
GPT-6.2 Astra voert Hospital-Bench aan met 62,4%: 14 van 48 taken foutloos
- OrcaNIEUWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 mln tokens · 184 tok/s
- tencentNIEUWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 mln tokens · 675 tok/s
- AlibabaNIEUWQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 mln tokens · 385 tok/s
- GoogleNIEUWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 mln tokens · 87 tok/s
- AnthropicNIEUWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 mln tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 mln tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 mln tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 mln tokens · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 mln tokens · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 mln tokens · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 mln tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligentie
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 mln tokens · 213 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligentie
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 mln tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligentie
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 mln tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligentie
Een evaluatie van twintig modellen die op 20 november 2026 op X werd geplaatst, zet GPT-6.2 Astra op de eerste plaats op Hospital-bench met een gemiddelde score van 62,4% en een percentage volledig geslaagde runs van 29,2% — veertien van de achtenveertig taken werden foutloos voltooid. Claude Fable 5.2 staat tweede met 60,3%, Gemini 4 Neon derde met 59,8%, en Claude Opus 5.5 vijfde qua score met 55,6%, terwijl het het hele veld aanvoert op volledig geslaagde runs met 35,4%, dat wil zeggen zeventien van achtenveertig. Gemini 4 Argon eindigt negende met een gemiddelde van 46,9% en 16,7% volledig geslaagd. Dat zijn de cijfers. Wat de thread je niet geeft, is juist hetgeen bepaalt of ze iets betekenen: de naam van de startup die de evaluatie uitvoerde, en een methodologiepagina die je kunt lezen.
Die leemte is het waard om als eerste te benoemen, want dat is het verschil tussen een ranglijst en een benchmark. De post beschrijft een door Y Combinator gesteund bedrijf en linkt alleen naar de eigen bijgevoegde afbeelding; de linkverkorter verwijst terug naar de afbeelding, niet naar een paper, een GitHub-repository of een resultatenpagina. Er is geen takenverzameling om te inspecteren, geen scoreringscode om te lezen, geen menselijke baseline om mee te vergelijken. Alles hieronder is daarom gebaseerd op het lezen van één gepubliceerde tabel en de zin die erboven staat, en moet ook zo worden geciteerd.
Niets daarvan maakt van het resultaat een lancering. OpenAI bracht GPT-6.2 Astra uit op 17 november 2026, drie dagen voordat de thread verscheen, en dit is nog een onafhankelijke ranglijst waarop het model sindsdien is verschenen. Wat nieuw is op 20 november, is de ranglijst zelf — Hospital-bench was nog niet eerder publiekelijk opgedoken, en een deelnemersveld van twintig modellen met een gepubliceerde top tien is een grote hoeveelheid signaal om in één afbeelding te krijgen. De reden dat het een zorgvuldige lezing verdient in plaats van een overwinningsrondje, is dat de twee kolommen erop het oneens zijn over wie er gewonnen heeft, en die onenigheid is het nuttigste ding op de pagina.
Wat Hospital-bench daadwerkelijk meet
De methodologieregel in de afbeelding is één zin: "Meet hoe goed AI-agenten de administratieve processen van een ziekenhuis met 320 bedden over 13 gekoppelde systemen uitvoeren." De thread vult dat nog wat verder aan. Agenten krijgen 131 tools verdeeld over die dertien systemen en achtenveertig taken die afkomstig zijn uit de backoffice van een ziekenhuis in plaats van de klinische kant — voorafgaande machtigingen, afgewezen claims, dossieraanvragen. Geen diagnose, geen triage, geen beeldvorming. Het werk dat wordt gemeten, is het werk dat het papierwerk oplevert waarop een ziekenhuis draait en de gevechten in de revenuecycle die het verliest.
Die domeinkeuze verklaart de vorm van de benchmark beter dan welke bewering over algemene intelligentie dan ook. Ziekenhuisadministratie is een probleem van toolselectie voordat het een redeneerprobleem is. Een voorafgaande machtiging is een opzoeking tegen de formulariumregels van een betaler, een formulier, een indiening, een opvolging en een bezwaar, en elk van die stappen leeft in een ander systeem met een andere interface. Met 131 beschikbare tools en achtenveertig taken met meerdere stappen moet een agent de juiste subset ophalen, de casestatus over de beurten heen consistent houden en de specifieke fout vermijden die dit werk definieert: elf stappen correct uitvoeren en vervolgens indienen bij de verkeerde wachtrij. Een evaluatie die zo is opgebouwd, zal modellen veel eerder op betrouwbaarheid scheiden dan op slimheid, en dat is precies wat de twee kolommen laten zien.
Het betekent ook dat de scores niet overdraagbaar zijn naar iets anders. Een model dat bovenaan Hospital-bench staat, heeft iets aangetoond over tool-gebaseerde administratieve workflows op schaal, en helemaal niets over of het code kan schrijven, een juridisch examen kan halen of een gesprek kan voeren. Lees het scorebord als een uitspraak over agents die een groot oppervlak aan tools bedienen volgens procedurele regels. Dat is een echte en onderbediende evaluatiecategorie, en die is smaller dan "een ziekenhuis runnen."
Het bord zoals geplaatst, van boven naar beneden
Hier is de volledige gepubliceerde top tien, met eerst de gemiddelde score en als tweede het percentage volledig geslaagde runs:
• GPT-6.2 Astra — 62,4% gemiddeld, 29,2% geslaagd (14 van 48)
• Claude Fable 5.2 — 60,3% gemiddeld, 29,2% geslaagd (14 van 48)
• Gemini 4 Neon — 59,8% gemiddelde, 31,3% geslaagd (15 van 48)
• GPT-6.2 Sol — 57,6% gemiddelde, 25,0% geslaagd (12 van 48)
• Claude Opus 5.5 — 55,6% gemiddelde, 35,4% geslaagd (17 van 48)
Muse Wonder — 53,6% gemiddelde, 27,1% geslaagd (13 van 48)
• GPT-6.1 Sol — 50,0% gemiddelde, 12,5% geslaagd (6 van 48)
• Claude Sonnet 5.5 — 47,7% gemiddelde, 29,2% geslaagd (14 van 48)
• Gemini 4 Argon — 46,9% gemiddelde, 16,7% geslaagd (8 van 48)
• GPT-6 Astra — 46,7% gemiddeld, 8,3% geslaagd (4 van 48)

Twee structurele feiten over die lijst, vóór elke interpretatie. Het eerste is dat het veld twintig modellen diep is en er maar tien worden getoond, dus de onderste helft is onzichtbaar — en in een domein waar het slagingspercentage de interessante kolom is, zijn juist de modellen die op alles falen degenen die je zouden vertellen hoe hoog de ondergrens ligt. Het tweede is dat de hele spreiding van de eerste tot de tiende 15,7 punten gemiddelde score bedraagt. Op een benchmark met achtenveertig taken en geen gepubliceerde variantie is dat geen brede top. Het is een cluster met een koploper erin.
De ordening per generatie is het duidelijkste signaal in de tabel en het minst waarschijnlijk een artefact. GPT-6.2 Astra op 62,4% ligt 15,7 punten boven GPT-6 Astra op 46,7%, en het slagingspercentage gaat van 8,3% naar 29,2% — een sprong van 3,5x in taken die foutloos worden voltooid. GPT-6.2 Sol op 57,6% ligt 7,6 punten boven GPT-6.1 Sol op 50,0%, waarbij het slagingspercentage verdubbelt van 12,5% naar 25,0%. Wat de benchmark ook meet, hij meet iets dat tussen generaties is verschoven, in beide OpenAI-lijnen, in dezelfde richting, met een omvang die ruim buiten een afrondingsfout valt.
Waarom de kolom met slagingspercentage belangrijker is
De gemiddelde score is het gemiddelde over alle achtenveertig taken met deelpunten. Het slagingspercentage is het aandeel taken dat de agent volledig heeft afgerond. Dat zijn verschillende metingen van verschillende dingen, en de kloof daartussen op deze leaderboard is enorm: GPT-6.2 Astra scoort gemiddeld 62,4% maar rondt 29,2% van de taken volledig af, wat betekent dat de gemiddelde taak rond twee derde correct wordt gescoord, terwijl minder dan één op de drie wordt afgerond. Dat is het kenmerk van een agent die het grootste deel van een workflow goed doet en het dan bij één stap verliest.
In de meeste benchmarks is het onderscheid academisch. In ziekenhuisadministratie is het het hele product. Een voorafgaande machtiging die met de juiste codes bij de verkeerde betalerwachtrij wordt ingediend, scoort goed op deelpunten en levert een afgewezen claim op. Een dossierverzoek dat de juiste documentenset samenstelt en de vermelding in het openbaarmakingslogboek mist, is een compliancebevinding. De taken in dit domein zijn zo opgebouwd dat de laatste stap degene is die ertoe doet, wat betekent dat de kolom met slagingspercentages dichter bij een maatstaf ligt voor of de agent met de workflow kan worden vertrouwd dan de gemiddelde score, en het is de kolom die bijna niemand aanhaalde.
Deze kolom heeft ook de minste statistische ondersteuning. Achtenveertig taken is een kleine noemer. Eén taak staat voor 2,08 procentpunt van het slagingspercentage, dus het verschil tussen Claude Fable 5.2 en GPT-6.2 Astra — beide op 29,2%, beide op veertien taken — is nul, en het verschil tussen Gemini 4 Neon op vijftien taken en de twee koplopers op veertien is één taak. Slechts één taak van de achtenveertig scheidt drie modellen. Beschouw de top drie als gelijk op voltooiing en alleen onderscheiden op het gemiddelde, waar de verschillen 2,1 en 0,5 punt bedragen en even fragiel zijn.
Opus 5.5 eindigt als eerste waar het telt
Claude Opus 5.5 is het model dat de tabel moest blootleggen. Het staat vijfde op gemiddelde score met 55,6% — 6,8 punten achter de koploper, wat niet dichtbij is — en eerste op volledige passes met 35,4%, zeventien van achtenveertig, drie taken voor op het volgende model. Geen enkel ander model op de ranglijst keert zijn positie zo om. Claude Sonnet 5.5 doet dat in mildere mate: achtste op score en gedeeld derde op passes. Gemini 4 Argon doet het omgekeerde: negende op score en negende op passes, wat ten minste consistent is.
Drie taken is geen grote marge, en het is de moeite waard om dat ronduit te zeggen: zeventien tegen veertien van de achtenveertig is een verschil dat één enkele dubbelzinnige taak zou kunnen uitwissen, en er wordt geen betrouwbaarheidsinterval gepubliceerd. Maar de richting is consistent bij de twee Anthropic-modellen op de ranglijst, en wijst op een echte afweging. Opus 5.5 lijkt meer beurten en meer tool-aanroepen per taak te besteden om een voltooide status te bereiken, wat het voltooiingspercentage verhoogt en het gemiddelde begrenst. Astra bereikt een hoger gemiddelde met minder schone afrondingen. Als je een agent koopt voor een workflow waarin een halfvoltooide claim erger is dan een trage, is het model op de vijfde plaats de betere aankoop, en geen enkele rangschikking op gemiddelde score zal je dat vertellen.
Er is een tweede interpretatie, minder flatteus voor de benchmark. Een model kan zijn slagingspercentage verhogen door taken die het waarschijnlijk niet haalt niet te proberen, of door vroegtijdig te stoppen met een gedeeltelijk antwoord dat de beoordelaar als volledig beschouwt. Zonder de output op taakniveau — die de thread niet publiceert — is er geen manier om onderscheid te maken tussen "meer afmaakt van wat het begint" en "minder afmaakt van wat het krijgt". De tabel ondersteunt de eerste interpretatie. De tweede kan niet worden uitgesloten.
Wat kosten 131 tools per taak?
Hospital-bench is een dure evaluatie om uit te voeren en een dure om herhaaldelijk uit te voeren, en de thread publiceert helemaal geen kostencijfer. Honderdeenendertig tooldefinities vormen een grote system prompt voordat de agent ook maar één actie onderneemt; achtenveertig taken met meerdere stappen over twintig modellen is een hoop inputtokens en een hoop beurten. Elke kostenberekening per taak op basis van tokenprijzen is een ondergrens, geen schatting, omdat ze de retrieval, de herhaalpogingen en de mislukte tool-aanroepen mist die een agentische lus zelf genereert.
• Gemiddelde score — GPT-6.2 Astra 62,4% vs. Gemini 4 Argon 46,9%
• Percentage volledig geslaagd — Astra 29,2% vs Argon 16,7%
• Invoerprijs per 1M — Argon $2,00 vs Astra $8,00
• Prijs per 1M output — Argon $10,00 vs Astra $40,00
• Tools binnen scope — 131, identiek voor elk model op het bord
• Kosten per taak — niet gepubliceerd door de evaluator

Lees die twee blokken tegen elkaar en het interessante getal is niet het gemiddelde verschil van 15,5 punt. Het is dat Argon in beide richtingen een kwart van Astra kost en iets meer dan de helft zoveel taken schoon voltooit, waardoor de twee modellen qua kosten per voltooide taak binnen een factor twee van elkaar liggen, ondanks een prijsverschil van 4x. Dat is een veel nippender vergelijking dan de ranglijst suggereert, en het is het soort berekening dat je alleen op je eigen workload kunt maken, omdat de verhouding volledig afhangt van hoe vaak je taken vroegtijdig eindigen.
Dit is waar een routeringslaag zijn bestaansrecht verdient in plaats van decoratie te zijn. OrcaRouter geeft de lijstprijs van de provider door tegen 0% opslag, dus de $8 en $40 hierboven zijn wat je per miljoen tokens betaalt, in plaats van een leverancierstarief met een platformmarge er bovenop — en omdat de doorgifte live gebeurt, verschijnt een prijsverlaging van de leverancier op een van beide modellen dezelfde dag dat die wordt aangekondigd op je factuur. Automatische failover is hier belangrijker dan bij een chatworkload: een agentische campagne met achtenveertig taken tegen 131 tools zal ergens een rate limit raken, en een route die overschakelt naar het tweede model in plaats van midden in de run te stoppen, is meer waard dan één punt gemiddelde score.
Duidelijk gezegd: GPT-6.2 Astra staat per 20 november niet in onze catalogus. De OpenAI-modellen die wij aanbieden zijn GPT-6 Astra, dat op deze ranglijst 46,7% en 8,3% scoort, en de GPT-6 Sol-lijn, waar GPT-6.2 Sol 57,6% en 25,0% haalt. Gemini 4 Argon is routeerbaar voor $2 en $10. Totdat Astra hier beschikbaar is, is het model in onze catalogus dat het dichtst bij de top van deze tabel komt, GPT-6.2 Sol, en het goedkoopste model dat de vorige OpenAI-generatie verslaat, is Argon.
Wat zou deze interpretatie veranderen?
Vier dingen, ongeveer in de volgorde van hoeveel ze het beeld zouden veranderen. Het eerste is een methodologiepagina. Over een benchmark die zijn taakset, zijn scoringsregels en zijn runlogs publiceert, valt te discussiëren; over een die een top-tienafbeelding publiceert, niet. De enkele zin boven de tabel verricht enorm veel werk, en elke bewering in dit artikel wordt erdoor begrensd.
Het tweede zijn de ontbrekende tien modellen. Twintig werden geëvalueerd en tien werden getoond, en in een domein waar deelpunten het gemiddelde opdrijven, zijn de modellen onderaan degenen die de taak kalibreren. Als het model op de elfde plaats een gemiddelde van 45% en 6% slagingspercentage heeft, is de ranglijst een spreiding. Als het op 44% en 2% staat, is de ranglijst een afgrond en zijn de bovenste tien de enige modellen die het werk überhaupt aankunnen.
De derde is een menselijke baseline. Hospital-bench publiceert geen menselijk cijfer, en zonder dat is er geen antwoord op de enige vraag die een koper werkelijk heeft, namelijk of 35,4% voltooiing goed is. Een specialist in medische facturatie met dezelfde 131 tools en achtenveertig taken zou de tabel een schaal geven. Die heeft de tabel niet.
Het vierde is een tweede run. Het model is vier dagen oud en de evaluatie is één enkele campagne, en agentische benchmarks met lange toolketens hebben meer variantie tussen runs dan single-shot-evaluaties — precies de variantie die een verschil van 2,1 punt tussen de eerste en de tweede niet kan absorberen. Als Astra en Fable 5.2 drie keer in dezelfde volgorde eindigen, is de voorsprong echt. Eén keer is het een notering op een ranglijst.
Wat alle vier de kanttekeningen overleeft, is beperkter dan de framing van de thread en nuttiger dan een afwijzing. GPT-6.2 Astra is het beste model dat is gepubliceerd op een agentische administratiebenchmark met twintig modellen, met een marge die bij voltooiing binnen de ruis valt en gemiddeld erbuiten. De generatieoverstap is het deel dat moeilijk weg te redeneren is — 15,7 punten gemiddelde score en een 3,5x verbetering in schone voltooiingen ten opzichte van GPT-6 Astra, op een board waarop geen reden is om één leverancier te bevoordelen. Dat is een echt resultaat over tool-gebaseerd administratief werk, gepubliceerd door een evaluator die nog niemand kan controleren, vier dagen nadat het model is uitgebracht. Beide helften van die zin horen in één adem genoemd te worden.

Vergeleken in dit artikel1
Herkend uit dit artikel · Benchmarks: Artificial Analysis · dagelijks bijgewerkt
