
GPT-6.2 Astra führt Hospital-Bench mit 62,4 % an: 14 von 48 Aufgaben fehlerfrei
- OrcaNEUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 pro 1 Mio. Tokens · 184 tok/s
- tencentNEUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 pro 1 Mio. Tokens · 675 tok/s
- AlibabaNEUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 pro 1 Mio. Tokens · 385 tok/s
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 87 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 213 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
Eine am 20. November 2026 auf X veröffentlichte Evaluation von zwanzig Modellen setzt GPT-6.2 Astra mit einem Mittelwert von 62,4 % und einer Quote vollständig bestandener Aufgaben von 29,2 % auf Platz eins bei Hospital-bench – vierzehn der achtundvierzig Aufgaben wurden sauber abgeschlossen. Claude Fable 5.2 liegt mit 60,3 % auf Platz zwei, Gemini 4 Neon mit 59,8 % auf Platz drei, und Claude Opus 5.5 liegt mit 55,6 % punktemäßig auf Platz fünf, führt das gesamte Feld bei den vollständig bestandenen Aufgaben mit 35,4 % aber an, also siebzehn von achtundvierzig. Gemini 4 Argon beendet mit 46,9 % im Mittel und 16,7 % bestandenen Aufgaben auf Platz neun. Das sind die Zahlen. Was der Thread einem nicht liefert, ist das, was darüber entscheidet, ob sie etwas bedeuten: der Name des Start-ups, das die Evaluation durchgeführt hat, und eine Methodikseite, die man lesen kann.
Diese Lücke sollte vor allem anderen benannt werden, denn sie ist der Unterschied zwischen einer Bestenliste und einem Benchmark. Der Beitrag beschreibt ein von Y Combinator unterstütztes Unternehmen und verlinkt ausschließlich auf die eigene beigefügte Grafik; der Linkverkürzer führt zurück zum Bild, nicht zu einem Paper, einem GitHub-Repository oder einer Ergebnisseite. Es gibt keinen Aufgabenkatalog zur Einsicht, keinen Bewertungscode zum Lesen, keine menschliche Baseline zum Vergleichen. Alles Folgende ist daher eine Deutung einer einzigen veröffentlichten Tabelle und des darüber gedruckten Satzes und sollte auch so zitiert werden.
Nichts davon macht das Ergebnis zu einem Launch. OpenAI hat GPT-6.2 Astra am 17. November 2026 veröffentlicht, drei Tage bevor der Thread erschien, und dies ist ein weiteres unabhängiges Board, auf dem das Modell seitdem aufgetaucht ist. Neu am 20. November ist das Board selbst – Hospital-bench war zuvor nicht öffentlich aufgetaucht, und ein Teilnehmerfeld von zwanzig Modellen mit einer veröffentlichten Top-10 ist eine große Menge Signal, die in einem einzigen Bild ankommt. Der Grund, warum es eine sorgfältige Lektüre und keine Siegesrunde verdient, ist, dass die beiden Spalten darauf sich darüber uneinig sind, wer gewonnen hat, und diese Uneinigkeit das Nützlichste auf der Seite ist.
Was Hospital-bench tatsächlich misst
Die Methodikzeile in der Grafik ist ein einzelner Satz: „Gemessen wird, wie gut KI-Agenten die administrativen Abläufe eines Krankenhauses mit 320 Betten über 13 verbundene Systeme hinweg ausführen.“ Der Thread ergänzt einige Details. Agenten erhalten 131 Tools, verteilt über diese dreizehn Systeme, sowie achtundvierzig Aufgaben aus dem Backoffice eines Krankenhauses statt aus dem klinischen Bereich – Vorabgenehmigungen, abgelehnte Ansprüche, Aktenanfragen. Keine Diagnosen, keine Triage, keine Bildgebung. Die gemessene Arbeit ist die Arbeit, die den Papierkram erzeugt, auf dem der Betrieb eines Krankenhauses basiert, und die Auseinandersetzungen im Revenue Cycle, die es verliert.
Diese Wahl des Bereichs erklärt die Form des Boards besser als jede Behauptung über allgemeine Intelligenz. Krankenhausverwaltung ist zuerst ein Problem der Werkzeugauswahl und erst dann ein Denkproblem. Eine Vorabgenehmigung ist ein Nachschlagen in den Formularium-Regeln eines Kostenträgers, ein Formular, eine Einreichung, eine Nachverfolgung und ein Widerspruch, und jeder dieser Schritte lebt in einem anderen System mit einer anderen Schnittstelle. Mit 131 verfügbaren Werkzeugen und achtundvierzig mehrstufigen Aufgaben muss ein Agent die richtige Teilmenge abrufen, den Fallstatus über mehrere Turns hinweg konsistent halten und den spezifischen Fehler vermeiden, der diese Arbeit ausmacht: elf Schritte korrekt auszuführen und dann in die falsche Warteschlange einzureichen. Ein so gebautes Eval wird Modelle viel früher nach Zuverlässigkeit trennen als nach Cleverness, und genau das zeigen die beiden Spalten.
Das bedeutet außerdem, dass die Ergebnisse nicht auf irgendetwas anderes übertragbar sind. Ein Modell, das Hospital-bench anführt, hat etwas über werkzeuggestützte administrative Workflows im großen Maßstab gezeigt – und überhaupt nichts darüber, ob es Code schreiben, eine Juraprüfung bestehen oder ein Gespräch führen kann. Lesen Sie die Rangliste als Aussage über Agenten, die eine große Werkzeugoberfläche unter prozeduralen Regeln betreiben. Das ist eine reale und unterversorgte Kategorie der Evaluation, und sie ist enger gefasst als „ein Krankenhaus betreibt“.
Das Board wie gepostet, von oben nach unten
Hier sind die vollständigen veröffentlichten Top Ten, zuerst der Mittelwert, dann die Vollbestehensquote:
• GPT-6.2 Astra — 62,4 % Mittelwert, 29,2 % Bestehensrate (14 von 48)
• Claude Fable 5.2 — 60,3 % Durchschnitt, 29,2 % bestanden (14 von 48)
• Gemini 4 Neon — 59,8 % Mittelwert, 31,3 % bestanden (15 von 48)
• GPT-6.2 Sol — 57,6 % Mittelwert, 25,0 % bestanden (12 von 48)
• Claude Opus 5.5 — 55,6 % Durchschnitt, 35,4 % Bestehensquote (17 von 48)
• Muse Wonder — 53,6 % Durchschnitt, 27,1 % bestanden (13 von 48)
• GPT-6.1 Sol — 50,0 % Mittelwert, 12,5 % bestanden (6 von 48)
• Claude Sonnet 5.5 — 47,7 % Mittelwert, 29,2 % bestanden (14 von 48)
• Gemini 4 Argon — 46,9 % Durchschnitt, 16,7 % bestanden (8 von 48)
• GPT-6 Astra — 46,7 % Mittelwert, 8,3 % Bestehensrate (4 von 48)

Zwei strukturelle Tatsachen zu dieser Liste, bevor irgendeine Interpretation erfolgt. Die erste ist, dass das Feld zwanzig Modelle tief ist und nur zehn gezeigt werden, sodass die untere Hälfte unsichtbar ist – und in einem Bereich, in dem die Bestehensrate die interessante Spalte ist, sind die Modelle, die alles nicht bestehen, diejenigen, die einem sagen würden, wie schwer der Boden ist. Die zweite ist, dass die gesamte Spanne vom ersten bis zum zehnten 15,7 Punkte im Durchschnittsscore beträgt. Bei einem Benchmark mit achtundvierzig Aufgaben und ohne veröffentlichte Varianz ist das keine breite Spitze. Es ist ein Cluster mit einem Anführer darin.
Die Reihenfolge nach Generationen ist das sauberste Signal in der Tabelle und das am wenigsten wahrscheinlich ein Artefakt darstellende. GPT-6.2 Astra liegt mit 62,4 % 15,7 Punkte über GPT-6 Astra mit 46,7 %, und die Bestehensquote steigt von 8,3 % auf 29,2 % — ein 3,5-facher Sprung bei sauber abgeschlossenen Aufgaben. GPT-6.2 Sol liegt mit 57,6 % 7,6 Punkte über GPT-6.1 Sol mit 50,0 %, wobei sich seine Bestehensquote von 12,5 % auf 25,0 % verdoppelt. Was auch immer der Benchmark misst, er misst etwas, das sich zwischen den Generationen verändert hat, in beiden OpenAI-Linien, in dieselbe Richtung und in einer Größenordnung, die weit außerhalb eines Rundungsfehlers liegt.
Warum die Spalte „Bestehensquote“ wichtiger ist
Der Durchschnittswert ist der Mittelwert über alle achtundvierzig Aufgaben bei Teilpunktevergabe. Die Erfolgsquote ist der Anteil der Aufgaben, die der Agent vollständig abgeschlossen hat. Das sind unterschiedliche Messgrößen für unterschiedliche Dinge, und der Abstand zwischen ihnen ist in diesem Benchmark gewaltig: GPT-6.2 Astra erreicht im Durchschnitt 62,4 %, schließt aber nur 29,2 % der Aufgaben vollständig ab. Das bedeutet, dass eine durchschnittliche Aufgabe zu etwa zwei Dritteln als korrekt bewertet wird, während weniger als jede dritte abgeschlossen wird. Das ist das typische Muster eines Agenten, der den Großteil eines Workflows richtig hinbekommt und ihn dann an einem Schritt verliert.
In den meisten Benchmarks ist die Unterscheidung akademisch. In der Krankenhausverwaltung ist sie das ganze Produkt. Eine Vorabgenehmigung, die mit den richtigen Codes bei der falschen Kostenträger-Warteschlange eingereicht wird, erzielt gute Teilpunkte und führt zu einem abgelehnten Leistungsantrag. Eine Aktenanforderung, die den richtigen Dokumentensatz zusammenstellt und den Eintrag im Offenlegungsprotokoll auslässt, ist eine Compliance-Feststellung. Die Aufgaben in diesem Bereich sind so aufgebaut, dass der letzte Schritt derjenige ist, auf den es ankommt. Das bedeutet, dass die Spalte mit der Bestehensrate eher ein Maß dafür ist, ob man dem Agenten den Workflow anvertrauen kann, als der Durchschnittswert, und sie ist die Spalte, die fast niemand zitiert hat.
Es ist außerdem die Spalte mit der geringsten statistischen Unterstützung. 48 Aufgaben sind ein kleiner Nenner. Eine Aufgabe entspricht 2,08 Prozentpunkten der Bestehensquote, der Unterschied zwischen Claude Fable 5.2 und GPT-6.2 Astra – beide bei 29,2 %, beide bei vierzehn Aufgaben – ist also null, und der Unterschied zwischen Gemini 4 Neon mit fünfzehn Aufgaben und den beiden Spitzenreitern mit vierzehn beträgt eine Aufgabe. Drei Modelle werden durch eine einzige Aufgabe von 48 getrennt. Behandeln Sie die drei Besten bei der Completion als gleichauf und nur beim Mittelwert getrennt, wobei die Abstände 2,1 und 0,5 Punkte betragen und ebenso fragil sind.
Opus 5.5 ist Erster, wo es zählt
Claude Opus 5.5 ist das Modell, für dessen Aufdeckung die Tabelle konzipiert wurde. Bei der Durchschnittspunktzahl liegt es mit 55,6 % auf Platz fünf – 6,8 Punkte hinter dem Spitzenreiter, was nicht knapp ist – und bei den vollständigen Bestehenswerten mit 35,4 % auf Platz eins, siebzehn von achtundvierzig, drei Aufgaben Vorsprung vor dem nächsten Modell. Kein anderes Modell in der Rangliste kehrt seine Platzierung derart um. Claude Sonnet 5.5 tut dies in mildem Maße: Achter bei der Punktzahl und gleichauf Dritter bei den Bestehenswerten. Gemini 4 Argon macht es umgekehrt: Neunter bei der Punktzahl und Neunter bei den Bestehenswerten, was zumindest konsistent ist.
Drei Aufgaben sind keine große Marge, und es lohnt sich, das klar zu sagen: 17 gegen 14 von 48 ist ein Unterschied, den eine einzige mehrdeutige Aufgabe auslöschen könnte, und es wird kein Konfidenzintervall veröffentlicht. Aber die Richtung ist bei den beiden Anthropic-Modellen auf dem Board konsistent, und sie deutet auf einen echten Trade-off hin. Opus 5.5 scheint mehr Turns und mehr Tool-Aufrufe pro Aufgabe aufzuwenden, um einen abgeschlossenen Zustand zu erreichen, was seine Abschlussrate erhöht und seinen Durchschnitt deckelt. Astra erreicht einen höheren Durchschnitt mit weniger sauberen Abschlüssen. Wenn Sie einen Agenten für einen Workflow kaufen, in dem eine halb erledigte Anfrage schlimmer ist als eine langsame, ist das Modell auf Platz fünf der bessere Kauf, und keine Rangliste nach Durchschnittswert wird Ihnen das sagen.
Es gibt eine zweite Lesart, die für den Benchmark weniger schmeichelhaft ist. Ein Modell kann seine Bestehensquote erhöhen, indem es darauf verzichtet, Aufgaben zu versuchen, bei denen es wahrscheinlich scheitern wird, oder indem es früh mit einer Teilantwort abbricht, die der Bewerter als vollständig zählt. Ohne die Ausgabe auf Aufgabenebene – die der Thread nicht veröffentlicht – gibt es keine Möglichkeit, „erledigt mehr von dem, was es beginnt“ von „erledigt weniger von dem, was ihm gegeben wird“ zu unterscheiden. Die Tabelle stützt die erste Lesart. Sie kann die zweite nicht ausschließen.
Was 131 Tools pro Aufgabe kosten
Hospital-bench ist eine teure Evaluierung – sowohl für einen einzelnen Lauf als auch für wiederholte Läufe –, und der Thread veröffentlicht überhaupt keine Kostenangabe. Einhunderteinunddreißig Tool-Definitionen sind ein großer System-Prompt, bevor der Agent eine einzige Aktion ausführt; achtundvierzig mehrstufige Aufgaben über zwanzig Modelle hinweg sind viele Input-Tokens und viele Turns. Jede pro Aufgabe aus Token-Preisen berechnete Kosten sind eine Untergrenze, keine Schätzung, weil sie das Retrieval, die Wiederholungsversuche und die fehlgeschlagenen Tool-Aufrufe außer Acht lässt, die eine agentische Schleife von selbst erzeugt.
• Durchschnittliche Punktzahl — GPT-6.2 Astra 62,4 % vs. Gemini 4 Argon 46,9 %
• Vollbestehensquote — Astra 29,2 % vs. Argon 16,7 %
• Eingabepreis pro 1 Mio. – Argon 2,00 $ vs. Astra 8,00 $
• Ausgabepreis pro 1 Mio. — Argon 10,00 $ vs. Astra 40,00 $
• Tools im Geltungsbereich — 131, identisch für jedes Modell auf dem Board
• Kosten pro Aufgabe — nicht vom Evaluator veröffentlicht

Vergleiche diese beiden Blöcke miteinander, und die interessante Zahl ist nicht die durchschnittliche Lücke von 15,5 Punkten. Sie besteht darin, dass Argon in beide Richtungen ein Viertel von Astra kostet und etwas mehr als halb so viele Aufgaben sauber abschließt, wodurch die beiden Modelle bei den Kosten pro abgeschlossener Aufgabe trotz eines vierfachen Preisunterschieds nur um den Faktor zwei auseinanderliegen. Das ist eine viel knappere Entscheidung, als die Bestenliste vermuten lässt, und es ist die Art von Berechnung, die man nur mit der eigenen Workload anstellen kann, weil das Verhältnis vollständig davon abhängt, wie oft deine Aufgaben vorzeitig enden.
Hier zahlt sich eine Routing-Ebene aus, statt nur Dekoration zu sein. OrcaRouter gibt die Listenpreise der Anbieter mit 0 % Aufschlag weiter, sodass die oben genannten 8 $ und 40 $ pro Million Token das sind, was Sie zahlen, und nicht eine Anbieterrate mit einem zusätzlichen Plattformaufschlag – und da die Weitergabe live erfolgt, schlägt sich eine Preissenkung eines Anbieters für eines der beiden Modelle noch am selben Tag auf Ihrer Rechnung nieder, an dem sie angekündigt wird. Automatisches Failover ist hier wichtiger als bei einer Chat-Workload: Eine agentische Kampagne mit achtundvierzig Aufgaben gegen 131 Tools wird irgendwo an ein Ratenlimit stoßen, und eine Route, die zum zweiten Modell wechselt, statt mitten im Lauf abzubrechen, ist mehr wert als ein Punkt beim Durchschnittsergebnis.
Um es klar zu sagen: GPT-6.2 Astra ist Stand 20. November nicht in unserem Katalog. Die OpenAI-Modelle, die wir anbieten, sind GPT-6 Astra, das in dieser Rangliste 46,7 % und 8,3 % erzielt, sowie die GPT-6-Sol-Reihe, in der GPT-6.2 Sol 57,6 % und 25,0 % erreicht. Gemini 4 Argon kann zu 2 $ und 10 $ geroutet werden. Bis Astra hier verfügbar ist, ist das Modell in unserem Katalog, das der Spitze dieser Tabelle am nächsten kommt, GPT-6.2 Sol, und das günstigste Modell, das die vorherige OpenAI-Generation übertrifft, ist Argon.
Was würde diese Lesart ändern?
Vier Dinge, ungefähr in der Reihenfolge, in der sie das Bild verändern würden. Das erste ist eine Methodikseite. Über einen Benchmark, der seine Aufgabenliste, seine Bewertungsregeln und seine Ausführungsprotokolle veröffentlicht, kann man diskutieren; über einen, der nur ein Top-Ten-Bild veröffentlicht, nicht. Der einzelne Satz über der Tabelle leistet enorm viel, und jede Aussage in diesem Artikel ist durch ihn begrenzt.
Der zweite Punkt sind die fehlenden zehn Modelle. Zwanzig wurden bewertet und zehn gezeigt, und in einem Bereich, in dem Teilpunkte den Mittelwert aufblähen, sind die Modelle am unteren Ende diejenigen, die die Aufgabe kalibrieren. Wenn das Modell auf Platz elf bei 45 % Mittelwert und 6 % Bestehensquote liegt, ist die Rangliste eine breite Streuung. Wenn es bei 44 % und 2 % liegt, ist die Rangliste eine Klippe, und die besten zehn sind die einzigen Modelle, die die Arbeit überhaupt erledigen können.
Der dritte Punkt ist eine menschliche Baseline. Hospital-bench veröffentlicht keine menschliche Vergleichszahl, und ohne eine solche gibt es keine Antwort auf die einzige Frage, die einen Käufer tatsächlich interessiert: ob 35,4 % Abschlussquote gut sind. Ein Spezialist für medizinische Abrechnung mit denselben 131 Werkzeugen und achtundvierzig Aufgaben würde der Tabelle einen Maßstab geben. Sie hat keinen.
Der vierte Punkt ist ein zweiter Durchlauf. Das Modell ist vier Tage alt, die Evaluierung besteht aus einer einzigen Kampagne, und agentische Benchmarks mit langen Tool-Ketten weisen mehr Varianz von Durchlauf zu Durchlauf auf als Single-Shot-Evaluierungen – genau die Varianz, die eine 2,1-Punkte-Lücke zwischen erstem und zweitem Platz nicht absorbieren kann. Wenn Astra und Fable 5.2 dreimal in derselben Reihenfolge landen, ist der Vorsprung echt. Einmal ist es ein Eintrag in der Rangliste.
Was alle vier Vorbehalte übersteht, ist enger gefasst als der Rahmen des Threads und nützlicher als eine Zurückweisung. GPT-6.2 Astra ist das beste Modell, das auf einem agentischen Verwaltungs-Benchmark mit zwanzig Modellen veröffentlicht wurde – mit einem Vorsprung, der bei den Abschlüssen innerhalb des Rauschens und im Durchschnitt außerhalb davon liegt. Der Generationssprung ist der Teil, den man schwer wegerklären kann – 15,7 Punkte mittlere Punktzahl und eine 3,5-fache Verbesserung bei sauberen Abschlüssen gegenüber GPT-6 Astra, auf einem Board, das keinen Grund hat, einen Anbieter zu bevorzugen. Das ist ein echtes Ergebnis über werkzeuggestützte Verwaltungsarbeit, veröffentlicht von einem Evaluator, den noch niemand überprüfen kann, vier Tage nachdem das Modell ausgeliefert wurde. Beide Hälften dieses Satzes gehören in denselben Atemzug.

In diesem Artikel verglichen1
Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert
