77%。
报道与来源
1 篇发布方数量不等于独立核验数量。同稿的多个入口保留在对应报道中。
来源关系与证据边界
按已记录的来源角色展示；连线仅表示原生身份流程确认的同稿入口，不表示独立佐证或跨报道引用。
- 来源报道1 个发布入口