
GPT-6.2 Astra lidera Hospital-Bench con un 62,4 %: 14 de 48 tareas sin errores
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 184 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 675 tok/s
- AlibabaNUEVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 385 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 213 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
Una evaluación de veinte modelos publicada en X el 20 de noviembre de 2026 sitúa a GPT-6.2 Astra en primer lugar en Hospital-bench con una puntuación media de 62,4% y una tasa de pases completos de 29,2%: catorce de las cuarenta y ocho tareas completadas sin errores. Claude Fable 5.2 es segundo con 60,3%, Gemini 4 Neon es tercero con 59,8%, y Claude Opus 5.5 es quinto en puntuación con 55,6%, mientras lidera todo el campo en pases completos con 35,4%, es decir, diecisiete de cuarenta y ocho. Gemini 4 Argon termina noveno con una media de 46,9% y un 16,7% de pases. Esos son los números. Lo que el hilo no te da es lo que determina si significan algo: el nombre de la startup que realizó la evaluación y una página de metodología que puedas leer.
Esa brecha merece nombrarse antes que nada, porque es la diferencia entre una tabla de clasificación y un benchmark. La publicación describe una empresa respaldada por Y Combinator y solo enlaza a su propio gráfico adjunto; el acortador de enlaces remite a la imagen, no a un artículo, a un repositorio de GitHub ni a una página de resultados. No hay un conjunto de tareas que inspeccionar, ni código de puntuación que leer, ni una línea base humana con la que comparar. Por lo tanto, todo lo que sigue es una lectura de una única tabla publicada y de la frase impresa encima de ella, y así debería citarse.
Nada de eso convierte el resultado en un lanzamiento. OpenAI lanzó GPT-6.2 Astra el 17 de noviembre de 2026, tres días antes de que se publicara el hilo, y este es otro ranking independiente en el que el modelo ha aparecido desde entonces. Lo nuevo del 20 de noviembre es el propio ranking: Hospital-bench no había aparecido públicamente antes, y un conjunto de veinte modelos con un top diez publicado es una gran cantidad de señal para llegar en una sola imagen. La razón por la que merece una lectura detenida en lugar de una celebración es que las dos columnas que contiene no coinciden sobre quién ganó, y esa discrepancia es lo más útil de la página.
Qué mide realmente Hospital-bench
La línea de metodología del gráfico es una sola frase: «Medir qué tan bien los agentes de IA gestionan las operaciones administrativas de un hospital de 320 camas en 13 sistemas conectados». El hilo añade un poco más de detalle. A los agentes se les entregan 131 herramientas distribuidas entre esos trece sistemas y cuarenta y ocho tareas extraídas de la parte administrativa de un hospital en lugar de su área clínica: autorizaciones previas, reclamaciones denegadas, solicitudes de expedientes. Sin diagnósticos, sin triaje, sin imágenes. El trabajo que se mide es el que genera el papeleo con el que funciona un hospital y las disputas del ciclo de ingresos que pierde.
Esa elección de dominio explica la forma del tablero mucho mejor que cualquier afirmación sobre la inteligencia general. La administración hospitalaria es un problema de selección de herramientas antes que un problema de razonamiento. Una autorización previa es una consulta contra las reglas del formulario de cobertura de un pagador, un formulario, un envío, un seguimiento y una apelación, y cada uno de esos pasos vive en un sistema diferente con una interfaz diferente. Con 131 herramientas disponibles y cuarenta y ocho tareas de varios pasos, un agente tiene que recuperar el subconjunto correcto, mantener coherente el estado del caso a lo largo de los turnos y evitar el fallo específico que define este trabajo: hacer once pasos correctamente y luego enviar a la cola equivocada. Una evaluación construida así separará a los modelos por fiabilidad mucho antes de separarlos por ingenio, que es exactamente lo que muestran las dos columnas.
También significa que las puntuaciones no son transferibles a ninguna otra cosa. Un modelo que lidera Hospital-bench ha demostrado algo sobre flujos de trabajo administrativos basados en herramientas a escala, y absolutamente nada sobre si puede escribir código, aprobar un examen de derecho o mantener una conversación. Lee la tabla como una declaración sobre agentes que operan una gran superficie de herramientas bajo reglas procedimentales. Esa es una categoría de evaluación real e insuficientemente atendida, y es más estrecha que «gestiona un hospital».
El tablero tal como se publicó, de arriba a abajo
Aquí está el top diez completo publicado: primero la puntuación media y después la tasa de aprobación total:
• GPT-6.2 Astra — 62,4 % de media, 29,2 % de aprobados (14 de 48)
• Claude Fable 5.2 — media del 60,3 %, 29,2 % de aprobados (14 de 48)
• Gemini 4 Neon — 59,8 % de media, 31,3 % de aprobación (15 de 48)
• GPT-6.2 Sol — 57,6 % de media, 25,0 % de aprobación (12 de 48)
• Claude Opus 5.5 — 55,6 % de media, 35,4 % de aprobación (17 de 48)
• Muse Wonder — 53,6 % de media, 27,1 % de aprobación (13 de 48)
• GPT-6.1 Sol — 50.0% de media, 12.5% de aprobación (6 de 48)
• Claude Sonnet 5.5 — 47,7 % de media, 29,2 % de aprobación (14 de 48)
• Gemini 4 Argon — 46,9 % de media, 16,7 % de aprobados (8 de 48)
• GPT-6 Astra — 46,7 % de media, 8,3 % de aprobación (4 de 48)

Dos hechos estructurales sobre esa lista antes de cualquier interpretación. El primero es que la lista abarca veinte modelos y solo se muestran diez, así que la mitad inferior es invisible; y en un dominio donde la tasa de aprobación es la columna interesante, los modelos que fallan en todo son los que te dirían cuán difícil es el nivel mínimo. El segundo es que toda la diferencia del primero al décimo es de 15,7 puntos de puntuación media. En un benchmark con cuarenta y ocho tareas y sin varianza publicada, eso no es una cima amplia. Es un grupo compacto con un líder dentro.
La ordenación generacional es la señal más limpia de la tabla y la que menos probablemente sea un artefacto. GPT-6.2 Astra, con 62,4 %, se sitúa 15,7 puntos por encima de GPT-6 Astra, con 46,7 %, y la tasa de aprobación pasa del 8,3 % al 29,2 %: un salto de 3,5 veces en tareas completadas sin errores. GPT-6.2 Sol, con 57,6 %, se sitúa 7,6 puntos por encima de GPT-6.1 Sol, con 50,0 %, y su tasa de aprobación se duplica del 12,5 % al 25,0 %. Sea lo que sea que esté midiendo el benchmark, está midiendo algo que cambió entre generaciones, en ambas líneas de OpenAI, en la misma dirección, con una magnitud muy superior a la de un error de redondeo.
Por qué la columna de tasa de aprobación importa más
La puntuación media es el promedio en las cuarenta y ocho tareas con crédito parcial. La tasa de aprobación es la proporción de tareas que el agente terminó por completo. Son mediciones distintas de cosas distintas, y la brecha entre ambas en esta tabla es enorme: GPT-6.2 Astra promedia un 62,4 %, pero completa el 29,2 % de las tareas, lo que significa que la tarea promedio se está puntuando con alrededor de dos tercios correctos mientras que menos de una de cada tres se termina. Esa es la señal de un agente que hace bien la mayor parte de un flujo de trabajo y luego lo pierde en un paso.
En la mayoría de los benchmarks, la distinción es académica. En la administración hospitalaria, es el producto completo. Una autorización previa enviada con los códigos correctos a la cola del pagador equivocado obtiene una buena puntuación en crédito parcial y produce un reclamo denegado. Una solicitud de registros que reúne el conjunto correcto de documentos y omite la entrada del registro de divulgaciones constituye un hallazgo de cumplimiento. Las tareas de este dominio están construidas de modo que el último paso es el que importa, lo que significa que la columna de tasa de aprobación se acerca más a una medida de si se puede confiar en el agente para el flujo de trabajo que la puntuación media, y es la columna que casi nadie citó.
Es también la columna con menos respaldo estadístico. Cuarenta y ocho tareas es un denominador pequeño. Una tarea representa 2,08 puntos porcentuales de la tasa de aprobación, así que la diferencia entre Claude Fable 5.2 y GPT-6.2 Astra —ambos con 29,2%, ambos con catorce tareas— es cero, y la diferencia entre Gemini 4 Neon con quince tareas y los dos líderes con catorce es una tarea. Tres modelos están separados por una sola tarea de cuarenta y ocho. Considera los tres primeros como empatados en finalización y separados solo en la media, donde las brechas son de 2,1 y 0,5 puntos e igualmente frágiles.
Opus 5.5 termina primero donde de verdad importa
Claude Opus 5.5 es el modelo que la tabla se construyó para revelar. Ocupa el quinto puesto en puntuación media con 55,6% —6,8 puntos por detrás del líder, lo que no está nada cerca— y el primero en aprobaciones completas con 35,4%, diecisiete de cuarenta y ocho, tres tareas por delante del siguiente modelo. Ningún otro modelo de la tabla invierte así su posición. Claude Sonnet 5.5 lo hace de forma leve: octavo en puntuación y tercero empatado en aprobaciones. Gemini 4 Argon hace lo contrario: noveno en puntuación y noveno en aprobaciones, lo que al menos es coherente.
Tres tareas no suponen un margen amplio, y merece la pena decirlo sin rodeos: diecisiete frente a catorce de cuarenta y ocho es una diferencia que una sola tarea ambigua podría borrar, y no se publica ningún intervalo de confianza. Pero la dirección es coherente entre los dos modelos de Anthropic de la tabla, y apunta a una disyuntiva real. Parece que Opus 5.5 emplea más turnos y más llamadas a herramientas por tarea para alcanzar un estado completado, lo que eleva su tasa de finalización y limita su promedio. Astra alcanza un promedio más alto con menos finalizaciones limpias. Si compras un agente para un flujo de trabajo donde una solicitud a medio completar es peor que una lenta, el modelo en quinto lugar es la mejor compra, y ninguna clasificación por puntuación media te lo dirá.
Existe una segunda lectura, menos halagadora para el benchmark. Un modelo puede aumentar su tasa de aprobación al negarse a intentar tareas que probablemente fallará, o al terminar antes con una respuesta parcial que el evaluador considera completa. Sin la salida a nivel de tarea —que el hilo no publica—, no hay forma de distinguir «termina más de lo que empieza» de «termina menos de lo que se le da». La tabla respalda la primera lectura. No puede descartar la segunda.
Cuánto cuestan 131 herramientas por tarea
Hospital-bench es una evaluación costosa de ejecutar y costosa de ejecutar repetidamente, y el hilo no publica ninguna cifra de coste. Ciento treinta y una definiciones de herramientas constituyen un system prompt grande antes de que el agente realice una sola acción; cuarenta y ocho tareas de varios pasos en veinte modelos suponen muchos tokens de entrada y muchos turnos. Cualquier coste por tarea que calcules a partir de los precios de los tokens será un mínimo, no una estimación, porque omitirá la recuperación, los reintentos y las llamadas a herramientas fallidas que un bucle agéntico genera por sí mismo.
• Puntuación media — GPT-6.2 Astra 62,4 % vs Gemini 4 Argon 46,9 %
• Tasa de aprobación completa — Astra 29,2 % vs. Argon 16,7 %
• Precio de entrada por 1M — Argon $2.00 frente a Astra $8.00
• Precio de salida por 1M — Argon $10.00 vs Astra $40.00
• Herramientas incluidas — 131, idéntico para cada modelo de la tabla
• Costo por tarea — no publicado por el evaluador

Comparen esos dos bloques entre sí y el número interesante no es la diferencia media de 15,5 puntos. Es que Argon cuesta un cuarto de lo que cuesta Astra en ambas direcciones y completa limpiamente algo más de la mitad de las tareas que completa Astra, lo que sitúa a los dos modelos dentro de un factor de dos entre sí en coste por tarea completada, a pesar de una diferencia de precio de 4 veces. Esa es una decisión mucho más reñida de lo que sugiere la tabla de clasificación, y es el tipo de cálculo que solo puedes hacer con tu propia carga de trabajo, porque la proporción depende enteramente de la frecuencia con la que tus tareas terminan antes de tiempo.
Aquí es donde una capa de enrutamiento justifica su existencia en vez de ser un simple adorno. OrcaRouter transfiere el precio de lista del proveedor con un 0 % de margen, así que los $8 y $40 anteriores son lo que pagas por millón de tokens en lugar de una tarifa del proveedor con un margen de plataforma añadido encima — y, como la transferencia es en tiempo real, una rebaja de precio del proveedor en cualquiera de los dos modelos aparece en tu factura el mismo día en que se anuncia. La conmutación automática por error importa más aquí que en una carga de trabajo de chat: una campaña agéntica de cuarenta y ocho tareas contra 131 herramientas topará con un límite de velocidad en algún punto, y una ruta que pasa al segundo modelo en vez de morir a mitad de ejecución vale más que un punto de puntuación media.
Conviene decirlo con claridad: GPT-6.2 Astra no está en nuestro catálogo a fecha de 20 de noviembre. Los modelos de OpenAI que ofrecemos son GPT-6 Astra, que obtiene 46,7 % y 8,3 % en esta tabla, y la línea GPT-6 Sol, donde GPT-6.2 Sol registra 57,6 % y 25,0 %. Gemini 4 Argon se puede enrutar a $2 y $10. Hasta que Astra esté disponible aquí, el modelo de nuestro catálogo más cercano a la cima de esta tabla es GPT-6.2 Sol, y el modelo más económico que supera a la generación anterior de OpenAI es Argon.
¿Qué cambiaría esta lectura?
Cuatro cosas, más o menos en orden de cuánto moverían el panorama. La primera es una página de metodología. Con un benchmark que publica su conjunto de tareas, sus reglas de puntuación y sus registros de ejecución se puede debatir; con uno que publica una imagen de los diez primeros, no. La única frase que aparece encima de la tabla está haciendo un enorme trabajo, y toda afirmación de este artículo está delimitada por ella.
El segundo punto son los diez modelos que faltan. Se evaluaron veinte y se mostraron diez, y en un ámbito en el que la puntuación parcial infla la media, los modelos de la parte baja son los que calibran la tarea. Si el modelo en el puesto undécimo tiene una media del 45% y un 6% de aprobados, el ranking queda disperso. Si está en el 44% y el 2%, el ranking es un precipicio y los diez primeros son los únicos modelos que pueden hacer el trabajo en absoluto.
El tercero es una línea base humana. Hospital-bench no publica ninguna cifra humana y, sin ella, no hay respuesta a la única pregunta que un comprador realmente tiene: si un 35,4 % de finalización es bueno. Un especialista en facturación médica con las mismas 131 herramientas y cuarenta y ocho tareas le daría a la tabla una escala. No la tiene.
El cuarto es una segunda ejecución. El modelo tiene cuatro días de vida y la evaluación es una única campaña, y los benchmarks agénticos con cadenas de herramientas largas tienen más varianza entre ejecuciones que las evaluaciones de una sola pasada — que es exactamente la varianza que una diferencia de 2,1 puntos entre la primera y la segunda no puede absorber. Si Astra y Fable 5.2 quedan en el mismo orden tres veces, la ventaja es real. Una vez, es una entrada en la tabla de clasificación.
Lo que sobrevive a las cuatro salvedades es más estrecho que el planteamiento del hilo y más útil que un descarte. GPT-6.2 Astra es el mejor modelo publicado en un benchmark de administración agéntica de veinte modelos, por un margen que está dentro del ruido en finalización y fuera de él en promedio. El salto generacional es la parte difícil de explicar —15,7 puntos de puntuación media y una mejora de 3,5x en finalizaciones limpias frente a GPT-6 Astra, en una tabla sin ningún motivo para favorecer a un proveedor. Ese es un resultado real sobre trabajo administrativo basado en herramientas, publicado por un evaluador que nadie puede comprobar todavía, cuatro días después de que se lanzara el modelo. Ambas mitades de esa frase pertenecen a la misma respiración.

Comparados en este artículo1
Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario
