
GPT-6.2 Astra in testa a Hospital-Bench con il 62,4%: 14 attività su 48 completate senza errori
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 184 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 675 tok/s
- AlibabaNUOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1M di token · 385 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 87 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 213 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
Una valutazione su venti modelli pubblicata su X il 20 novembre 2026 colloca GPT-6.2 Astra al primo posto in Hospital-bench con un punteggio medio del 62,4% e un tasso di successo completo del 29,2% — quattordici dei quarantotto task completati senza problemi. Claude Fable 5.2 è secondo al 60,3%, Gemini 4 Neon terzo al 59,8%, e Claude Opus 5.5 quinto per punteggio al 55,6% mentre guida l'intero gruppo per successi completi al 35,4%, cioè diciassette su quarantotto. Gemini 4 Argon chiude nono al 46,9% di media e 16,7% di successi. Questi sono i numeri. Ciò che il thread non ti fornisce è la cosa che decide se significano qualcosa: il nome della startup che ha eseguito la valutazione, e una pagina di metodologia che puoi leggere.
Quel divario vale la pena nominarlo prima di ogni altra cosa, perché è la differenza tra una classifica e un benchmark. Il post descrive una società sostenuta da Y Combinator e rimanda solo alla propria grafica allegata; lo shortener rimanda all'immagine, non a un paper, a un repository GitHub o a una pagina di risultati. Non c'è alcun set di attività da ispezionare, alcun codice di scoring da leggere, alcuna baseline umana con cui confrontarsi. Tutto ciò che segue è quindi una lettura di un'unica tabella pubblicata e della frase stampata sopra di essa, e va citato in questo modo.
Niente di tutto ciò rende il risultato un lancio. OpenAI ha rilasciato GPT-6.2 Astra il 17 novembre 2026, tre giorni prima che il thread venisse pubblicato, e questa è un'altra classifica indipendente su cui il modello è comparso da allora. Ciò che è nuovo il 20 novembre è la classifica stessa — Hospital-bench non era mai emersa pubblicamente prima, e un campo di venti modelli con una top ten pubblicata rappresenta una grande quantità di segnale arrivata in un'unica immagine. Il motivo per cui merita una lettura attenta anziché una passerella trionfale è che le due colonne presenti non concordano su chi abbia vinto, e il disaccordo è la cosa più utile della pagina.
Cosa misura effettivamente Hospital-bench
La riga della metodologia nell'infografica è una singola frase: "Misurare quanto bene gli agenti AI gestiscono le operazioni amministrative di un ospedale da 320 posti letto attraverso 13 sistemi connessi." Il thread aggiunge qualche dettaglio. Agli agenti vengono affidati 131 strumenti distribuiti su quei tredici sistemi e quarantotto attività tratte dal back office di un ospedale anziché dal suo lato clinico: autorizzazioni preventive, richieste di rimborso respinte, richieste di documentazione. Nessuna diagnosi, nessun triage, nessuna diagnostica per immagini. Il lavoro misurato è quello che genera la documentazione su cui si regge un ospedale e le battaglie del ciclo dei ricavi che perde.
Quella scelta di dominio spiega la forma della classifica più di qualsiasi affermazione sull’intelligenza generale. L’amministrazione ospedaliera è un problema di selezione degli strumenti prima ancora che un problema di ragionamento. Un’autorizzazione preventiva è una consultazione delle regole del prontuario di un pagatore, un modulo, un invio, un follow-up e un ricorso, e ciascuno di questi passaggi vive in un sistema diverso con un’interfaccia diversa. Con 131 strumenti disponibili e quarantotto attività a più passaggi, un agente deve recuperare il sottoinsieme giusto, mantenere coerente lo stato del caso attraverso i turni ed evitare il fallimento specifico che definisce questo lavoro: eseguire undici passaggi correttamente e poi inviare alla coda sbagliata. Una valutazione costruita così distinguerà i modelli sull’affidabilità molto prima di distinguerli sull’astuzia, ed è esattamente ciò che mostrano le due colonne.
Significa anche che i punteggi non sono trasferibili ad altro. Un modello che è in testa a Hospital-bench ha dimostrato qualcosa sui flussi di lavoro amministrativi basati su strumenti su larga scala, e assolutamente nulla sulla sua capacità di scrivere codice, superare un esame di legge o sostenere una conversazione. Leggi la classifica come un'affermazione sugli agenti che operano su un'ampia superficie di strumenti nel rispetto di regole procedurali. Si tratta di una categoria di valutazione reale e poco servita, e più ristretta di gestire un ospedale.
La bacheca così come pubblicata, dall'alto verso il basso
Ecco la classifica completa dei primi dieci pubblicata, prima il punteggio medio e poi il tasso di superamento completo:
• GPT-6.2 Astra — 62,4% media, 29,2% superamento (14 su 48)
• Claude Fable 5.2 — 60,3% di media, 29,2% di superamento (14 su 48)
• Gemini 4 Neon — 59,8% di media, 31,3% di superamento (15 su 48)
• GPT-6.2 Sol — media 57,6%, superamento 25,0% (12 su 48)
• Claude Opus 5.5 — 55,6% di media, 35,4% di superamento (17 su 48)
• Muse Wonder — media 53,6%, superamento 27,1% (13 su 48)
• GPT-6.1 Sol — media 50,0%, 12,5% di successo (6 su 48)
• Claude Sonnet 5.5 — 47,7% media, 29,2% superamento (14 su 48)
• Gemini 4 Argon — 46,9% di media, 16,7% di superamento (8 su 48)
• GPT-6 Astra — 46,7% media, 8,3% superamento (4 su 48)

Due fatti strutturali su quella lista prima di qualsiasi interpretazione. Il primo è che il campo conta venti modelli e solo dieci sono mostrati, quindi la metà inferiore è invisibile — e in un dominio in cui il tasso di superamento è la colonna interessante, i modelli che falliscono tutto sono quelli che ti direbbero quanto è difficile il livello minimo. Il secondo è che l'intera ampiezza dal primo al decimo è di 15,7 punti di punteggio medio. Su un benchmark con quarantotto attività e nessuna varianza pubblicata, non è una parte alta ampia. È un gruppo compatto con un leader al suo interno.
L'ordinamento generazionale è il segnale più netto nella tabella e quello meno probabilmente dovuto a un artefatto. GPT-6.2 Astra al 62,4% si colloca 15,7 punti sopra GPT-6 Astra al 46,7%, e il tasso di successo passa dall'8,3% al 29,2% — un salto di 3,5 volte nelle attività completate correttamente. GPT-6.2 Sol al 57,6% si colloca 7,6 punti sopra GPT-6.1 Sol al 50,0%, con il suo tasso di successo che raddoppia dal 12,5% al 25,0%. Qualunque cosa stia misurando il benchmark, sta misurando qualcosa che è cambiato tra le generazioni, in entrambe le linee OpenAI, nella stessa direzione, con una grandezza ben al di là di un errore di arrotondamento.
Perché la colonna del tasso di superamento conta di più
Il punteggio medio è la media su tutte le quarantotto attività con credito parziale. Il tasso di completamento è la quota di attività che l’agente ha portato a termine completamente. Sono misurazioni diverse di cose diverse, e su questa classifica il divario tra le due è enorme: GPT-6.2 Astra ha una media del 62,4% ma completa il 29,2% delle attività, il che significa che l’attività media viene valutata circa due terzi corretta mentre meno di una su tre viene portata a termine. È il segno distintivo di un agente che azzecca gran parte di un flusso di lavoro e poi lo perde a un passaggio.
Nella maggior parte dei benchmark la distinzione è accademica. Nell'amministrazione ospedaliera è l'intero prodotto. Un'autorizzazione preventiva inviata con i codici corretti alla coda del pagatore sbagliato ottiene un buon punteggio in termini di credito parziale e produce una richiesta rifiutata. Una richiesta di documentazione che raccoglie l'insieme corretto di documenti e omette la voce del registro delle comunicazioni costituisce un rilievo di non conformità. I task in questo dominio sono costruiti in modo che l'ultimo passaggio sia quello che conta, il che significa che la colonna del tasso di superamento è più vicina a una misura dell'affidabilità dell'agente sul flusso di lavoro di quanto lo sia il punteggio medio, ed è la colonna che quasi nessuno ha citato.
È anche la colonna con il minor supporto statistico. Quarantotto attività costituiscono un denominatore piccolo. Un'attività vale 2,08 punti percentuali del tasso di superamento, quindi la differenza tra Claude Fable 5.2 e GPT-6.2 Astra — entrambi al 29,2%, entrambi a quattordici attività — è zero, e la differenza tra Gemini 4 Neon a quindici attività e i due leader a quattordici è di un'attività. Tre modelli sono separati da una sola attività su quarantotto. Considera i primi tre come pari sul completamento e separati solo sulla media, dove i divari sono di 2,1 e 0,5 punti e altrettanto fragili.
Opus 5.5 arriva primo dove conta
Claude Opus 5.5 è il modello che la tabella è stata costruita per mettere in luce. Si classifica quinto per punteggio medio al 55,6%, 6,8 punti dietro il leader, il che non è un distacco ravvicinato, e primo per superamenti completi al 35,4%, diciassette su quarantotto, con tre attività di vantaggio sul modello successivo. Nessun altro modello della classifica inverte il proprio rango in quel modo. Claude Sonnet 5.5 lo fa in modo lieve, ottavo per punteggio e terzo a pari merito per superamenti. Gemini 4 Argon fa l'opposto, nono per punteggio e nono per superamenti, il che è almeno coerente.
Un margine di tre attività non è ampio, e vale la pena dirlo chiaramente: diciassette contro quattordici su quarantotto è una differenza che una singola attività ambigua potrebbe annullare, e non viene pubblicato alcun intervallo di confidenza. Ma la direzione è coerente tra i due modelli Anthropic in classifica, e indica un compromesso reale. Opus 5.5 sembra impiegare più turni e più chiamate agli strumenti per attività per raggiungere uno stato di completamento, il che aumenta il suo tasso di completamento e ne limita la media. Astra raggiunge una media più alta con meno completamenti puliti. Se stai acquistando un agente per un flusso di lavoro in cui una richiesta completata a metà è peggio di una lenta, il modello al quinto posto è l'acquisto migliore, e nessuna classifica basata sul punteggio medio te lo dirà.
Esiste una seconda lettura, meno lusinghiera per il benchmark. Un modello può aumentare il proprio tasso di successo astenendosi dal tentare compiti che probabilmente fallirebbe, oppure terminando in anticipo con una risposta parziale che il valutatore considera completa. Senza l’output a livello di singolo compito — che il thread non pubblica — non c’è modo di distinguere “porta a termine una quota maggiore di ciò che inizia” da “porta a termine una quota minore di ciò che gli viene assegnato”. La tabella sostiene la prima lettura. Non può escludere la seconda.
Quanto costano 131 strumenti per attività
Hospital-bench è una valutazione costosa da eseguire e costosa da eseguire ripetutamente, e il thread non pubblica alcuna cifra di costo. Centotrentuno definizioni di strumenti sono un prompt di sistema grande prima che l'agente compia una singola azione; quarantotto attività a più passaggi su venti modelli sono molti token di input e molti turni. Qualsiasi costo per attività calcolato dai prezzi dei token sarà un limite inferiore, non una stima, perché mancherà il retrieval, i tentativi ripetuti e le chiamate agli strumenti fallite che un ciclo agentico genera da solo.
• Punteggio medio — GPT-6.2 Astra 62,4% vs Gemini 4 Argon 46,9%
• Tasso full-pass — Astra 29,2% vs Argon 16,7%
• Prezzo di input per 1M — Argon 2,00 $ vs Astra 8,00 $
• Prezzo dell'output per 1M — Argon $10,00 vs Astra $40,00
• Strumenti nell'ambito — 131, identici per ogni modello della board
• Costo per attività — non pubblicato dal valutatore

Confronta quei due blocchi e il numero interessante non è il divario medio di 15,5 punti. È che Argon costa un quarto di Astra in entrambe le direzioni e completa poco più della metà dei task in modo pulito, il che colloca i due modelli entro un fattore due l'uno dall'altro sul costo per task completato nonostante una differenza di prezzo di 4x. È un verdetto molto più incerto di quanto suggerisca la classifica, ed è il tipo di calcolo che puoi fare solo sul tuo carico di lavoro, perché il rapporto dipende interamente da quanto spesso i tuoi task terminano in anticipo.
È qui che un livello di routing si guadagna il suo posto invece di essere pura decorazione. OrcaRouter trasferisce il prezzo di listino del provider con uno 0% di ricarico, quindi gli 8 $ e i 40 $ indicati sopra sono ciò che paghi per milione di token anziché una tariffa del fornitore con sopra un margine di piattaforma — e poiché il pass-through è in tempo reale, un taglio di prezzo del fornitore su uno dei due modelli compare sulla tua fattura lo stesso giorno in cui viene annunciato. Il failover automatico conta più qui che su un carico di lavoro di chat: una campagna agentica di quarantotto attività su 131 strumenti incapperà da qualche parte in un limite di frequenza, e una rotta che passa al secondo modello invece di morire a metà esecuzione vale più di un punto di punteggio medio.
Va detto chiaramente: GPT-6.2 Astra non è presente nel nostro catalogo al 20 novembre. I modelli OpenAI che serviamo sono GPT-6 Astra, che ottiene 46,7% e 8,3% in questa classifica, e la linea GPT-6 Sol, in cui GPT-6.2 Sol registra 57,6% e 25,0%. Gemini 4 Argon è instradabile a $2 e $10. Finché Astra non sarà disponibile qui, il modello del nostro catalogo più vicino alla cima di questa tabella è GPT-6.2 Sol, e il modello più economico che supera la precedente generazione OpenAI è Argon.
Cosa cambierebbe questa lettura
Quattro cose, più o meno in ordine di quanto sposterebbero il quadro. La prima è una pagina di metodologia. Un benchmark che pubblica il proprio set di attività, le proprie regole di punteggio e i propri log di esecuzione può essere messo in discussione; uno che pubblica un’immagine della classifica dei primi dieci no. La singola frase sopra la tabella sta facendo un lavoro enorme, e ogni affermazione in questo articolo è circoscritta da essa.
Il secondo punto riguarda i dieci modelli mancanti. Ne sono stati valutati venti e ne sono stati mostrati dieci, e in un ambito in cui il credito parziale gonfia la media, i modelli in fondo sono quelli che calibrano il compito. Se il modello all'undicesimo posto ha una media del 45% e un tasso di superamento del 6%, la graduatoria è distribuita. Se è al 44% e al 2%, la graduatoria è un precipizio e i primi dieci sono gli unici modelli in grado di svolgere il lavoro.
Il terzo è una baseline umana. Hospital-bench non pubblica alcun valore umano e, senza di esso, non c'è risposta all'unica domanda che un acquirente si pone davvero, cioè se un completamento del 35,4% sia buono. Uno specialista di fatturazione sanitaria con gli stessi 131 strumenti e quarantotto attività darebbe alla tabella una scala. Non ne ha alcuna.
Il quarto è una seconda esecuzione. Il modello ha quattro giorni e la valutazione è una singola campagna, e i benchmark agentici con lunghe catene di strumenti hanno più variabilità da un'esecuzione all'altra rispetto alle valutazioni a colpo singolo — che è esattamente la variabilità che un divario di 2,1 punti tra primo e secondo non può assorbire. Se Astra e Fable 5.2 si piazzano nello stesso ordine tre volte, il vantaggio è reale. Una volta soltanto, è solo una voce in classifica.
Ciò che sopravvive a tutte e quattro le avvertenze è più ristretto dell’inquadramento del thread e più utile di una liquidazione. GPT-6.2 Astra è il miglior modello pubblicato su un benchmark di amministrazione agentica con venti modelli, con un margine che rientra nel rumore sul completamento e ne è fuori sulla media. Il salto generazionale è la parte difficile da spiegare via: 15,7 punti di punteggio medio e un miglioramento di 3,5x nei completamenti puliti rispetto a GPT-6 Astra, su una classifica che non ha motivo di favorire un fornitore. È un risultato reale sul lavoro amministrativo basato su strumenti, pubblicato da un valutatore che nessuno può ancora verificare, quattro giorni dopo il rilascio del modello. Entrambe le metà di quella frase vanno tenute nello stesso respiro.

Confrontati in questo articolo1
Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno
