
GPT-6.2 Astra lidera o Hospital-Bench com 62,4%: 14 de 48 tarefas sem falhas
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 184 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 727 tok/s
- AlibabaNOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 407 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNOVOAnthropic: 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 · 83 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 · 108 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 · 90 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 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
Uma avaliação de vinte modelos publicada no X em 20 de novembro de 2026 coloca o GPT-6.2 Astra em primeiro lugar no Hospital-bench, com pontuação média de 62,4% e taxa de aprovação completa de 29,2% — quatorze das quarenta e oito tarefas concluídas sem falhas. Claude Fable 5.2 é o segundo, com 60,3%, Gemini 4 Neon é o terceiro, com 59,8%, e Claude Opus 5.5 é o quinto em pontuação, com 55,6%, enquanto lidera todo o campo em aprovações completas, com 35,4%, ou seja, dezessete de quarenta e oito. Gemini 4 Argon termina em nono lugar, com média de 46,9% e taxa de aprovação de 16,7%. Esses são os números. O que a thread não entrega é aquilo que decide se eles significam alguma coisa: o nome da startup que realizou a avaliação e uma página de metodologia que você possa ler.
Essa lacuna merece ser nomeada antes de qualquer outra coisa, porque é a diferença entre um leaderboard e um benchmark. O post descreve uma empresa apoiada pela Y Combinator e inclui link apenas para seu próprio gráfico anexado; o encurtador redireciona de volta para a imagem, não para um artigo, um repositório no GitHub ou uma página de resultados. Não há conjunto de tarefas para inspecionar, nenhum código de pontuação para ler, nenhuma linha de base humana para comparar. Portanto, tudo abaixo é uma leitura de uma única tabela publicada e da frase impressa acima dela, e deve ser citado dessa forma.
Nada disso faz do resultado um lançamento. A OpenAI lançou o GPT-6.2 Astra em 17 de novembro de 2026, três dias antes de a thread ser publicada, e este é outro ranking independente em que o modelo apareceu desde então. O que há de novo em 20 de novembro é o próprio ranking — o Hospital-bench não tinha surgido publicamente antes, e um conjunto de vinte modelos com um top ten publicado é uma grande quantidade de sinal para chegar em uma única imagem. A razão pela qual ele merece uma leitura cuidadosa em vez de uma celebração é que as duas colunas nele discordam sobre quem venceu, e a discordância é a coisa mais útil na página.
O que o Hospital-bench realmente mede
A linha de metodologia no gráfico é uma única frase: "Medindo quão bem agentes de IA executam as operações administrativas de um hospital de 320 leitos em 13 sistemas conectados." A thread acrescenta um pouco mais. Os agentes recebem 131 ferramentas distribuídas por esses treze sistemas e quarenta e oito tarefas extraídas da retaguarda administrativa de um hospital, e não da sua área clínica — autorizações prévias, cobranças negadas, solicitações de prontuários. Sem diagnóstico, sem triagem, sem exames de imagem. O trabalho que está sendo medido é aquele que gera a papelada que sustenta a operação de um hospital e as disputas do ciclo de receita que ele perde.
Essa escolha de domínio explica mais o formato do ranking do que qualquer alegação sobre inteligência geral. A administração hospitalar é um problema de seleção de ferramentas antes de ser um problema de raciocínio. Uma autorização prévia é uma consulta às regras de formulário de um pagador, um formulário, um envio, um acompanhamento e um recurso, e cada uma dessas etapas fica em um sistema diferente com uma interface diferente. Com 131 ferramentas disponíveis e quarenta e oito tarefas de várias etapas, um agente precisa recuperar o subconjunto certo, manter o estado do caso coerente ao longo dos turnos e evitar a falha específica que define este trabalho: executar onze etapas corretamente e então enviar para a fila errada. Uma avaliação construída assim separará os modelos pela confiabilidade muito antes de separá-los pela esperteza, que é exatamente o que as duas colunas mostram.
Isso também significa que as pontuações não são portáveis para mais nada. Um modelo que lidera o Hospital-bench demonstrou algo sobre fluxos de trabalho administrativos fundamentados em ferramentas em escala, e absolutamente nada sobre se ele consegue escrever código, passar em um exame jurídico ou sustentar uma conversa. Leia o ranking como uma declaração sobre agentes operando uma grande superfície de ferramentas sob regras procedimentais. Essa é uma categoria real e carente de avaliação, e é mais estreita do que "administrar um hospital".
O quadro conforme publicado, de cima para baixo
Aqui está o top ten publicado completo, primeiro a pontuação média e depois a taxa de aprovação total:
• GPT-6.2 Astra — média de 62,4%, aprovação de 29,2% (14 de 48)
• Claude Fable 5.2 — 60,3% de média, 29,2% de aprovação (14 de 48)
• Gemini 4 Neon — 59,8% de média, 31,3% de aprovação (15 de 48)
• GPT-6.2 Sol — 57,6% de média, 25,0% de aprovação (12 de 48)
• Claude Opus 5.5 — 55,6% de média, 35,4% de aprovação (17 de 48)
• Muse Wonder — 53,6% de média, 27,1% de aprovação (13 de 48)
• GPT-6.1 Sol — 50,0% de média, 12,5% de aprovação (6 de 48)
• Claude Sonnet 5.5 — média de 47,7%, aprovação de 29,2% (14 de 48)
• Gemini 4 Argon — média de 46,9%, 16,7% de aprovação (8 de 48)
• GPT-6 Astra — 46,7% de média, 8,3% de aprovação (4 de 48)

Dois fatos estruturais sobre essa lista antes de qualquer interpretação. O primeiro é que o campo tem vinte modelos de profundidade e apenas dez são mostrados, então a metade inferior é invisível — e, em um domínio em que a taxa de aprovação é a coluna interessante, os modelos que falham em tudo são os que diriam quão difícil é o piso. O segundo é que toda a diferença do primeiro ao décimo é de 15,7 pontos de pontuação média. Em um benchmark com quarenta e oito tarefas e nenhuma variância publicada, isso não é um topo amplo. É um agrupamento com um líder dentro.
A ordenação geracional é o sinal mais limpo da tabela e o menos provável de ser um artefato. GPT-6.2 Astra, com 62,4%, está 15,7 pontos acima de GPT-6 Astra, com 46,7%, e a taxa de aprovação passa de 8,3% para 29,2% — um salto de 3,5x em tarefas concluídas de forma limpa. GPT-6.2 Sol, com 57,6%, está 7,6 pontos acima de GPT-6.1 Sol, com 50,0%, com sua taxa de aprovação dobrando de 12,5% para 25,0%. Seja o que for que o benchmark esteja medindo, ele está medindo algo que mudou entre gerações, em ambas as linhas da OpenAI, na mesma direção, em uma magnitude bem fora de um erro de arredondamento.
Por que a coluna de taxa de aprovação importa mais
A pontuação média é a média de todas as quarenta e oito tarefas com crédito parcial. A taxa de aprovação é a proporção de tarefas que o agente concluiu por completo. São medidas diferentes de coisas diferentes, e a diferença entre elas neste quadro é enorme: o GPT-6.2 Astra tem média de 62,4%, mas conclui 29,2% das tarefas, o que significa que a tarefa média é avaliada como cerca de dois terços correta enquanto menos de uma em cada três é concluída. Essa é a assinatura de um agente que acerta a maior parte de um fluxo de trabalho e então se perde em uma etapa.
Na maioria dos benchmarks, a distinção é acadêmica. Na administração hospitalar, ela é o produto inteiro. Uma autorização prévia enviada com os códigos corretos para a fila do pagador errado pontua bem no crédito parcial e produz uma cobrança negada. Uma solicitação de registros que reúne o conjunto correto de documentos e deixa de fora o lançamento no log de divulgação é um achado de conformidade. As tarefas deste domínio são construídas de modo que a última etapa é a que importa, o que significa que a coluna de taxa de aprovação está mais próxima de uma medida de se poder confiar o fluxo de trabalho ao agente do que a pontuação média, e é a coluna que quase ninguém citou.
É também a coluna com o menor suporte estatístico. Quarenta e oito tarefas é um denominador pequeno. Uma tarefa equivale a 2,08 pontos percentuais de taxa de aprovação, então a diferença entre Claude Fable 5.2 e GPT-6.2 Astra — ambos com 29,2%, ambos com quatorze tarefas — é zero, e a diferença entre Gemini 4 Neon com quinze tarefas e os dois líderes com quatorze é de uma tarefa. Três modelos estão separados por uma única tarefa em quarenta e oito. Considere os três primeiros como empatados em conclusão e separados apenas na média, onde as diferenças são de 2,1 e 0,5 pontos e igualmente frágeis.
Opus 5.5 termina em primeiro onde importa
Claude Opus 5.5 é o modelo que a tabela foi feita para expor. Ele fica em quinto lugar na pontuação média, com 55,6% — 6,8 pontos atrás do líder, o que não é perto —, e em primeiro em aprovações completas, com 35,4%, dezessete de quarenta e oito, três tarefas à frente do modelo seguinte. Nenhum outro modelo do quadro inverte sua classificação assim. Claude Sonnet 5.5 faz isso de forma leve, oitavo na pontuação e empatado em terceiro nas aprovações. Gemini 4 Argon faz o inverso, nono na pontuação e nono nas aprovações, o que é pelo menos consistente.
Três tarefas não é uma margem grande, e vale dizer isso com clareza: dezessete contra quatorze de quarenta e oito é uma diferença que uma única tarefa ambígua poderia apagar, e nenhum intervalo de confiança é publicado. Mas a direção é consistente entre os dois modelos da Anthropic no ranking, e aponta para um trade-off real. O Opus 5.5 parece gastar mais turnos e mais chamadas de ferramentas por tarefa para chegar a um estado concluído, o que eleva sua taxa de conclusão e limita sua média. A Astra alcança uma média mais alta com menos conclusões limpas. Se você está comprando um agente para um fluxo de trabalho em que uma solicitação semiconcluída é pior do que uma lenta, o modelo em quinto lugar é a melhor compra, e nenhum ranking por pontuação média lhe dirá isso.
Há uma segunda leitura, menos lisonjeira para o benchmark. Um modelo pode aumentar sua taxa de aprovação ao recusar-se a tentar tarefas nas quais provavelmente falhará, ou ao encerrar precocemente com uma resposta parcial que o avaliador considera completa. Sem a saída no nível da tarefa — que a thread não publica —, não há como distinguir "conclui mais do que começa" de "conclui menos do que lhe é dado". A tabela sustenta a primeira leitura. Não é possível descartar a segunda.
Quanto custam 131 ferramentas por tarefa
O Hospital-bench é uma avaliação cara de executar e cara de executar repetidamente, e a thread não publica nenhum número de custo. Cento e trinta e uma definições de ferramentas são um prompt de sistema grande antes de o agente tomar uma única ação; quarenta e oito tarefas de várias etapas em vinte modelos são muitos tokens de entrada e muitos turnos. Qualquer custo por tarefa que você calcule a partir dos preços de tokens será um piso, não uma estimativa, porque deixará de fora a recuperação, as novas tentativas e as chamadas de ferramenta com falha que um loop agêntico gera por conta própria.
• Pontuação média — GPT-6.2 Astra 62,4% vs Gemini 4 Argon 46,9%
• Taxa de aprovação completa — Astra 29,2% vs Argon 16,7%
• Preço de entrada por 1M — Argon $2,00 vs Astra $8,00
• Preço de saída por 1M — Argon US$ 10,00 vs Astra US$ 40,00
• Ferramentas no escopo — 131, idênticas para todos os modelos do quadro
• Custo por tarefa — não publicado pelo avaliador

Leia esses dois blocos em comparação e o número interessante não é a diferença média de 15,5 pontos. É que o Argon custa um quarto do Astra nos dois sentidos e conclui pouco mais da metade da quantidade de tarefas de forma limpa, o que coloca os dois modelos dentro de um fator de dois entre si no custo por tarefa concluída, apesar de uma diferença de preço de 4x. Essa é uma decisão muito mais apertada do que o ranking sugere, e é o tipo de cálculo que você só pode fazer na sua própria carga de trabalho, porque a proporção depende inteiramente da frequência com que suas tarefas terminam antecipadamente.
É aqui que uma camada de roteamento se justifica em vez de ser apenas decoração. O OrcaRouter repassa o preço de tabela do provedor com 0% de markup, então os US$ 8 e US$ 40 acima são o que você paga por milhão de tokens, em vez de uma tarifa do fornecedor com uma margem da plataforma empilhada em cima — e, como o repasse é feito em tempo real, um corte de preço do fornecedor em qualquer um dos modelos aparece na sua fatura no mesmo dia em que é anunciado. O failover automático importa mais aqui do que em uma carga de trabalho de chat: uma campanha agêntica de quarenta e oito tarefas contra 131 ferramentas vai atingir um limite de taxa em algum lugar, e uma rota que passa para o segundo modelo em vez de morrer no meio da execução vale mais do que um ponto no score médio.
Vale dizer com clareza: GPT-6.2 Astra não está no nosso catálogo em 20 de novembro. Os modelos da OpenAI que servimos são GPT-6 Astra, que pontua 46,7% e 8,3% neste ranking, e a linha GPT-6 Sol, na qual GPT-6.2 Sol registra 57,6% e 25,0%. O Gemini 4 Argon pode ser roteado por US$ 2 e US$ 10. Até que Astra esteja disponível aqui, o modelo do nosso catálogo mais próximo do topo desta tabela é GPT-6.2 Sol, e o modelo mais barato que supera a geração anterior da OpenAI é Argon.
O que mudaria essa leitura?
Quatro coisas, mais ou menos na ordem de quanto elas mudariam o quadro. A primeira é uma página de metodologia. Um benchmark que publica seu conjunto de tarefas, suas regras de pontuação e seus logs de execução pode ser contestado; um que publica uma imagem de top ten não pode. A única frase acima da tabela está fazendo um enorme trabalho, e toda afirmação neste artigo é limitada por ela.
O segundo são os dez modelos ausentes. Vinte foram avaliados e dez foram mostrados e, em um domínio onde o crédito parcial infla a média, os modelos na parte de baixo são os que calibram a tarefa. Se o modelo em décimo primeiro lugar está com 45% de média e 6% de aprovação, o ranking é uma dispersão. Se estiver com 44% e 2%, o ranking é um penhasco, e os dez primeiros são os únicos modelos capazes de realizar o trabalho.
O terceiro é uma linha de base humana. O Hospital-bench não publica nenhum número humano e, sem um, não há resposta para a única pergunta que um comprador de fato tem, que é se 35,4% de conclusão é bom. Um especialista em faturamento médico com as mesmas 131 ferramentas e quarenta e oito tarefas daria à tabela uma escala. Ela não tem nenhuma.
O quarto é uma segunda execução. O modelo tem quatro dias e a avaliação é uma única campanha, e benchmarks agênticos com cadeias longas de ferramentas apresentam mais variância entre execuções do que avaliações de tiro único — que é exatamente a variância que uma diferença de 2,1 pontos entre primeiro e segundo não consegue absorver. Se Astra e Fable 5.2 ficarem na mesma ordem três vezes, a liderança é real. Uma vez, é apenas uma entrada no placar.
O que sobrevive a todas as quatro ressalvas é mais estreito do que o enquadramento da thread e mais útil do que uma rejeição sumária. O GPT-6.2 Astra é o melhor modelo publicado em um benchmark de administração agêntica com vinte modelos, por uma margem que está dentro do ruído na conclusão e fora dele na média. O salto geracional é a parte difícil de explicar como algo desprezível — 15,7 pontos de pontuação média e uma melhoria de 3,5x em conclusões limpas em relação ao GPT-6 Astra, em um painel sem motivo para favorecer um fornecedor. Esse é um resultado real sobre trabalho administrativo fundamentado em ferramentas, publicado por um avaliador que ninguém ainda pode verificar, quatro dias após o lançamento do modelo. As duas metades dessa frase devem ser ditas na mesma respiração.

Comparados neste artigo2
Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente
