HealthBench Professional 上，对抗测试对话的原始得分从 30%（DeepSeek V4.1 Flash max）到 65%（GPT-6 Astra max）不等，而善意对话为 63% 至 79%

Artificial Analysis 公布了 HealthBench Professional 结果：对抗测试对话的原始得分从 30%（DeepSeek V4.1 Flash max）到 65%（GPT-6 Astra max），远低于善意对话的 63%–79%。Claude Fable 5.1（max with fallback）以 79% 领跑善意对话，但在对抗测试中跌至 53%；Claude Haiku 5.5（max）以 77% 领跑写作任务。这一落差值得重视，因为对抗压力正是检验临床安全的场景，而领先的医疗模型在其中依然明显退化。

• Artificial Analysis2026-10-19 23:03
• Artificial Analysis2026-10-19 23:03