Carte de titre générée avec pour titre principal « GPT-6.2 Astra domine Hospital-Bench », pour sous-titre « score moyen de 62,4 %, 14 des 48 tâches réalisées proprement » et trois badges de preuve indiquant « En tête des 20 modèles », « Hôpital de 320 lits, 13 systèmes, 131 outils » et « Claude Opus 5.5 arrive en tête pour les passes complètes avec 35,4 % », sur un pied de page précisant que le résultat a été publié le 20 novembre 2026 par un évaluateur soutenu par YC et que GPT-6.2 Astra est sorti le 17 novembre 2026.
Guides & Insights

GPT-6.2 Astra en tête du Hospital-Bench avec 62,4 % : 14 tâches sur 48 sans erreur

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Une évaluation portant sur vingt modèles, publiée sur X le 20 novembre 2026, place GPT-6.2 Astra en tête sur Hospital-bench avec un score moyen de 62,4 % et un taux de réussite complète de 29,2 % — quatorze des quarante-huit tâches ont été accomplies sans faute. Claude Fable 5.2 est deuxième à 60,3 %, Gemini 4 Neon troisième à 59,8 %, et Claude Opus 5.5 cinquième au score à 55,6 % tout en menant l’ensemble du classement sur les réussites complètes à 35,4 %, soit dix-sept sur quarante-huit. Gemini 4 Argon termine neuvième avec une moyenne de 46,9 % et un taux de réussite de 16,7 %. Voilà les chiffres. Ce que le fil ne vous fournit pas, c’est ce qui détermine si ces chiffres veulent dire quoi que ce soit : le nom de la start-up qui a réalisé l’évaluation, et une page méthodologique que vous pouvez lire.

Cet écart mérite d’être nommé avant toute chose, car c’est la différence entre un classement et un benchmark. L’article décrit une entreprise soutenue par Y Combinator et ne renvoie qu’à son propre graphique joint ; le raccourcisseur de lien renvoie à l’image, et non à un article scientifique, à un dépôt GitHub ou à une page de résultats. Il n’y a aucun ensemble de tâches à examiner, aucun code de notation à lire, aucune référence humaine à laquelle se comparer. Tout ce qui suit est donc une lecture d’un tableau publié et de la phrase imprimée juste au-dessus, et doit être cité comme tel.

Rien de tout cela ne fait de ce résultat un lancement. OpenAI a livré GPT-6.2 Astra le 17 novembre 2026, trois jours avant la publication du fil, et il s’agit d’un autre tableau indépendant sur lequel le modèle est apparu depuis. Ce qui est nouveau le 20 novembre, c’est le tableau lui-même — Hospital-bench n’avait jamais été rendu public auparavant, et un panel de vingt modèles avec un top 10 publié représente une quantité considérable de signal à faire arriver dans une seule image. La raison pour laquelle il mérite une lecture attentive plutôt qu’un tour d’honneur, c’est que les deux colonnes qui s’y trouvent ne sont pas d’accord sur le vainqueur, et ce désaccord est l’élément le plus utile de la page.

Ce que Hospital-bench mesure réellement

La ligne méthodologique du graphique est une seule phrase : « Mesurer dans quelle mesure les agents IA exécutent les opérations administratives d’un hôpital de 320 lits sur 13 systèmes connectés. » Le fil apporte un peu plus de détails. On confie aux agents 131 outils répartis sur ces treize systèmes et quarante-huit tâches issues du back-office d’un hôpital plutôt que de son volet clinique — autorisations préalables, demandes de remboursement refusées, demandes de dossiers. Aucun diagnostic, aucun triage, aucune imagerie. Le travail mesuré est celui qui génère la paperasse sur laquelle un hôpital fonctionne et les batailles du cycle des revenus qu’il perd.

Ce choix de domaine explique davantage la forme du classement que n’importe quelle affirmation sur l’intelligence générale. L’administration hospitalière est un problème de sélection d’outils avant d’être un problème de raisonnement. Une autorisation préalable est une recherche dans les règles de formulaire d’un payeur, un formulaire, une soumission, un suivi et un recours, et chacune de ces étapes réside dans un système différent avec une interface différente. Avec 131 outils disponibles et quarante-huit tâches à plusieurs étapes, un agent doit récupérer le bon sous-ensemble, maintenir la cohérence de l’état du dossier entre les tours et éviter l’échec spécifique qui définit ce travail : effectuer correctement onze étapes puis soumettre à la mauvaise file d’attente. Une évaluation conçue ainsi séparera les modèles sur la fiabilité bien avant de les distinguer sur l’habileté, ce que montrent exactement les deux colonnes.

Cela signifie aussi que les scores ne sont pas transférables à autre chose. Un modèle qui arrive en tête de Hospital-bench a démontré quelque chose sur les flux de travail administratifs ancrés dans des outils à grande échelle, et absolument rien sur sa capacité à écrire du code, à réussir un examen juridique ou à tenir une conversation. Interprétez le classement comme une déclaration sur des agents opérant une vaste surface d’outils selon des règles procédurales. Il s’agit d’une catégorie d’évaluation réelle et sous-desservie, et elle est plus étroite que « diriger un hôpital ».

Le tableau tel qu’affiché, de haut en bas

Voici le top dix complet publié, le score moyen en premier et le taux de réussite complet en second :

• GPT-6.2 Astra — 62,4 % de moyenne, 29,2 % de réussite (14 sur 48)

• Claude Fable 5.2 — 60,3 % en moyenne, 29,2 % de réussite (14 sur 48)

• G​emini 4 Neon — 59,8 % de moyenne, 31,3 % de réussite (15 sur 48)

• GPT-6.2 Sol — 57,6 % en moyenne, 25,0 % de réussite (12 sur 48)

• Claude Opus 5.5 — 55,6 % de moyenne, 35,4 % de réussite (17 sur 48)

• Muse Wonder — 53,6 % de moyenne, 27,1 % de réussite (13 sur 48)

• GPT-6.1 Sol — 50,0 % de moyenne, 12,5 % de réussite (6 sur 48)

• Claude Sonnet 5.5 — 47,7 % de moyenne, 29,2 % de réussite (14 sur 48)

• Gemini 4 Argon — 46,9 % de moyenne, 16,7 % de réussite (8 sur 48)

• GPT-6 Astra — 46,7 % en moyenne, 8,3 % de réussite (4 sur 48)

The Hospital-bench leaderboard graphic attached to the 20 November 2026 X thread, headed 'Hospital-bench' with the methodology line 'Measuring how well AI agents run the administrative operations of a 320-bed hospital across 13 connected systems', labelled 'Top 10 of 20 models' with columns 'Mean score' and 'Pass rate'. Rows read GPT-6.2 Astra 62.4% / 29.2%, Claude Fable 5.2 60.3% / 29.2%, Gemini 4 Neon 59.8% / 31.3%, GPT-6.2 Sol 57.6% / 25.0%, Claude Opus 5.5 55.6% / 35.4%, Muse Wonder 53.6% / 27.1%, GPT-6.1 Sol 50.0% / 12.5%, Claude Sonnet 5.5 47.7% / 29.2%, Gemini 4 Argon 46.9% / 16.7% and GPT-6 Astra 46.7% / 8.3%, on an axis running 0% to 100%.

Deux faits structurels concernant cette liste, avant toute interprétation. Le premier est que le classement compte vingt modèles et que seuls dix sont affichés, si bien que la moitié inférieure est invisible — et dans un domaine où le taux de réussite est la colonne intéressante, les modèles qui échouent à tout sont précisément ceux qui vous diraient à quel point le plancher est exigeant. Le second est que l’écart total entre le premier et le dixième est de 15,7 points de score moyen. Sur un benchmark comptant quarante-huit tâches et sans variance publiée, ce n’est pas un haut de classement très étendu. C’est un groupe compact avec un leader à sa tête.

L’ordonnancement générationnel est le signal le plus net du tableau et celui qui est le moins susceptible d’être un artefact. GPT-6.2 Astra, à 62,4 %, se situe 15,7 points au-dessus de GPT-6 Astra, à 46,7 %, et le taux de réussite passe de 8,3 % à 29,2 % — soit un bond de 3,5x dans les tâches accomplies proprement. GPT-6.2 Sol, à 57,6 %, se situe 7,6 points au-dessus de GPT-6.1 Sol, à 50,0 %, son taux de réussite doublant de 12,5 % à 25,0 %. Quoi que le benchmark mesure, il mesure quelque chose qui a évolué entre les générations, dans les deux gammes OpenAI, dans la même direction, avec une ampleur bien au-delà d’une erreur d’arrondi.

Pourquoi la colonne du taux de réussite compte davantage

Le score moyen est la moyenne sur l’ensemble des quarante-huit tâches avec crédit partiel. Le taux de réussite est la proportion de tâches que l’agent a terminées complètement. Ce sont des mesures différentes de choses différentes, et l’écart entre elles sur ce tableau est énorme : GPT-6.2 Astra obtient en moyenne 62,4 % mais termine 29,2 % des tâches, ce qui signifie que la tâche moyenne est notée environ deux tiers correcte alors que moins d’une sur trois est achevée. C’est la signature d’un agent qui réussit la majeure partie d’un workflow puis le perd à une étape.

Dans la plupart des benchmarks, la distinction est académique. Dans l’administration hospitalière, c’est tout l’enjeu. Une autorisation préalable soumise avec les bons codes à la mauvaise file du payeur obtient un bon score en crédit partiel et produit une demande de remboursement refusée. Une demande de dossier qui rassemble le bon ensemble de documents et omet l’entrée au registre des divulgations constitue un constat de non-conformité. Les tâches de ce domaine sont conçues pour que la dernière étape soit celle qui compte, ce qui signifie que la colonne du taux de réussite est plus proche d’une mesure de la confiance que l’on peut accorder à l’agent pour le flux de travail que ne l’est le score moyen, et c’est la colonne que presque personne n’a citée.

C'est aussi la colonne qui bénéficie du moins de soutien statistique. Quarante-huit tâches, c'est un petit dénominateur. Une tâche représente 2,08 points de pourcentage de taux de réussite ; la différence entre Claude Fable 5.2 et GPT-6.2 Astra — tous deux à 29,2 %, tous deux à quatorze tâches — est donc nulle, et la différence entre Gemini 4 Neon, à quinze tâches, et les deux leaders, à quatorze, tient à une seule tâche. Trois modèles sont séparés par une seule tâche sur quarante-huit. Considérez les trois premiers comme à égalité sur l'achèvement et séparés uniquement sur la moyenne, où les écarts sont de 2,1 et 0,5 point et tout aussi fragiles.

Opus 5.5 arrive premier là où ça compte

Claude Opus 5.5 est le modèle que le tableau avait pour but de mettre en évidence. Il se classe cinquième au score moyen avec 55,6 % — 6,8 points derrière le leader, ce qui n’est pas proche — et premier en passes complètes avec 35,4 %, dix-sept sur quarante-huit, trois tâches d’avance sur le modèle suivant. Aucun autre modèle du tableau n’inverse ainsi son rang. Claude Sonnet 5.5 le fait légèrement, huitième au score et à égalité troisième en passes. Gemini 4 Argon fait l’inverse, neuvième au score et neuvième en passes, ce qui est au moins cohérent.

Trois tâches ne constituent pas une grande marge, et il vaut la peine de le dire clairement : dix-sept contre quatorze sur quarante-huit est une différence qu’une seule tâche ambiguë pourrait effacer, et aucun intervalle de confiance n’est publié. Mais la direction est cohérente entre les deux modèles A​nthropic du classement, et elle indique un véritable arbitrage. Opus 5.5 semble consacrer davantage de tours et d’appels d’outils par tâche pour atteindre un état achevé, ce qui augmente son taux d’achèvement et plafonne sa moyenne. Astra atteint une moyenne plus élevée avec moins de finitions propres. Si vous achetez un agent pour un flux de travail où une requête à moitié traitée est pire qu’une requête lente, le modèle classé cinquième est le meilleur achat, et aucun classement par score moyen ne vous le dira.

Il existe une seconde lecture, moins flatteuse pour le benchmark. Un modèle peut augmenter son taux de réussite en refusant de tenter des tâches où il risque d’échouer, ou en s’arrêtant prématurément avec une réponse partielle que le correcteur considère comme complète. Sans la sortie au niveau des tâches — que le fil ne publie pas —, il n’existe aucun moyen de distinguer « termine une plus grande part de ce qu’il commence » de « termine une moindre part de ce qui lui est donné ». Le tableau étaye la première lecture. Il ne permet pas d’écarter la seconde.

Combien coûtent 131 outils par tâche

Hospital-bench est une évaluation coûteuse à exécuter, et coûteuse à exécuter de façon répétée, et le fil ne publie aucun chiffre de coût du tout. Cent trente et une définitions d’outils constituent un prompt système volumineux avant même que l’agent n’effectue la moindre action ; quarante-huit tâches à plusieurs étapes réparties sur vingt modèles représentent beaucoup de tokens d’entrée et beaucoup de tours. Tout coût par tâche que vous calculez à partir des prix des tokens sera un plancher, pas une estimation, car il omettra la récupération, les nouvelles tentatives et les appels d’outils échoués qu’une boucle agentique génère d’elle-même.

• Score moyen — GPT-6.2 Astra 62,4 % vs Gemini 4 Argon 46,9 %

• Taux de réussite complet — Astra 29,2 % contre Argon 16,7 %

• Prix d’entrée pour 1 M — Argon 2,00 $ vs Astra 8,00 $

• Prix de sortie pour 1M — Argon 10,00 $ vs Astra 40,00 $

• Outils concernés — 131, identiques pour chaque modèle du tableau

• Coût par tâche — non publié par l’évaluateur

A generated three-panel comparison card titled 'What the lead costs', with panels reading 'Mean score: Astra 62.4% vs Argon 46.9%', 'Full passes: Astra 14 of 48 vs Argon 8 of 48' and 'Price per 1M: Astra $8 in / $40 out vs Argon $2 in / $10 out', over a footer noting the evaluator publishes no cost per completed task.

Lisez ces deux blocs en les comparant, et le chiffre intéressant n’est pas l’écart moyen de 15,5 points. C’est que Argon coûte un quart d’Astra dans les deux sens et termine proprement un peu plus de la moitié du nombre de tâches d’Astra, ce qui ramène les deux modèles à un rapport inférieur à deux en coût par tâche terminée, malgré un prix quatre fois plus élevé. C’est un arbitrage bien plus serré que ne le suggère le classement, et c’est le genre de calcul que l’on ne peut faire que sur sa propre charge de travail, car le ratio dépend entièrement de la fréquence à laquelle vos tâches se terminent prématurément.

C'est ici qu'une couche de routage justifie sa place plutôt que de faire de la décoration. OrcaRouter répercute le prix catalogue du fournisseur à 0 % de marge, de sorte que les 8 $ et 40 $ ci-dessus correspondent à ce que vous payez par million de jetons, et non à un tarif fournisseur auquel s'ajoute une marge de plateforme — et comme la répercussion est en temps réel, une baisse de prix du fournisseur sur l'un ou l'autre des modèles apparaît sur votre facture le jour même de son annonce. Le basculement automatique compte davantage ici que sur une charge de travail de type conversationnel : une campagne agentique de quarante-huit tâches sur 131 outils finira par se heurter à une limite de débit quelque part, et un routage qui bascule vers le second modèle au lieu d'échouer en cours d'exécution vaut plus qu'un point de score moyen.

Il faut le dire clairement : GPT-6.2 Astra ne figure pas dans notre catalogue au 20 novembre. Les modèles O​penAI que nous proposons sont GPT-6 Astra, qui obtient 46,7 % et 8,3 % sur ce classement, et la gamme GPT-6 Sol, où GPT-6.2 Sol affiche 57,6 % et 25,0 %. Gemini 4 Argon est routable à 2 $ et 10 $. Tant qu'Astra n'est pas disponible ici, le modèle de notre catalogue le plus proche du haut de ce tableau est GPT-6.2 Sol, et le modèle le moins cher qui dépasse la génération précédente d'O​penAI est Argon.

Qu'est-ce qui changerait cette lecture ?

Quatre choses, à peu près par ordre d’impact sur la situation. La première est une page de méthodologie. On peut discuter d’un benchmark qui publie son ensemble de tâches, ses règles de notation et ses journaux d’exécution ; on ne peut pas discuter de celui qui publie une image du top dix. L’unique phrase au-dessus du tableau joue un rôle énorme, et chaque affirmation de cet article est circonscrite par elle.

Le deuxième point concerne les dix modèles manquants. Vingt ont été évalués et dix ont été présentés, et dans un domaine où le crédit partiel gonfle la moyenne, les modèles en bas de classement sont ceux qui permettent de calibrer la tâche. Si le modèle en onzième position est à 45 % de moyenne et 6 % de réussite, le classement est étalé. S’il est à 44 % et 2 %, le classement est une falaise et les dix premiers sont les seuls modèles capables de faire le travail.

Le troisième est une référence humaine. Hospital-bench ne publie aucun chiffre humain, et sans cela, il n’y a pas de réponse à la seule question qu’un acheteur se pose réellement : à savoir si un taux d’achèvement de 35,4 % est bon. Un spécialiste de la facturation médicale disposant des mêmes 131 outils et des quarante-huit tâches donnerait une échelle au tableau. Il n’en a aucune.

Le quatrième est une seconde exécution. Le modèle a quatre jours et l’évaluation ne porte que sur une seule campagne, et les benchmarks agentiques à longues chaînes d’outils présentent plus de variance d’une exécution à l’autre que les évaluations à tir unique — exactement la variance qu’un écart de 2,1 points entre le premier et le second ne peut absorber. Si Astra et Fable 5.2 se classent dans le même ordre trois fois, l’avance est réelle. Une seule fois, ce n’est qu’une entrée dans un classement.

Ce qui subsiste après les quatre réserves est plus étroit que le cadrage du fil de discussion et plus utile qu’un rejet. GPT-6.2 Astra est le meilleur modèle publié sur un benchmark d’administration agentique à vingt modèles, avec une avance qui se situe dans le bruit pour les complétions et hors du bruit en moyenne. Le saut générationnel est la partie difficile à écarter d’un revers de main — 15,7 points de score moyen et une amélioration de 3,5× des complétions propres par rapport à GPT-6 Astra, sur un classement qui n’a aucune raison de favoriser un fournisseur. Il s’agit d’un résultat réel concernant un travail administratif ancré dans les outils, publié par un évaluateur que personne ne peut encore vérifier, quatre jours après la livraison du modèle. Les deux parties de cette phrase doivent être énoncées d’un même souffle.

A generated single-column scoreboard titled 'Hospital-bench, top of the board' with six rows reading 'GPT-6.2 Astra 62.4% mean / 29.2% pass', 'Claude Fable 5.2 60.3% / 29.2%', 'Gemini 4 Neon 59.8% / 31.3%', 'GPT-6.2 Sol 57.6% / 25.0%', 'Claude Opus 5.5 55.6% / 35.4%' and 'Gemini 4 Argon 46.9% / 16.7%', with column headers 'Mean score' and 'Pass rate' and the footer '48 tasks, 20 models evaluated, top 10 published'.

Comparés dans cet article2

Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement